DOI: https://doi.org/10.35882/jeeemi.v8i1.1377
تاريخ النشر: 2026-01-31
المؤلف: Melinda Melinda وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الورقة البحثية نهجًا جديدًا لتصنيف اضطراب طيف التوحد (ASD) باستخدام بيانات تخطيط الدماغ الكهربائي (EEG). تتكامل الطريقة المقترحة مع تحويل الموجات المنفصلة (DWT) لإزالة الضوضاء، وتحول إشارات EEG إلى خرائط حرارية ملونة زائفة، وتستخدم خط أنابيب تعلم عميق يتضمن خمس هياكل مدربة مسبقًا من ImageNet تم ضبطها تحت بروتوكول تدريب موحد. تستخدم الدراسة استراتيجية دمج قرار ثقيلة وخفيفة، تجمع بين نموذج ثقيل (ConvNeXt) ونموذج خفيف (ShuffleNet)، محققة دقة مثيرة للإعجاب تبلغ حوالي 99.56% ودرجة F1 تبلغ 99.53%. تقلل هذه الطريقة من حالات الكشف المفقودة عن ASD دون زيادة الإنذارات الكاذبة، مما يبرز نقاط القوة التكميلية للنماذج.
تشير النتائج إلى أن DWT وتمثيل الخريطة الحرارية يوفران مدخلًا قويًا وغير معتمد على الهيكل لتصنيف EEG. بينما النتائج واعدة، تعترف الدراسة بالقيود، بما في ذلك استخدام مجموعة بيانات صغيرة وموقع واحد والتركيز على التصنيف الثنائي. تهدف الأبحاث المستقبلية إلى التحقق من صحة خط الأنابيب على مجموعات بيانات أكبر وأكثر تنوعًا، واستكشاف دمج معلومات إضافية في تمثيل الصورة، وتطوير أدوات اتخاذ قرارات عملية للإعدادات السريرية. بالإضافة إلى ذلك، تم تحديد قابلية تعميم استراتيجية الدمج الثقيلة والخفيفة عبر أنماط تسجيل EEG المختلفة وإمكانية التعلم الانتقالي من مجموعات بيانات EEG الأوسع كمجالات رئيسية لمزيد من التحقيق.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحديات المرتبطة بتشخيص اضطراب طيف التوحد (ASD)، وهو حالة عصبية تطورية معقدة تتميز بصعوبات في التواصل الاجتماعي والسلوك ومعالجة الحواس. تعتمد الممارسات التشخيصية الحالية بشكل أساسي على التقييمات السلوكية الذاتية، مما قد يؤدي إلى عدم الاتساق والتأخير في التعرف، خاصة في مرحلة الطفولة المبكرة وفي البيئات ذات الموارد المحدودة. للتغلب على هذه القيود، هناك اهتمام متزايد بتطوير علامات فيزيولوجية موضوعية، مثل تلك المشتقة من تخطيط الدماغ الكهربائي (EEG)، الذي يقدم طريقة غير جراحية لتحليل ديناميات الدماغ. تشير الدراسات الحديثة إلى أن قياسات EEG يمكن أن تميز بفعالية بين ASD والأفراد ذوي التطور الطبيعي، ويمكن دمجها في أطر تعلم الآلة لتحسين دقة التشخيص.
تسلط الورقة الضوء على أهمية تقنيات المعالجة المسبقة القوية لمعالجة الضوضاء والاختلافات الكامنة في إشارات EEG الخام، مع التأكيد على طرق إزالة الضوضاء المعتمدة على الموجات التي تحافظ على المعلومات العصبية الفيزيولوجية الحيوية. كما تناقش إمكانية تحويل بيانات EEG إلى تمثيلات صور ثنائية الأبعاد، مثل خرائط الحرارة حسب القناة والوقت، مما يسهل تطبيق نماذج التعلم العميق المتقدمة. يقترح المؤلفون خط أنابيب جديد يدمج إزالة الضوضاء بالموجات، وترميز خرائط الحرارة غير الطيفية، واستراتيجية دمج قرار ثقيلة وخفيفة، بهدف تحسين أداء التصنيف مع التخفيف من المشكلات المتعلقة بتسرب البيانات والاعتماد على الميزات المصنوعة يدويًا. تعد الدراسة بتقديم تقييم شامل لهذه المنهجيات باستخدام نهج تحقق صارم قائم على الموضوع، مما يسهم في تطوير تقنيات تصنيف ASD أكثر موثوقية.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وأي مواصفات ذات صلة، لضمان إمكانية إعادة الإنتاج. تشمل المنهجية إعداد التجربة، بما في ذلك الظروف التي أجريت فيها التجارب، والتقنيات المستخدمة لجمع البيانات، والأساليب التحليلية المستخدمة لتفسير البيانات.
بالإضافة إلى ذلك، قد يصف القسم أي تحليلات إحصائية تم إجراؤها للتحقق من النتائج، بما في ذلك البرامج المستخدمة والمعلمات المحددة لاختبار الدلالة. بشكل عام، يخدم هذا القسم لتوفير نظرة شاملة على إطار البحث، مما يمكّن الباحثين الآخرين من تكرار الدراسة والتحقق من نتائجها.
مناقشة
تستعرض قسم المناقشة في الورقة البحثية المنهجية والنتائج المتعلقة بتحليل بيانات EEG من مجموعة من 16 موضوعًا، تتكون من 8 أطفال مصابين باضطراب طيف التوحد (ASD) و8 ضوابط ذات تطور طبيعي. تتضمن مجموعة البيانات، المأخوذة من جامعة الملك عبد العزيز، تسجيلات من 16 قناة، تلتزم بتوزيع 10-20 القياسي، وتلتقط المناطق الرئيسية في الدماغ المرتبطة بـ ASD. تؤكد الدراسة على استخدام تحويل الموجات المنفصلة (DWT) لإزالة الضوضاء من إشارات EEG، مما يفصل بفعالية المكونات العابرة عن التذبذبات العصبية الأبطأ، وبالتالي يحافظ على سلامة المحتوى العصبي الفيزيولوجي. تُلاحظ هذه الطريقة لقدرتها على تحسين جودة بيانات EEG من خلال تقليل الضوضاء مع الحفاظ على خصائص الإشارة ذات الصلة، وهو أمر حاسم للتحليلات اللاحقة.
بعد عملية إزالة الضوضاء، يتم تقسيم بيانات EEG إلى نوافذ متداخلة، مما يسهل التقاط الديناميات الزمنية عبر دورات متعددة من إيقاعات EEG السائدة. ثم يتم إنشاء خرائط الحرارة حسب القناة والوقت كمدخلات لمختلف هياكل التعلم العميق، بما في ذلك النماذج الثقيلة والخفيفة. تستخدم الدراسة استراتيجية دمج على مستوى القرار لدمج المخرجات من هذه النماذج، مما يحسن أداء التصنيف للتمييز بين الأطفال المصابين بـ ASD والأطفال ذوي التطور الطبيعي. تؤكد النتائج على أهمية الصرامة المنهجية في تحليل EEG وإمكانية تقنيات التعلم العميق لتحسين دقة التشخيص في اكتشاف ASD.
DOI: https://doi.org/10.35882/jeeemi.v8i1.1377
Publication Date: 2026-01-31
Author(s): Melinda Melinda et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper presents a novel approach for classifying autism spectrum disorder (ASD) using electroencephalography (EEG) data. The proposed method integrates discrete wavelet transform (DWT) for denoising, transforms EEG signals into pseudo color heatmaps, and employs a deep learning pipeline that includes five ImageNet pretrained architectures fine-tuned under a unified training protocol. The study utilizes a heavy-light decision fusion strategy, combining a heavyweight model (ConvNeXt) with a lightweight model (ShuffleNet), achieving an impressive accuracy of approximately 99.56% and an F1 score of 99.53%. This fusion approach effectively reduces missed ASD detections without increasing false alarms, highlighting the complementary strengths of the models.
The findings indicate that the DWT and heatmap representation provide a robust, architecture-agnostic input for EEG classification. While the results are promising, the study acknowledges limitations, including the use of a small, single-site dataset and a focus on binary classification. Future research aims to validate the pipeline on larger, more diverse datasets, explore the incorporation of additional information into the image representation, and develop practical decision-making tools for clinical settings. Additionally, the generalizability of the heavy-light fusion strategy across different EEG recording paradigms and the potential for transfer learning from broader EEG datasets are identified as key areas for further investigation.
Introduction
The introduction of this research paper addresses the challenges associated with diagnosing autism spectrum disorder (ASD), a complex neurodevelopmental condition characterized by difficulties in social communication, behavior, and sensory processing. Current diagnostic practices primarily rely on subjective behavioral assessments, which can lead to inconsistencies and delays in identification, particularly in early childhood and resource-limited settings. To overcome these limitations, there is a growing interest in developing objective physiological markers, such as those derived from electroencephalography (EEG), which offers a noninvasive method to analyze brain dynamics. Recent studies indicate that EEG measures can effectively differentiate ASD from typically developing individuals and can be integrated into machine learning frameworks for enhanced diagnostic accuracy.
The paper highlights the importance of robust preprocessing techniques to address the inherent noise and variability in raw EEG signals, emphasizing wavelet-based denoising methods that preserve critical neurophysiological information. It also discusses the potential of converting EEG data into two-dimensional image representations, such as channel-by-time heatmaps, which facilitate the application of advanced deep learning models. The authors propose a novel pipeline that integrates wavelet denoising, non-spectral heatmap encoding, and a heavy-light decision fusion strategy, aiming to improve classification performance while mitigating issues related to data leakage and reliance on handcrafted features. The study promises to provide a comprehensive evaluation of these methodologies using a strictly subject-wise cross-validation approach, ultimately contributing to more reliable ASD classification techniques.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and any relevant specifications, to ensure reproducibility. The methodology encompasses the experimental setup, including the conditions under which experiments were conducted, the techniques employed for data collection, and the analytical methods utilized for data interpretation.
Additionally, the section may describe any statistical analyses performed to validate the findings, including the software used and the parameters set for significance testing. Overall, this section serves to provide a comprehensive overview of the research framework, enabling other researchers to replicate the study and verify its results.
Discussion
The discussion section of the research paper outlines the methodology and findings related to the analysis of EEG data from a cohort of 16 subjects, comprising 8 children with Autism Spectrum Disorder (ASD) and 8 typically developing controls. The dataset, sourced from King Abdulaziz University, includes recordings from 16 channels, adhering to the standard 10-20 montage, and captures key brain regions implicated in ASD. The study emphasizes the use of discrete wavelet transform (DWT) for denoising the EEG signals, which effectively separates transient components from slower neural oscillations, thereby preserving the integrity of the neurophysiological content. This approach is noted for its ability to enhance the quality of EEG data by reducing noise while maintaining relevant signal characteristics, which is critical for subsequent analyses.
Following the denoising process, the EEG data is segmented into overlapping windows, facilitating the capture of temporal dynamics across multiple cycles of dominant EEG rhythms. The resulting channel-by-time heatmaps are then generated for input into various deep learning architectures, including both heavyweight and lightweight models. The study employs a decision-level fusion strategy to combine outputs from these models, optimizing classification performance for distinguishing between ASD and typically developing children. The findings underscore the importance of methodological rigor in EEG analysis and the potential of deep learning techniques to improve diagnostic accuracy in ASD detection.