EEG-Based Autism Detection Using Multi-Input 1D Convolutional Neural Networks
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) is a complex condition affecting children and characterized by challenges in social interaction, communication, and behavior.Typically, evident before the age of three, ASD severity varies.Diagnosis involves a thorough assessment by a multidisciplinary team using criteria from the Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition (DSM-5), a comprehensive guide for mental health conditions, including ASD.This study focuses on employing deep learning techniques and electroencephalogram (EEG) signals for ASD detection.A unique approach is introduced, utilizing a multi-input 1D Convolutional Neural Network (CNN) framework.EEG signals undergo processing, and data augmentation using sliding windows precedes input into the multi-input 1D CNN model.This model incorporates various layers, including 1D convolutional layers, batch normalization, ReLU activation, and a fully connected layer.Experiments utilize EEG data from King Abdulaziz University Hospital, and the method's effectiveness is evaluated using diverse performance metrics.The experimental work is structured into three sections.The initial experiment focuses on specific EEG channels (FP1, FP2, F7, F3, Fz, F4, and F8), achieving a remarkable accuracy of 99.16%.Expanding the investigation to central and temporal EEG channels (C4, Cz, C3, T5, and Pz) yields an accuracy of 98.32%.In the final experiment involving occipital channels (O1, Oz, O2), an accuracy of 97.65% is achieved.Comparative analyses with existing methods consistently demonstrate the superior performance of our proposed approach.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».