DOI: https://doi.org/10.1109/access.2024.3396869
تاريخ النشر: 2024-01-01
المؤلف: Noor Kamal Al-Qazzaz وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الورقة البحثية استخدام تقنيات التعلم العميق، وبشكل خاص الشبكات العصبية التلافيفية المدربة مسبقًا (CNNs)، لتصنيف اضطراب طيف التوحد (ASD) بناءً على بيانات تخطيط الدماغ الكهربائي (EEG). تهدف الدراسة إلى تعزيز التشخيص المبكر لـ ASD، الذي يعتمد تقليديًا على الفحص السلوكي، من خلال استخدام CNNs لاستخراج الميزات من ملفات EEG الطيفية. تشير النتائج إلى أن استخدام SqueezeNet للتعلم الانتقالي يحقق دقة تصنيف تبلغ 85.5%، بينما نموذج هجين يجمع بين SqueezeNet وآلة الدعم الناقل (SVM) يحسن الدقة إلى 87.8%. وهذا يشير إلى أن مثل هذه النماذج الهجينة يمكن أن تسهل تشخيص ASD الآلي من خلال تسجيلات EEG غير الغازية.
بالإضافة إلى التصنيف، تسلط الدراسة الضوء على إمكانيات التعلم العميق لتجاوز قيود طرق استخراج الميزات التقليدية، مما يمكّن من تحليل طيف EEG ثلاثي الأبعاد لتحديد الشذوذ المرتبطة بـ ASD. تسهم الأبحاث في هذا المجال من خلال اقتراح شبكة CNN تعتمد على كثافة الطيف الترددي (PSD) قادرة على التمييز بين مستويات شدة مختلفة من ASD والأشخاص الأصحاء. يشير المؤلفون إلى أن الدراسات السابقة إما ركزت على التعرف على الوجه أو فشلت في استخدام جميع قنوات EEG، مما قد يتسبب في تجاهل ميزات حاسمة ذات صلة بتشخيص ASD. تشمل الاتجاهات المستقبلية تطوير أنظمة تعتمد على EEG في الوقت الحقيقي للكشف عن النعاس، مستفيدة من واجهات الدماغ-الكمبيوتر لتخصيص الخوارزميات بناءً على الخصائص الفردية.
مقدمة
تضع مقدمة الورقة البحثية الأساس للدراسة من خلال توضيح أهمية الموضوع وأهداف البحث. تسلط الضوء على الفجوات الموجودة في الأدبيات والحاجة إلى مزيد من التحقيق. يؤكد المؤلفون على أهمية عملهم في تعزيز الفهم داخل هذا المجال ويقترحون إطارًا لمعالجة القضايا المحددة. يتم ذكر النتائج الرئيسية من الدراسات الأولية أو الأعمال ذات الصلة بشكل موجز لتأكيد أهمية الجهد البحثي الحالي. بشكل عام، تؤسس المقدمة مبررًا واضحًا للدراسة وإسهاماتها المحتملة للمجتمع الأكاديمي.
الطرق
في هذه الدراسة، تم تطوير منهجية معالجة إشارات متعددة المراحل لتعزيز التشخيص التلقائي لاضطراب طيف التوحد (ASD) من خلال تحليل إشارات EEG. تم تقسيم بيانات EEG من مرضى ASD، المصنفة حسب الشدة، إلى فترات زمنية مدتها 5 ثوانٍ وتحويلها إلى صور طيفية رمادية ثنائية الأبعاد باستخدام طريقة كثافة الطيف الترددي (PSD). تم استخدام مجموعة متنوعة من نماذج الشبكات العصبية التلافيفية المدربة مسبقًا (CNN)، بما في ذلك AlexNet وSqueezeNet وMobileNetV2 وGoogleNet وResNet18 وShuffleNet وEfficientNet، لاستخراج الميزات من هذه الصور الطيفية.
بعد ذلك، تم استخدام نماذج هجينة تجمع بين أشجار القرار (DT) وجيران الأقرب (KNN) وآلات الدعم الناقل (SVM) لتصنيف الميزات المستخرجة إلى فئات من الأشخاص الطبيعيين ودرجات متفاوتة من شدة ASD (خفيف، معتدل، وشديد). قامت الدراسة بتحليل ومقارنة أداء سبعة نماذج CNN بالتزامن مع ثلاثة أساليب تعلم آلي لتحديد المجموعة الأكثر فعالية للتصنيف الدقيق. تم تقييم نتائج التصنيف بدقة باستخدام مقاييس الأداء المعتمدة، مما يضمن تقييمًا شاملاً لفعالية المنهجية المقترحة.
النتائج
شملت نتائج الدراسة معالجة تسجيل EEG مدته 10 دقائق، والذي تم تقسيمه إلى 120 فترة غير متداخلة وتم تحليله لمستويات نشاط متفاوتة (خفيف، معتدل، شديد، وطبيعي). تم تحويل البيانات المقسمة إلى صور رمادية ثنائية الأبعاد ومن ثم إلى صور ثلاثية الأبعاد، وتم تغيير حجمها لتناسب مواصفات الإدخال لمختلف نماذج الشبكات العصبية التلافيفية (CNN)، بما في ذلك AlexNet وSqueezeNet. تم تقييم مقاييس الأداء لهذه النماذج باستخدام أشجار القرار (DT) وجيران الأقرب (KNN) وآلات الدعم الناقل (SVM)، مع نتائج ملحوظة تشير إلى أن SqueezeNet حقق أعلى دقة تصنيف تبلغ 85.53% بين نماذج التعلم الانتقالي.
كشفت التحليلات الإضافية للنماذج الهجينة أن الجمع بين AlexNet ومصنف SVM حقق دقة تبلغ 83.9%، بينما حققت ResNet18 وGoogleNet دقتين تبلغان 72.3% و74.9%، على التوالي، عند اقترانهما بمصنفات DT. كما أظهرت MobileNetV2 وSqueezeNet أداءً تنافسيًا، حيث حقق SqueezeNet أعلى دقة تبلغ 87.8% عند دمجه مع SVM. تؤكد النتائج على فعالية النماذج الهجينة في مهام تصنيف EEG، مما يبرز أهمية اختيار المصنف والتفاعل بين تعقيد النموذج وأداء التعميم، مما يمكن أن يؤثر على التوازن بين الإفراط في التكيف وعدم التكيف في تطبيقات التعلم الآلي.
المناقشة
في مناقشة اضطرابات طيف التوحد (ASD)، يبرز البحث الطبيعة العصبية التنموية لهذه الحالات، والتي تتميز بنقص كبير في التفاعل الاجتماعي، وتحديات في التواصل، واهتمامات مقيدة. تظهر الأعراض عادةً في مرحلة الطفولة المبكرة، مع انتشار ملحوظ بين الذكور (نسبة 4:1 من الذكور إلى الإناث). تتطلب تعقيدات ASD تقييمات تشخيصية دقيقة، والتي تعتمد غالبًا على التقييمات السلوكية وتقنيات التصوير العصبي. يؤكد البحث على قيود الطرق التشخيصية الحالية، داعيًا إلى دمج العلامات السريرية أو المؤشرات الحيوية لتعزيز الكشف المبكر.
يقترح المؤلفون الاستفادة من بيانات تخطيط الدماغ الكهربائي (EEG) مع تقنيات التعلم الآلي المتقدمة، وخاصة نماذج التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs)، لتحسين دقة التشخيص لـ ASD. يوضحون تطوير مجموعة بيانات جديدة تعتمد على EEG تشمل الأطفال بمستويات متفاوتة من ASD والأشخاص الأصحاء. من خلال استخدام سبعة هياكل CNN المدربة مسبقًا ومصنفات التعلم الآلي، تهدف الدراسة إلى أتمتة تحديد شدة ASD من خلال تحليل صور الطيف EEG. لا تعالج هذه الطريقة التحديات التشخيصية الحالية فحسب، بل تبرز أيضًا الإمكانية للتدخل المبكر، مما قد يعزز بشكل كبير نتائج العلاج للأفراد المصابين بـ ASD.
DOI: https://doi.org/10.1109/access.2024.3396869
Publication Date: 2024-01-01
Author(s): Noor Kamal Al-Qazzaz et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper investigates the use of deep learning techniques, specifically pre-trained Convolutional Neural Networks (CNNs), for the classification of Autism Spectrum Disorder (ASD) based on electroencephalography (EEG) data. The study aims to enhance early diagnosis of ASD, which is traditionally reliant on behavioral screening, by employing CNNs to extract features from EEG spectral profiles. The findings indicate that utilizing SqueezeNet for transfer learning achieves a classification accuracy of 85.5%, while a hybrid model combining SqueezeNet with a Support Vector Machine (SVM) further improves accuracy to 87.8%. This suggests that such hybrid models could facilitate automated ASD diagnosis through non-invasive EEG recordings.
In addition to classification, the study highlights the potential of deep learning to overcome limitations of traditional feature extraction methods, enabling the analysis of 3-D spectrograms of EEG recordings to identify abnormalities associated with ASD. The research contributes to the field by proposing a power spectral density (PSD)-based CNN capable of distinguishing between varying severity levels of ASD and healthy controls. The authors note that previous studies have either focused on face recognition or failed to utilize all EEG channels, potentially overlooking critical features relevant to ASD diagnosis. Future directions include developing real-time EEG-based systems for detecting drowsiness, leveraging brain-computer interfaces to personalize algorithms based on individual characteristics.
Introduction
The introduction of the research paper sets the stage for the study by outlining the significance of the topic and the objectives of the research. It highlights the existing gaps in the literature and the need for further investigation. The authors emphasize the relevance of their work in advancing understanding within the field and propose a framework for addressing the identified issues. Key findings from preliminary studies or related works are briefly mentioned to underscore the importance of the current research endeavor. Overall, the introduction establishes a clear rationale for the study and its potential contributions to the academic community.
Methods
In this study, a multi-stage signal processing methodology was developed to enhance the automatic diagnosis of Autism Spectrum Disorder (ASD) by analyzing EEG signals. The EEG data from ASD patients, categorized by severity, were segmented into 5-second intervals and transformed into 2-D grayscale spectrogram images using the power spectral density (PSD) method. A variety of pre-trained convolutional neural network (CNN) models, including AlexNet, SqueezNet, MobileNetV2, GoogleNet, ResNet18, ShuffleNet, and EfficientNet, were employed to extract features from these spectrogram images.
Subsequently, hybrid models combining decision trees (DT), k-nearest neighbors (KNN), and support vector machines (SVM) classifiers were utilized to classify the extracted features into categories of normal subjects and varying degrees of ASD severity (mild, moderate, and severe). The study systematically analyzed and compared the performance of the seven CNN models in conjunction with the three machine learning approaches to identify the most effective combination for accurate classification. The classification results were rigorously evaluated using established performance metrics, ensuring a comprehensive assessment of the proposed methodology’s efficacy.
Results
The results of the study involved preprocessing a 10-minute EEG recording, which was segmented into 120 non-overlapping epochs and analyzed for varying levels of activity (mild, moderate, severe, and normal). The segmented data was transformed into 2-D grayscale images and subsequently into 3-D images, resized to fit the input specifications of various convolutional neural network (CNN) models, including AlexNet and SqueezeNet. The evaluation metrics for these models were assessed using decision tree (DT), k-nearest neighbors (KNN), and support vector machine (SVM) classifiers, with notable findings indicating that SqueezeNet achieved the highest classification accuracy of 85.53% among the transfer learning models.
Further analysis of hybrid models revealed that the combination of AlexNet with the SVM classifier yielded an accuracy of 83.9%, while ResNet18 and GoogleNet achieved accuracies of 72.3% and 74.9%, respectively, when paired with DT classifiers. MobileNetV2 and SqueezeNet also demonstrated competitive performance, with SqueezeNet achieving the highest accuracy of 87.8% when combined with SVM. The results underscore the effectiveness of hybrid models in EEG classification tasks, highlighting the importance of classifier selection and the interplay between model complexity and generalization performance, which can influence the balance between overfitting and underfitting in machine learning applications.
Discussion
In the discussion of autism spectrum disorders (ASD), the paper highlights the neurodevelopmental nature of these conditions, characterized by significant social interaction deficits, communication challenges, and restricted interests. Symptoms typically manifest in early childhood, with a notable prevalence in males (4:1 male-to-female ratio). The complexity of ASD necessitates accurate diagnostic assessments, which often rely on behavioral evaluations and neuroimaging techniques. The paper emphasizes the limitations of current diagnostic methods, advocating for the integration of clinical signs or biomarkers to enhance early detection.
The authors propose leveraging electroencephalogram (EEG) data combined with advanced machine learning techniques, particularly deep learning models like convolutional neural networks (CNNs), to improve diagnostic accuracy for ASD. They detail the development of a novel EEG-based dataset that includes children with varying severities of ASD and normal controls. By employing seven pre-trained CNN architectures and machine learning classifiers, the study aims to automate the identification of ASD severity through the analysis of EEG spectrogram images. This approach not only addresses existing diagnostic challenges but also underscores the potential for early intervention, which could significantly enhance treatment outcomes for individuals with ASD.