Electronic Theses and Dissertation

Autism Spectrum Disorder (ASD) umumnya didiagnosis melalui penilaian klinis berbasis perilaku yang memerlukan waktu lama dan bersifat subjektif, sehingga mendorong pengembangan pendekatan skrining berbasis EEG yang lebih objektif. Penelitian ini mengusulkan Token-Shared Transformer Network (TSTNet) yang efisien terhadap parameter untuk klasifikasi ASD pada kondisi jumlah sampel yang terbatas. Rekaman EEG dikumpulkan dari 18 partisipan (9 ASD dan 9 kontrol neurotipikal) menggunakan sistem 16 channel dengan frekuensi sampling 250 Hz, lalu dipraproses menggunakan penyaringan band-pass Butterworth (0,5–45 Hz), Common Average Referencing (CAR), dan Multiscale Independent Component Analysis (MSICA), kemudian dibagi ke dalam jendela berdurasi 4 detik dengan overlap 50%. Dua jenis representasi dievaluasi: (i) himpunan fitur neurofisiologis multidomain berdimensi 42 yang mengintegrasikan deskriptor spektral, aperiodik, kompleksitas, dan konektivitas fungsional; serta (ii) segmen EEG berbasis jendela untuk pembelajaran end-to-end. Dengan menggunakan 9-fold subject-wise cross-validation, TSTNet mencapai rata-rata akurasi uji sebesar 99,65% (feature-based) dan 98,31% (window-based), dengan sensitivitas dan spesifisitas yang secara konsisten tinggi. Uji Wilcoxon signed-rank terhadap akurasi berpasangan pada 9 fold mengonfirmasi adanya keunggulan signifikan pada skema berbasis fitur (W = 0, p = 0,0039). Model berbasis fitur juga memerlukan ukuran model yang lebih kecil (1,3 MB) dibandingkan model berbasis window (1,9 MB), yang menunjukkan tingkat keterterapan yang lebih baik untuk implementasi. Secara keseluruhan, perhatian berbagi token yang dipadukan dengan fitur EEG yang berlandaskan biologis memberikan kerangka kerja yang akurat, interpretatif, dan efisien secara komputasional untuk skrining ASD berbasis EEG.

Autism Spectrum Disorder (ASD) is typically diagnosed through behavior-based clinical assessments that are time-consuming and subjective, motivating the development of objective EEG-based screening approaches. This study proposes a parameter-efficient Token-Shared Transformer Network (TSTNet) for ASD classification under limited-sample conditions. EEG recordings were collected from 18 participants (9 ASD and 9 neurotypical controls) using a 16-channel system at 250 Hz, and preprocessed using Butterworth band-pass filtering (0.5–45 Hz), Common Average Referencing (CAR), and Multiscale Independent Component Analysis (MSICA), followed by 4-second windowing with 50% overlap. Two representations were evaluated: (i) a 42-dimensional multidomain neurophysiological feature set integrating spectral, aperiodic, complexity, and functional connectivity descriptors, and (ii) window-based EEG segments for end-to-end learning. Using 9-fold subject-wise cross-validation, TSTNet achieved mean test accuracies of 99.65% (feature-based) and 98.31% (window-based), with consistently high sensitivity and specificity. A Wilcoxon signed-rank test on paired 9-fold accuracies confirmed a significant advantage for the feature-based scheme (W = 0, p = 0.0039). The feature-based model also required a smaller model size (1.3 MB) than the window-based model (1.9 MB), indicating improved deployability. Overall, token-shared attention combined with biologically grounded EEG features provides an accurate, interpretable, and computationally efficient framework for EEG-based ASD screening.