ELEKTROENSEFALOGRAFİ VE ÇOK GİRİŞLİ EVRİŞİMSEL SİNİR AĞLARI İLE OTİZM SPEKTRUM BOZUKLUKLARININ TESPİTİNİN ARAŞTIRILMASI

Abstract

Otizm spektrum bozukluğu (OSB), erken çocukluk döneminde başlayan, sosyal iletişim ve etkileşimde eksiklikler, sınırlı ve tekrarlayan davranış ve ilgi kalıplarının varlığıyla karakterize edilen nörogelişimsel bir bozukluk olarak tanımlanmaktadır. Elektroensefalografi (EEG) ve çok girişli evrişimsel sinir ağları (ESA) kullanılarak otizm spektrum bozukluklarının (OSB) tespiti, son yıllarda nörobilim ve yapay zeka alanlarında önemli bir araştırma konusu haline gelmiştir. EEG, beynin elektriksel aktivitesini ölçerek nörolojik durumların analiz edilmesine olanak tanırken, ESA'lar karmaşık veri setlerinden anlamlı özellikler çıkarma yetenekleriyle dikkat çekmektedir. Bu yöntemlerin bir araya getirilmesi, OSB'nin erken teşhisi ve bireyselleştirilmiş tedavi yaklaşımlarının geliştirilmesi açısından umut vaat etmektedir. Bu çalışmada, çok girişli bir boyutlu Evrişimsel Sinir Ağı (ESA) modeli kullanarak EEG tabanlı yeni bir yaklaşım ortaya konmuştur. Çalışmada, 9'u normal 20'si OSB tanısı konmuş toplam 29 çocuğa ait veriler kullanılarak gerçekleştirilmiştir. Bu veri seti, King Abdulaziz Üniversitesi Hastanesi açık erişimli veri kaynaklarından elde edilmiştir. Deneysel çalışmalarda farklı EEG kanal kombinasyonları test edilmiş ve %80,36 ile %89,06 arasında değişen doğruluk değerleri elde edilmiştir. En yüksek doğruluk oranı olan %89,06, FZ, T3, C3, C4, CZ, PZ ve OZ kanallarının sisteme giriş olarak verildiği durumda elde edilmiştir. Bu kanallar, burun hizasından ense kemiğine uzanan orta hat üzerindeki ve kulaklar arasında başın üst kısmında yer alan elektrotlara karşılık gelmektedir.

Autism spectrum disorder (ASD) is defined as a neurodevelopmental disorder that begins in early childhood and is characterized by deficits in social communication and interaction, and the presence of limited and repetitive patterns of behavior and interest. Detection of autism spectrum disorders (ASD) using electroencephalography (EEG) and multi-input convolutional neural networks (CNNs) has become an important research topic in neuroscience and artificial intelligence in recent years. While EEG allows analyzing neurological conditions by measuring the electrical activity of the brain, ESAs are notable for their ability to extract meaningful features from complex data sets. Combining these methods holds promise for the early diagnosis of ASD and the development of individualized treatment approaches. In this study, we present a novel EEG-based approach using a multi-input one-dimensional Convolutional Neural Network (CNN) model. The study was conducted using data from a total of 29 children, 9 of whom were normal and 20 of whom were diagnosed with ASD. This dataset was obtained from King Abdulaziz University Hospital open access data sources. In experimental studies, various EEG channel combinations were tested, and accuracy values ranging from 80.36% to 89.06% were obtained. The highest accuracy rate, 89.06%, was achieved when the channels FZ, T3, C3, C4, CZ, PZ, and OZ were used as inputs to the system. These channels correspond to electrodes located along the midline from the nasal bridge to the occipital bone, as well as those positioned on the upper part of the head between the ears.