Detection of attention state in children with autism spectrum disorder based on neural network classification of electroencephalograms
Выявление состояния внимания у детей с расстройствами аутистического спектра на основе нейросетевой классификации электроэнцефалограмм
DOI:
https://doi.org/10.21638/spbu10.2025.107Аннотация
Расстройство аутистического спектра (РАС) — это неврологическое состояние, характеризующееся нарушениями социального взаимодействия. Такой диагноз имеет экономические и социальные последствия из-за его высокой распространенности и связанной с ним заболеваемости. Данные с датчиков электроэнцефалограммы (ЭЭГ) являются числовыми и служат входными для прогнозов на основе машинного обучения. Входные данные включают характеристики, извлеченные из сигналов ЭЭГ, такие как отношение тета/бета, тета/альфа и другие относительные показатели мощности, которые тесно связаны с когнитивным контролем и динамикой внимания. Эти данные организованы в сбалансированные классы «Внимание» и «Нет внимания», включающие в общей сложности 33 936 образцов. В настоящей статье предлагаются 12 взвешенных и средневзвешенных ансамблевых моделей для повышения точности прогнозирования сигналов внимания у людей с РАС. Для ансамблирования были разработаны и обучены с помощью различных оптимизаторов три многослойные архитектуры персептрона. Точность используемой ансамблевой модели из трех многослойных персептронов достигла 95.90 %. Полученные результаты могут способствовать развитию новых диагностических и образовательных подходов, а также послужить основой для будущих исследований, применяющих методы машинного обучения и создания инновационных технологий для тренировки внимания.
Ключевые слова:
электроэнцефалограмма, расстройство аутистического спектра, нейронная сеть, обработка электроэнцефалограмм, ансамблирование, многослойный линейный персептрон
Скачивания
Библиографические ссылки
References
Hodges H., Fealko C., Soares N. Autism spectrum disorder: Definition, epidemiology, causes, and clinical evaluation. Translational Pediatrics, 2020, vol. 9, iss. 1, pp. 55–65.
Al-Mazidi S. The physiology of cognition in Autism Spectrum Disorder: Current and future challenges. Cureus, 2023, vol. 15, iss. 10, art. no. e46581.
Kasari C., Brady N., Lord C., Tager-Flusberg H. Assessing the minimally verbal school-aged child with Autism Spectrum Disorder. Autism Research, 2013, vol. 6, iss. 6, pp. 479–493.
Kangarani-Farahani M., Malik M. A., Zwicker J. G. Motor impairments in children with Autism Spectrum Disorder: A systematic review and meta-analysis. Journal of Autism and Developmental Disorders, 2024, vol. 54, iss. 5, pp. 1977–1997.
Morie K. P., Jackson S., Zhai Z. W., Potenza M. N., Dritschel B. Mood disorders in high-functioning autism: The importance of alexithymia and emotional regulation. Journal of Autism and Developmental Disorders, 2019, vol. 49, iss. 7, pp. 2935–2945.
Amaral C., Mouga S., Sim oes M., Pereira H. C., Bernardino I., Quental H., Playle R., McNamara R., Oliveira G., Castelo-Branco M. A feasibility clinical trial to improve social attention in Autistic Spectrum Disorder (ASD) using a brain computer interface. Frontiers in Neuroscience, 2018, vol. 12, p. 477. https://doi.org/10.3389/fnins.2018.00477
Falck-Ytter T., Kleberg J. L., Portugal A. M., Thorup E. Social attention: Developmental foundations and relevance for Autism Spectrum Disorder. Biological Psychiatry, 2023, vol. 94, iss. 1, pp. 8–17.
Johnson M. H., Jones E. J. H., Gliga T. Brain adaptation and alternative developmental trajectories. Development and Psychopathology, 2015, vol. 27, iss. 2, pp. 425–442.
Gliga T., Jones E. J., Bedford R., Charman T., Johnson M. H. From early markers to neuro-developmental mechanisms of autism. Developmental Review, 2014, vol. 34, iss. 3, pp. 189–207.
Obukhov A. D., Korobova I. L., Nazarova A. O., Zaytseva D. V. Primeneniye mashinnogo obucheniya pri analise EEG dlya vyavleniya phobicheskoy reaktsii v virtualnoy real'nosty [Application of machine learning in EEG analysis to identify phobic reactions in virtual reality]. Informatcianno-upravlyauschie sistemy [Information and Control Systems], 2023, vol. 4, pp. 56–70. (In Russian)
Dorovskih I. V., Senko O. V., Chuchupal V. Ya., Dokukin A. A., Kuznetsova A. V. Issledovaniye vozmozhnosti diagnostiki dementsii po signalam EEG s pomoshch'yu metodov mashinnogo obucheniya [Research of the possibility of diagnosing dementia using EEG signals using machine learning methods]. Matematicheskaya biologiya i bioinformatika [The Mathematical Biology and Bioinformatics], 2019, vol. 14, iss. 2, pp. 543–553. (In Russian)
Cohen I. L., Schutte C., Hewitson L. PDDBI and ADOS-2 autism severity scores are correlated but yield discrepant levels of severity across assessment sites. Research in Autism Spectrum Disorders, 2023, vol. 107, art. no. 102206.
Bosl W. J., Tager-Flusberg H., Nelson C. A. EEG analytics for early detection of Autism Spectrum Disorder: A data-driven approach. Science Report, 2018, vol. 8, art. no. 6828. https://doi.org/10.1038/s41598-018-24318-x
Torres J. M. M., Medina-DeVilliers S., Clarkson T., Lerner M. D., Riccardi G. Evaluation of interpretability for deep learning algorithms in EEG emotion recognition: A case study in autism. Artificial Intelligence in Medicine, 2023, vol. 143, art. no. 102545.
Tregubov V. P., Egorova N. K. Postroyeniye mekhanicheskoy modeli levogo zheludochka serdtsa cheloveka v protsesse yego sokrashcheniya [Construction of a mechanical model of the left ventricle of the human heart during its contraction]. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2022, vol. 18, iss. 3, pp. 402–409. https:// doi.org/10.21638/11701/spbu10.2022.309 (In Russian)
Pantic J. P., Valjarevic S., Cumic J., Pantic I. AI-enhanced EEG signal interpretation: A novel approach using texture analysis with random forests. Medical Hypotheses, 2024, vol. 189, art. no. 111405.
Pyrzowski J., Kałas M., Mazurkiewicz-Beldzińska M., Siemiński M. EEG biomarkers for the prediction of post-traumatic epilepsy: A systematic review of an emerging field. Seizure: European Journal of Epilepsy, 2024, vol. 119, pp. 71–77.
Sarmukadam K., Bitsika V., Sharpley C. F., McMillan M. M., Agnew L. L. Comparing different EEG connectivity methods in young males with ASD. Behavioural Brain Research, 2020, vol. 383, art. no. 112482.
Esqueda-Elizondo J. J., Juárez-Ramírez R., López-Bonilla O. R., García-Guerrero E. E., Galindo-Aldana G. M, Jiménez-Beristáin L., Serrano-Trujillo A., Tlelo-Cuautle E., Inzunza-González E. Attention measurement of an Autism Spectrum Disorder user using EEG signals: A case study. Mathematical and Computational Applications, 2022, vol. 27, iss. 2, p. 21.
Patel M., Bhatt H., Munshi M., Pandya S., Jain S., Thakkar P., Yoon S. CNN-FEBAC: A framework for attention measurement of autistic individuals. Biomedical Signal Processing and Control, 2024, vol. 88, iss. C, art. no. 105018.
Nguyen V. H., Nguyen N. T. Combining dynamic and static host intrusion detection features using variational long short-term memory recurrent autoencoder. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2024, vol. 20, iss. 1, pp. 34–51. https://doi.org/10.21638/11701/spbu10.2024.104
Xu Y., Yu Z., Li Y., Liu Y., Li Y., Wang Y. Autism spectrum disorder diagnosis with EEG signals using time series maps of brain functional connectivity and a combined CNN — LSTM model. Computer Methods and Programs in Biomedicine, 2024, vol. 250, art. no. 108196.
Aglinskas A., Hartshorne J. K., Anzellotti S. Contrastive machine learning reveals the structure of neuroanatomical variation within autism. Science, 2022, vol. 376, pp. 1070–1074.
Kabir M. S., Kurkin S., Portnova G., Martynova O., Wang Z., Hramov A. Contrastive machine learning reveals in EEG resting-state network salient features specific to Autism Spectrum Disorder. Chaos, Solitons & Fractals, 2024, vol. 185, art. no. 115123.
Fouad I. A. A robust and reliable online P300-based BCI system using Emotiv EPOC+headset. Journal of Medical Engineering & Technology, 2021, vol. 45, iss. 2, pp. 94–114.
Fahimi F., Guan C., Goh W. B., Ang K. K., Lim C. G., Lee T. S. Personalized features for attention detection in children with Attention Deficit Hyperactivity Disorder. 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2017, pp. 414–417.
Wang T-S., Wang S-S., Wang C-L., Wong S-B. Theta/beta ratio in EEG correlated with attentional capacity assessed by Conners Continuous Performance Test in children with ADHD. Frontiers in Psychiatry, 2024, vol. 14, art. no. 1305397.
Angelidis A., Hagenaars M., van Son D., van der Does W., Putman P. Do not look away! Spontaneous frontal EEG theta/beta ratio as a marker for cognitive control over attention to mild and high threat. Biological Psychology, 2018, vol. 135, pp. 8–17.
Wang Y., Sokhadze E. M., El-Baz A. S., Li X., Sears L., Casanova M. F., Tasman A. Relative power of specific EEG bands and their ratios during neurofeedback training in children with Autism Spectrum Disorder. Frontiers in Human Neuroscience, 2016, vol. 9, iss. 723, art. no. 723. https://doi.org/10.3389/fnhum.2015.00723
Chen J., Xiao Y., Xu B., Zhang D. The developmental trajectory of task-related frontal EEG theta/beta ratio in childhood. Developmental Cognitive Neuroscience, 2023, vol. 60, art. no. 101233.
Sabry F. Feedforward neural networks: Fundamentals and applications for the architecture of thinking machines and neural webs. Artificial Intelligence. Vol. 3. Belmont, One Billion Knowledgeable Publ., 2023, 130 p.
Naitzat G., Zhitnikov A., Lim L.-H. Topology of deep neural networks. Journal of Machine Learning Research, 2020, vol. 21, pp. 1–40.
Kingma D. P., Ba J. L. Adam: A method for stochastic optimization. 3th International Conference on Learning Representations Proceedings, 2014, pp. 1–15.
Zaheer M., Reddi S. J., Sachan D., Kale S., Research G., Kumar S. Adaptive methods for nonconvex optimization. Advances in Neural Information Processing Systems, 2018, vol. 31, pp. 1–11.
Dubey S. R., Chakraborty S., Roy S. K., Mukherjee S., Singh S. K., Chaudhuri B. B. DiffGrad: An optimization method for convolutional neural networks. IEEE Transactions on Neural Networks and Learning Systems, 2020, vol. 31, iss. 11, pp. 4500–4511.
Khng K. H., Mane R. Beyond BCI — Validating a wireless, consumer-grade EEG headset against a medical-grade system for evaluating EEG effects of a test anxiety intervention in school. Advanced Engineering Informatics, 2020, vol. 45, art. no. 101106.
Sussner P., Campiotti I. Hyperconnectivity of social brain networks in autism during action-intention judgment. Extreme Learning Machine for a New Hybrid Morphological/Linear Perceptron, 2020, vol. 123, pp. 288–298.
Curteanu S., Cartwright H. Neural networks applied in chemistry. I. Determination of the optimal topology of multilayer perceptron neural networks. Journal of Chemometrics, 2011, vol. 25, iss. 10, pp. 527–549.
Chicco D., Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 2020, vol. 21, iss. 6, pp. 1–13.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Статьи журнала «Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Санкт-Петербургским государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
