What question did this study set out to answer?

Desenvolver um sistema eficiente em termos de energia para detectar transtorno do espectro do autismo usando sinais de EEG na primeira infância.

February 2, 2026Open Access

Detecção de Transtorno do Espectro do Autismo Baseada em EEG com Eficiência Energética Usando uma Rede Neural de Atenção Hiperbólica

Key Points

Desenvolver um sistema eficiente em termos de energia para detectar transtorno do espectro do autismo usando sinais de EEG na primeira infância.
Implementado um esquema baseado em sensores e consciente da energia para a detecção do TEA.
Utilizado modelos de sinal caótico para remoção de ruído do sinal.
Aplicado transformador de wavelet discreto de árvore dupla para extração de características.
Empregado otimização de papagaio para seleção leve de características.
Criada uma Rede Neural Baseada em Atenção Hiperbólica Cross-Head para aprendizado reversível profundo.
Alcançada precisão de classificação de 99,92%.
Obtido recall de 99,91% e pontuação F1 de 99,90%.
Reduzido significativamente o consumo de energia para transmissão de dados.

Abstract

RESUMO O monitoramento fisiológico a longo prazo usando sistemas sem fio wearables representa uma mudança de paradigma nas aplicações de e-saúde de próxima geração. Especificamente, a eletroencefalografia (EEG) representa um método não invasivo e confiável para registrar a atividade cerebral e é um candidato provável para o diagnóstico precoce do transtorno do espectro do autismo (TEA). No entanto, os métodos convencionais que envolvem a transmissão de sinais de EEG brutos para servidores externos para classificação consomem energia significativa e reduzem drasticamente a vida operacional dos sensores wearables. Em resposta a essas lacunas, esta pesquisa introduziu um esquema baseado em sensores e consciente da energia para a detecção de TEA durante a primeira infância a partir de sinais de EEG. O sistema explora a remoção de ruído do sinal no nó via modelos de sinal caótico, a extração de características pelo transformador de wavelet discreto de árvore dupla (DT-DWT) e a seleção leve de características pela otimização de papagaio (PO). A detecção central é executada por meio de uma nova Rede Neural Baseada em Atenção Hiperbólica Cross-Head (HyperCrossNet) que propõe um aprendizado reversível profundo em conjunto com mecanismos de atenção orientados para o espaço e para o canal. Os pesos da rede são então otimizados pelo Algoritmo de Otimização do Rei Pardo (PKO) para uma melhoria na precisão. Os resultados experimentais indicam 99,92% de classificação, 99,91% de recall e uma pontuação F1 de 99,90%, sem mencionar que a quantidade de energia usada para transmitir os dados brutos foi consideravelmente reduzida. Este design eficaz possibilita a detecção wearables em tempo real, útil e aplicável ao monitoramento a longo prazo.

Detecção de Transtorno do Espectro do Autismo Baseada em EEG com Eficiência Energética Usando uma Rede Neural de Atenção Hiperbólica

Key Points

Abstract

Cite This Study