Autism Classification and Identification of Significant Brain Lobe Using Cepstral Coefficients
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder characterized by restricted, repetitive behaviors and impaired social interaction.Currently, the identification of individuals with ASD largely relies on subjective assessments, presenting a challenge for researchers to distinguish between Typically Developing (TD) children and those with ASD.This study analyzes EEG data from 10 children with ASD and 10 TD children in response to an audio-video stimulus.Two separate analyses were performed on EEG frequency bands within the range of 0-70 Hz and specific frequency bands of 8-30 Hz, aiming to identify the brain lobe region that yields the most significant discrimination between ASD and TD.Parameters such as Linear Frequency Cepstral Coefficients (LFCC), Cepstral energy, signal energy, delta, and delta-delta derivatives were utilized for the analysis.The study deployed classification techniques including K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP), Decision Tree, Support Vector Machine (SVM), Bagging KNN, and Random Forest (RF).The results indicated that KNN surpassed all other classification models for frequency bands within the range of 0-70Hz, achieving a discriminating accuracy of 98.3% for ASD and TD in the central lobe region (C3, C4, Cz).However, KNN did not yield a significant level of accuracy when applied to a specific frequency band; it was improved by employing Bagging KNN, reaching 93.8% in the central lobe region (C3, C4, Cz).The electrode combination in the central lobe (C3, C4, and Cz) demonstrated superior discrimination between TD and ASD compared to other brain lobes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».