Un novedoso marco de aprendizaje de extremo a extremo basado en unidades residuales con compuertas optimizadas y capas preentrenadas apiladas para la detección de trastornos del espectro autista (TEA) Autores: Parameswaran Sarvalingam - Universiti Tun Hussein Onn Malaysia (MY) Ashok Vajravelu - Universiti Tun Hussein Onn Malaysia (MY) Janani Selvam - Lincoln University College (MY) Asmarashid Bin Ponniran - Universiti Tun Hussein Onn Malaysia (MY) Wan Suhaimizan Bin Wan Zaki - Universiti Tun Hussein Onn Malaysia (MY) Kathambari P - ABE Semiconductor Designs, LLP (IN) Resumen El trastorno del espectro autista (TEA) se caracteriza de manera detallada por un conjunto diverso de comportamientos neuronales y ha sido diagnosticado con creciente frecuencia en los últimos años. Estos TEA se desarrollan a partir de un aumento de la conectividad interna entre las unidades neuronales funcionales del cerebro. Dado que las características del autismo tienden a manifestarse a lo largo de meses o incluso años, existe una necesidad urgente de disponer de un sistema cognitivo para el diagnóstico precoz del TEA que permita superar sus complejidades neuronales mediante una predicción precisa. El electroencefalograma (EEG) es una técnica común para analizar la actividad eléctrica del cerebro y se utiliza ampliamente como herramienta principal para recopilar información neuronal. La reciente combinación del EEG y la inteligencia artificial (IA) ha aportado perspectivas muy prometedoras para la predicción temprana del TEA, aunque la sobrecarga computacional sigue constituyendo un obstáculo para alcanzar el máximo rendimiento. En este artículo de investigación se propone un novedoso marco de aprendizaje profundo compuesto por una combinación híbrida de múltiples niveles de modelos convolucionales preentrenados y unidades recurrentes residuales con compuertas, cuyos hiperparámetros se ajustan mediante la optimización caótica de enjambre de gatos. En una primera etapa, las señales EEG se recopilan y se transforman en espectrogramas bidimensionales (2D), seguidos de un preprocesamiento y una ingeniería de características mediante modelos preentrenados apilados multiescala. Finalmente, las unidades residuales con compuertas se integran para extraer características temporales, que se utilizan para entrenar las redes de clasificación optimizadas. El modelo propuesto se validó utilizando señales EEG extraídas de 43 sujetos. Se midieron parámetros de rendimiento como la exactitud, la precisión, la sensibilidad y la puntuación F1, y posteriormente se compararon con otros modelos de aprendizaje de última generación. La exactitud de detección fue del 98,5 %, la precisión del 98,2 %, la sensibilidad del 98 % y la puntuación F1 del 98 % para los sujetos EEG en tiempo real. Además, se demostró estadísticamente la estabilidad del modelo al trabajar con conjuntos de datos EEG no lineales.