نوقشت اطروحة الدكتوراه للباحثة اكرام حسن جابر في كلية الهندسة جامعة البصرة قسم الهندسة الكهربائية وتحت اشراف الاستاذ الدكتور عمار عبد الشهيد عبد الحميد والاستاذ الدكتور علي فاضل مرهون بعنوان تصميم تقنيات ذكية لتشخيص اضطراب طيف التوحد

الخلاصة
          على الرغم من التقدم الكبير في أنظمة التشخيص القائمة على تخطيط كهربية الدماغ (EEG)، لا يزال التشخيص الدقيق لاضطراب طيف التوحد (ASD) يمثل تحديًا نظرًا لطبيعة إشارات EEG غير الخطية وغير الثابتة وعالية الأبعاد. غالبًا ما تعجز مصنفات التعلم الآلي التقليدية عن نمذجة العلاقات غير الخطية المعقدة الموجودة في خصائص EEG. تقدم هذه الأطروحة مجموعة من الأطر الجديدة القائمة على تشابه كولتشينسكي (KS) لتشخيص اضطراب طيف التوحد باستخدام EEG، وتعالج مشكلتي التصنيف واختيار الخصائص. يقدم الإطار الأول مصنفًا لـ EEG قائمًا على التشابه، يستغل العلاقات التمييزية المضمنة في تمثيلات خصائص EEG. يقوم المصنف المقترح القائم على تشابه كولتشينسكي بتقسيم إشارات EEG إلى أحجام كتل متفاوتة: صغيرة (2-5 عينات)، ومتوسطة (6-10 عينات)، وكبيرة (11-15 عينة)، وكاملة الطول، وذلك لتحسين التقاط الأنماط الزمنية الموضعية المرتبطة بخصائص اضطراب طيف التوحد. علاوة على ذلك، تم دمج خوارزمية تحسين سرب الجسيمات (PSO) القياسية مع مصنف KS لتقليل مساحة البحث عن الميزات من 47 إلى 30، مما أدى إلى تحسين الكفاءة الحسابية ورفع أداء التصنيف. تم تقييم هذا النهج على مجموعة بيانات تخطيط كهربية الدماغ (EEG) المتاحة للعموم من جامعة شيفيلد، حيث حقق دقة بلغت 99.28% باستخدام PSO مقارنةً بـ 98.27% بدونها، وهو ما يمثل انخفاضًا بنسبة 36.17% في مساحة الميزات، وتقليل متوسط ​​وقت التنفيذ لكل عينة من 1.33 مللي ثانية إلى 1.09 مللي ثانية.
          لمزيد من معالجة تحديات تكرار الميزات وتعدد أبعادها، تم تطوير إطار عمل ثانٍ قائم على مقياس KS لاختيار الميزات الحتمي. يصنف هذا الإطار الميزات وفقًا لتشابهها، مع الاحتفاظ بالميزات ذات التوافق العالي الأكثر صلة بالتشخيص، واستبعاد الأبعاد غير المساهمة. لتقييم فعالية إطار عمل KS، تمت مقارنة ثلاث تكوينات: مجموعة ميزات تخطيط الدماغ الكهربائي الكاملة، والميزات المختارة باستخدام خوارزمية تحسين سرب الجسيمات القياسية (PSO)، والميزات المختارة باستخدام طريقة KS المقترحة. في حين احتفظت خوارزمية PSO بـ 30 ميزة من أصل 47 (بنسبة اختيار 63.83% ونسبة تقليل 36.17%)، حققت KS مجموعة فرعية أكثر إحكامًا تضم ​​28 ميزة (بنسبة اختيار 59.57% ونسبة تقليل 40.43%)، محققةً بذلك تحسنًا إضافيًا بنسبة 4.26% في كلٍ من نسبتي الاختيار والتقليل مقارنةً بخوارزمية PSO. على الرغم من استخدام مدخلات أقل، قدمت KS أداءً أعلى باستمرار عبر خمسة مصنفات. وقد حققت خوارزمية أقرب جار (KNN) أفضل دقة بنسبة 99.20%.
 
لتقييم مدى متانة وقدرة المنهجيات المقترحة على التعميم، جرى التحقق من صحة كلا الإطارين باستخدام مجموعة بيانات مستقلة لإشارات تخطيط كهربية الدماغ (EEG) تم جمعها في جامعة الملك عبد العزيز (KAU)، وذلك بعد تطبيق تقنيات متقدمة للمعالجة الأولية. حقق مصنف KS دقة بلغت 96.78% باستخدام المجموعة الكاملة المكونة من 288 ميزة لتخطيط الدماغ الكهربائي. بعد اختيار الميزات باستخدام خوارزمية KS، تم تقليص مساحة الميزات إلى 86 ميزة، ما يمثل انخفاضًا في الأبعاد بنسبة 70.14%، متفوقًا بذلك على خوارزمية PSO القياسية (التي احتفظت بـ 145 ميزة من أصل 288). وقد حققت مجموعة الميزات الناتجة أداءً تصنيفيًا فائقًا، حيث بلغت دقة التصنيف القصوى 99.74% باستخدام خوارزمية XGBoost. تُظهر النتائج التجريبية أن التعلم القائم على التشابه يوفر آلية فعالة لالتقاط خصائص تخطيط الدماغ الكهربائي (EEG) المرتبطة باضطراب طيف التوحد (ASD) بدقة عالية، وزمن استجابة منخفض، ومتطلبات حسابية ضئيلة. وبالتالي، يدعم ذلك أنظمة التشخيص في الوقت الفعلي وأنظمة اتخاذ القرارات السريرية المعتمدة على الحوسبة الضبابية والسحابية لتحليل تخطيط الدماغ الكهربائي بكفاءة في الكشف المبكر عن اضطراب طيف التوحد وتحسين رعاية المرضى.