Ushbu tadqiqot elektroensefalografiya (EEG) signallaridan ajratib olingan raqamli xususiyatlarni klassik mashinaviy o‘rganish va to‘da intellektiga asoslangan xususiyat tanlash orqali qayta ishlab, autizm spektridagi kattalar bilan neyrotipik nazorat guruhini ajratishga yordam bera oladimi, degan savolni o‘rganadi. Tadqiqotchilar University of Sheffield ochiq EEG ma’lumotlar to‘plamidagi 56 nafar katta yoshli ishtirokchining yozuvlaridan foydalangan; 28 Autism Spectrum Conditions (ASC) ishtirokchisini 28 neyrotipik nazorat bilan taqqoslagan.

EEG yozuvlari dastlabki ishlovdan so‘ng 2 soniyalik, 0,5 soniya ustma-ust tushuvchi oynalarga bo‘lingan va har bir elektroddan 34 ta raqamli xususiyat ajratib olingan. 63 elektrod bo‘yicha jami 2142 xususiyat hosil bo‘lgan. So‘ng tadqiqotchilar uch xil ma’lumot tasvirini yaratgan: barcha 2142 xususiyat ishlatilgan asl tuzilma, Particle Swarm Optimization (PSO) yordamida 686 xususiyatgacha qisqartirilgan tuzilma va evolutionary search yordamida atigi 20 xususiyat saqlangan tuzilma.

Asl ma’lumotlar to‘plamida eng yuqori o‘qitish/validatsiya aniqligi SVM-RBF modeli bilan %99,13 ± 0,44, PSOdan keyin %99,23 ± 0,38 va evolutionary searchdan keyin Random Forest 500 bilan %93,91 ± 1,10 deb qayd etilgan. Alohida test bosqichida shu uch yondashuvning aniqligi mos ravishda %94,77, %96,71 va %95,44 bo‘lgan.

Natijalar EEG xususiyatlari ASC va neyrotipik guruhlar o‘rtasida farqlovchi axborot tashishi mumkinligini hamda xususiyat tanlash yuqori o‘lchamli ma’lumotni keskin kamaytirgan holda tasniflash samaradorligini saqlab qolishi mumkinligini ko‘rsatadi. Biroq tadqiqot atigi 56 nafar katta yoshli ishtirokchiga tayangan, mustaqil ko‘p markazli tashqi validatsiyani o‘z ichiga olmaydi va bolalarda erta tashxisni bevosita sinamaydi. Shu sababli usul klinik autizm tashxisini almashtiradigan tasdiqlangan diagnostik vosita sifatida emas, balki kattaroq tadqiqotlar uchun izlanish xarakteridagi EEG–mashinaviy o‘rganish yondashuvi sifatida baholanishi kerak.

EEG nega autizm tadqiqotlarida qo‘llanishi mumkin?

Elektroensefalografiya bosh terisiga joylashtirilgan elektrodlar yordamida miyaning elektr faolligidagi vaqt bo‘yicha o‘zgarishlarni o‘lchaydi. EEG bevosita “autizm signali”ni o‘lchamaydi; turli neyron tarmoqlarining bir vaqtdagi elektr faolligidan tashkil topgan murakkab vaqt qatorini hosil qiladi.

Mashinaviy o‘rganish nuqtai nazaridan savol quyidagicha:

ASC guruhidagi EEG signallarining statistik va spektral tuzilishida neyrotipik nazoratlardan tizimli ravishda farqlash mumkin bo‘lgan naqshlar bormi?

Ushbu tadqiqot xom EEG signalini to‘g‘ridan-to‘g‘ri chuqur o‘rganish modeliga berish o‘rniga avval izohlash mumkin bo‘lgan raqamli xususiyatlarga aylantirgan, so‘ng klassik mashinaviy o‘rganish algoritmlaridan foydalangan.

Tadqiqotda Qaysi EEG Ma’lumotlaridan Foydalanildi?

Tadqiqot University of Sheffield tomonidan ommaga ochiq taqdim etilgan “Electrophysiological Signatures of Brain Aging in Autism Spectrum Disorder” EEG ma’lumotlar to‘plamidan foydalanadi.

Yozuvlarning aksariyatida 64 sensorli montaj ishlatilgan. Ayrim yozuvlar 128 sensorli bo‘lgani uchun tahlilga mos ravishda bir xillashgan.

Maqoladagi “Erta Aniqlash” Iborasi Bolalarda Erta Autizm Tashxisi Ko‘rsatilganini Anglatadimi?

Yo‘q. Foydalanilgan ma’lumotlar to‘plamidagi ishtirokchilar 18–68 yoshdagi kattalardir. Tadqiqot bolalar, go‘daklar yoki hali klinik tashxis olmagan shaxslarda prospektiv erta tashxis sinovini o‘tkazmagan.

Shu sababli maqola sarlavhasidagi “early detection” kelajakdagi maqsad va metodologik joylashuv kontekstida talqin qilinishi kerak. Mavjud tajriba bevosita shuni ko‘rsatadiki, oldindan belgilangan katta yoshli ASC va neyrotipik EEG yozuvlarini ayrim mashinaviy o‘rganish modellari bilan yuqori aniqlikda tasniflash mumkin.

Yetishmayotgan EEG Kanallari Qanday To‘ldirildi?

Ma’lumotlar to‘plamidagi asosiy muammolardan biri ayrim EEG yozuvlarida elektrod kanallarining yetishmasligidir.

Tadqiqotchilar elektrodlarning boshdagi geometrik joylashuvidan foydalanib, kanallar orasidagi Evklid masofasini hisoblagan:

\[ d_{ab}= \sqrt{(X_2-X_1)^2+(Y_2-Y_1)^2} \]

So‘ng yetishmayotgan kanal signali mavjud qo‘shni kanallarning masofaga og‘irlangan hissalaridan baholangan.

Bu jarayon yetishmayotgan elektrodni haqiqiy o‘lchov bilan qayta tiklamaydi. Yo‘qolgan kanalni atrofdagi mavjud signallarga ko‘ra matematik yaqinlashtiradi.

EEG Signallari Qanday Xususiyatlarga Aylantirildi?

Dastlabki ishlovdan o‘tgan EEG signallari GNU Octave 8.2.0 yordamida:

2 soniyalik oynalarga

bo‘lingan.

Ketma-ket oynalar:

0,5 soniya ustma-ust tushadi.

Har bir oynada har bir elektroddan 34 xususiyat ajratilgan.

Statistik xususiyatlar

• o‘rtacha qiymat,
• dispersiya,
• standart og‘ish kabi umumlashtiruvchi o‘lchovlar.

Vaqt sohasi xususiyatlari

• waveform length,
• zero crossing,
• Hjorth parametrlari.

Chastota va axborot xususiyatlari

• o‘rtacha quvvat,
• peak frequency,
• Shannon entropy.

63 elektrod × 34 xususiyat:

\[ 63 \times 34 = 2142 \]

o‘lchamli boshlang‘ich xususiyatlar fazosini hosil qilgan.

Particle Swarm Optimization Bu Yerda Nima Qiladi?

Particle Swarm Optimization (PSO), qushlar yoki baliqlar to‘dasi kabi jamoaviy xatti-harakatlardan ilhomlangan populyatsiyaga asoslangan optimallashtirish usulidir.

Ushbu tadqiqotda PSOning vazifasi ASDni bevosita tasniflash emas.

PSO:

2142 EEG xususiyati ichidan tasniflash uchun foydaliroq kichik to‘plamni tanlash

uchun ishlatilgan.

Natijada:

2142 → 686 xususiyat

qolgan holda tasniflash samaradorligi saqlangan, hatto eng yaxshi o‘rtacha aniqlik biroz oshgan.

Evolutionary Search Nimani O‘zgartirdi?

Ikkinchi xususiyat tanlash yondashuvi evolutionary search bo‘lgan.

Bu usul xususiyatlar fazosini ancha agressiv qisqartirgan:

2142 → 20 xususiyat

Bu boshlang‘ich xususiyatlarning taxminan %1 dan ham kam qismi saqlanganini anglatadi.

Shunchalik kuchli o‘lcham kamaytirishdan so‘ng eng yaxshi o‘rtacha aniqlik %99 darajasidan taxminan %94 darajasiga tushgan bo‘lsa-da, atigi 20 xususiyat bilan ham yuqori tasniflash natijasi olingan.

Bu natija ayniqsa kelajakda hisoblash xarajati pastroq tizimlarni ishlab chiqish nuqtai nazaridan qiziq.

Qaysi Mashinaviy O‘rganish Modellari Sinovdan O‘tkazildi?

Tadqiqotchilar turli model oilalarini taqqoslagan:

• Bayes Net,
• Naive Bayes,
• Random Tree,
• Random Forest — 10 daraxt,
• Random Forest — 100 daraxt,
• Random Forest — 500 daraxt,
• Linear SVM,
• Polynomial SVM daraja 2,
• Polynomial SVM daraja 3,
• turli RBF sozlamalariga ega SVM modellari.

Modelni o‘qitish va baholash WEKA 3.9.6 muhitida bajarilgan.

Tadqiqot Usuli va Natijalari

Tajriba dizayni

Uchala ma’lumot tasviri:

1. asl,
2. PSO,
3. evolutionary search

uchun mashinaviy o‘rganish modellari alohida o‘qitilgan.

Ma’lumotlar %80 o‘qitish/validatsiya va %20 test qismlariga bo‘lingan.

O‘qitish bosqichida:

• 10-fold cross-validation,
• 30 mustaqil takror

ishlatilgan.

Samaradorlik:

• Accuracy,
• Kappa statistic,
• Sensitivity,
• Specificity,
• AUC

bilan baholangan.

Asl 2142 xususiyatli ma’lumot

Eng yuqori o‘qitish/validatsiya natijasi SVM-RBF modeli bilan olingan:

Random Forest 500 ham %98,54 ± 0,54 aniqlikka erishgan.

PSO bilan 686 xususiyat

PSOdan keyin eng kuchli model SVM-RBF bo‘lgan:

Bu natija ayniqsa muhim, chunki xususiyatlar soni:

2142 dan 686 gacha

kamayganiga qaramay, samaradorlik pasaymagan.

Evolutionary search bilan atigi 20 xususiyat

Ushbu ma’lumotlar to‘plamida SVM o‘rniga Random Forest kuchliroq natija bergan.

Random Forest 500:

Shunday qilib, ma’lumot o‘lchami qariyb ikki ming xususiyatdan atigi yigirmagacha kamaytirilganiga qaramay, tasniflash samaradorligi butunlay yo‘qolmagan.

%99,23 Aniqlik Modelning Klinik Samaradorligimi?

Yo‘q. %99,23 qiymati PSO bilan xususiyat tanlangan ma’lumotlarda 30 takror va 10-fold cross-validationni o‘z ichiga olgan o‘qitish/validatsiya bosqichining o‘rtacha natijasidir.

Yakuniy ajratilgan test ma’lumotlarida natija pastroq.

Shu sababli Verianla nuqtai nazaridan to‘g‘ri headline:

“PSO-SVM tadqiqotning ajratilgan test namunalarida %96,71 aniqlikka erishdi.”

shaklidadir.

PSO Nega Muhim Natija Berdi?

PSO faqat kichik samaradorlik oshishini bermadi; uning asosiy hissasi ma’lumot o‘lchamini keskin kamaytirishdir.

Shunday qilib, tadqiqot xususiyatlar soni va samaradorlik o‘rtasida uch xil ish nuqtasini ko‘rsatadi.

Bu Natija EEG Orqali Autizm Tashxisi Muammosi Hal Bo‘lganini Anglatadimi?

Yo‘q.

Tadqiqot:

• 56 nafar katta yoshli ishtirokchiga tayangan,
• bitta ochiq ma’lumot manbasidan foydalangan,
• ikki sinfli ASC/neyrotipik yorliqlar bilan ishlagan,
• mustaqil boshqa shifoxona yoki mamlakat kohortida tashqi validatsiya o‘tkazmagan,
• go‘daklar yoki bolalarda erta tashxisni sinamagan.

Shu sababli yuqori tasniflash ballari klinik ASD tashxisini faqat EEG va sun’iy intellekt yordamida qo‘yish mumkinligini isbotlamaydi.

Tadqiqot qo‘llab-quvvatlaydigan torroq xulosa quyidagicha:

Ushbu Sheffield katta yoshli EEG ma’lumotlar to‘plamidan ajratilgan xususiyatlar tanlangan mashinaviy o‘rganish modellari uchun ASC va neyrotipik yozuvlarni ajrata oladigan kuchli statistik signalni o‘z ichiga oladi.

Oynalash Nega Natijalarni Talqin Qilishda Muhim?

Har bir ishtirokchining 150 soniyalik EEG yozuvi ko‘plab 2 soniyalik va bir-biri bilan ustma-ust tushuvchi oynalarga bo‘lingan.

Buning muhim oqibati bor:

Mashinaviy o‘rganish tizimidagi namunalar soni 56 kishidan ancha ko‘p; ammo biologik jihatdan mustaqil shaxslar soni baribir 56 ta.

Maqolada o‘qitish/test ajratilishi tushuntirilgan, biroq e’lon qilingan metod tavsifida barcha oynalar ishtirokchi identifikatori bo‘yicha guruhlab ajratilgani aniq ko‘rsatilmagan.

Shu sababli kelajakdagi validatsiyalarda:

• participant-wise train/test split,
• leave-one-subject-out validation,
• mustaqil tashqi kohort,
• turli EEG qurilmalari va markazlari

ayniqsa muhimdir.

Bu metodologik nuqta qayd etilgan qiymatlar noto‘g‘ri degani emas; u qiymatlarning yangi shaxslarga qanchalik umumlashtirilishi mumkinligini hali aniq bilmasligimizni ko‘rsatadi.

Tadqiqotning Asosiy Cheklovlari Nimalar?

• Jami ishtirokchilar soni atigi 56 ta.
• Ishtirokchilar 18–68 yoshdagi kattalardir; bolalarda erta tashxis bevosita sinovdan o‘tkazilmagan.
• Bir markazli/ochiq ma’lumot manbasi ishlatilgan.
• ASC spektrining klinik geterogenligi ikki sinfli yorliq doirasida soddalashtirilgan.
• Mustaqil ko‘p markazli tashqi validatsiya mavjud emas.
• EEG yozuvlaridagi yetishmayotgan kanallar matematik interpolatsiya bilan to‘ldirilgan.
• Elektrod joylashuvi va yozuv tuzilishi o‘rtasida geterogenlik mavjud.
• Ko‘plab ustma-ust tushuvchi EEG oynalari mustaqil ishtirokchilar sonini oshirmaydi.
• E’lon qilingan metod tavsifida ishtirokchi darajasidagi ma’lumot ajratish tafsiloti yetarlicha aniq emas.
• Natijalar klinik diagnostika vositasi sifatida prospektiv tarzda sinovdan o‘tkazilmagan.

2026 Yilgi Tuzatish Maqolada Nimani O‘zgartirdi?

20 May 2026 da e’lon qilingan rasmiy Correction ilmiy usul yoki natijalarni o‘zgartirmagan.

Tuzatish uchta asosiy kamchilikni bartaraf etgan:

1. Institutional Review Board bayonoti qo‘shilgan.
2. Informed Consent Statement qo‘shilgan.
3. University of Sheffield EEG ma’lumotlar to‘plamining yetishmayotgan manba havolasi Database va Data Availability bo‘limlariga qo‘shilgan.

Tuzatishga ko‘ra, ma’lumot ochiq University of Sheffield ORDA omboridan olingan; tadqiqot yangi ma’lumot to‘plamagan va shaxsni aniqlash mumkin bo‘lgan ma’lumotdan foydalanmagan. Asl ma’lumotlar to‘plami tadqiqotchilari ishtirokchilardan ma’lumot almashish uchun xabardor qilingan rozilik olgan.

Nashriyot va mualliflar tuzatish tadqiqotning ilmiy natijalariga ta’sir qilmaganini bildirgan.

Manba va Usul Haqida Izoh

Ushbu Verianla materiali Flávio Secco Fonseca va hamkasblarining Supporting ASD Diagnosis with EEG, ML and Swarm Intelligence: Early Detection of Autism Spectrum Disorder Based on Electroencephalography Analysis by Machine Learning and Swarm Intelligence nomli asl tadqiqoti hamda ushbu maqola uchun 2026 yilda e’lon qilingan rasmiy Correction birgalikda ko‘rib chiqilib, mustaqil ravishda tayyorlangan.

Asl tadqiqot AI Sensors jurnalida 2025 yilda, 1-jild, 3-maqola sifatida chop etilgan. DOI: 10.3390/aisens1010003.

Yuklangan manba esa asl tadqiqotning o‘zi emas, balki AI Sensors 2026, 2-jild, 5-maqola sifatida e’lon qilingan rasmiy tuzatishdir. Correction DOI: 10.3390/aisens2020005.

Tuzatish IRB, informed consent va ishlatilgan University of Sheffield EEG ma’lumotlar to‘plamining havola ma’lumotlarini qo‘shgan hamda ilmiy natijalar o‘zgarmaganini bildirgan.

Tadqiqotda University of Sheffield ma’lumotlar to‘plamidagi 56 nafar katta yoshli ishtirokchining EEG yozuvlaridan foydalanilgan. Guruhlar 28 Autism Spectrum Conditions va 28 neyrotipik nazoratdan iborat.

EEG signallari dastlabki ishlovdan so‘ng 2 soniyalik va 0,5 soniya ustma-ust tushuvchi oynalarga bo‘lingan, har bir elektroddan 34 xususiyat ajratilgan. 63 elektroddan hosil bo‘lgan 2142 xususiyat PSO bilan 686 taga, evolutionary search bilan 20 taga qisqartirilgan.

Asl va PSO ma’lumotlar to‘plamlarida eng muvaffaqiyatli o‘qitish/validatsiya modellari SVM-RBF, evolutionary search ma’lumotlar to‘plamida esa Random Forest 500 bo‘lgan. Alohida test bosqichida eng yuqori aniqlik %96,71 bilan PSO-SVM yondashuvida olingan.

Bu qiymatlar mustaqil, ko‘p markazli klinik tashxis aniqligi emas. Namuna kichik, ishtirokchilar kattalar va tadqiqot bolalarda prospektiv erta ASD tashxisini tasdiqlamagan. Natijalar EEGga asoslangan xususiyatlarni mashinaviy o‘rganish bilan tadqiq qilish uchun izlanish xarakteridagi dalil sifatida baholanishi kerak.

Tadqiqot CNPq, FACEPE, CAPES va FINEP tomonidan qo‘llab-quvvatlangan. Correctionga ko‘ra tahlil qilingan ma’lumotlar ochiq va anonimlashtirilgan; asl ma’lumot almashish uchun ishtirokchilarning roziligi olingan.