شناسايي تغيير الگوي ديناميك EEG در اختلال طيف اوتيسم مبتني بر فضاي قبض و بسط سيگنال

Detection of EEG Dynamic Pattern Variations based on Stretching-Folding Space Transportation (SFST) in Autism Spectrum Disorder

اختلال اوتيسم يا درخودماندگي ذهني يكي از اختلالات رايج بين كودكان است كه با وجود تلاش‌هاي بسيار، هنوز هم تشخيص دقيق آن با روش‌هاي پاراكلينيكي ممكن نيست، از طرف ديگر، تشخيص زودهنگام اين اختلال قبل از 18 ماهگي نقش به‌سزايي در اثر بخشي روش‌هاي درماني بر اين كودكان دارد. در اين تحقيق، فضاي جديدي براي كمي‌سازي كيفيت تعاملات مغزي ارايه شده است كه آن را فضاي قبض و بسط (SFS) مي ناميم، اين فضا مبتني بر نگرش سيبرنتيك، كل نگر و اطلاعاتي به سيگنال است. پس از انتقال سيگنال الكتروانسفالوگراف (EEG) به SFS براي 60 كودك نرمال و 60 كودك درخودمانده‌ي ذهني در رنج سني 3 تا 10 سال، با توجه به نگرش سيبرنتيك، در استخراج ويژگي نيز هر كودك با خودش در دو وضعيت مشاهده‌ي انيميشن با صدا و بدون صدا مقايسه گرديده است و تفاوت تفاوت‌ها مورد بررسي قرار گرفته است. نتايج اعمال آزمون‌هاي آماري حاكي از معناداري بسيار زياد (P-Value=1.4E-4) ويژگي‌هاي كيفي استخراج شده در تشخيص تغيير الگوي سالم و درخودمانده‌ي ذهني است.

Autism spectrum disorder (ASD) is a common disorder among children which despite painstakingly effort, it is not yet possible to be precisely detected using paraclinical methods. On the other hand, early detection, before 18th month, has pivotal role in treatment procedure. In this study, we present a method for early diagnosis of ASD based on the qualitative analysis of the Electroencephalogram (EEG) signal. We develop a new domain for quantifying the quality of interaction is present. We name it ʹstretching – folding space’ (SFS). This domain is based on cybernetics, holistic and information-based analysis approaches. Therefore, it provides a non-deterministic approach to the biosignals. We collected data from 60 normal and 60 children with ASD in the range of 3-10 years old. We extracted features from the data in the SFS domain. The design of the study is self-controlled, meaning that each child serves as his/her own control. Each subject in the study watched a cartoon with and without sound, and the EEG signals were recorded. Statistical tests are applied on the extracted qualitative features in the SFS domain. The difference between the features of the data for each group (normal and ASD) was extracted, and the difference were compared between the groups. The results indicate that there is a statistically significant difference between the SFS features of normal and autism children. We conclude that our proposed method can serve as a new signal processing tool for diagnosing autism.