Nörofizyolojik ve Yapay Zeka Uygulamaları için Çok Modlu Bir Veri Kümesi

Dikkatini toplamakta zorlanan çocuklar için bunun önemi

Birçok aile, öğretmen ve klinisyen, bir çocuğun huzursuzluğu veya dalgınlığının günlük hayatın bir parçası mı yoksa Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB) belirtisi mi olduğunu ayırt etmenin ne kadar zor olduğunu bilir. Bugünün tanıları hâlâ çoğunlukla görüşmelere ve anketlere dayanıyor; bunlar hafıza, beklentiler veya stres tarafından etkilenebilir. Bu çalışma, çocukların ve gençlerin dikkat odaklı oyunlar oynarken toplanan geniş, açık bir beyin ve vücut ölçümü koleksiyonu olan BALLADEER DEHB Veri Kümesini tanıtıyor. Araştırmacıların DEHB’yi anlamak ve saptamak için daha nesnel araçlar geliştirmesine yardımcı olmak üzere tasarlandı — üstelik şeffaf ve dünya çapında paylaşılabilir bir biçimde.

Sınıf davranışından beyin ve beden sinyallerine

DEHB, okul çağındaki her yirmi çocuktan yaklaşık birini etkiler; dikkati nasıl verdiklerini, dürtüleri nasıl kontrol ettiklerini ve aktivite düzeylerini nasıl yönettiklerini şekillendirir. Belirtileri diğer durumlarla örtüştüğü için tanı koymak zor olabilir. Son birkaç on yılda, bilim insanları daha açık biyolojik ipuçları aramak için beyin kayıtları ve diğer vücut sinyallerine yöneldi. Deri üzerindeki elektriksel aktiviteyi gösteren EEG dikkatle ilişkili desenleri ortaya çıkarabilir; göz takibi, çocuğun önemli ayrıntılara nerede ve ne zaman baktığını gösterir; cilt iletkenliği ve kalp ritmindeki değişiklikler stres ve uyanıklığı yansıtır. Ancak önceki çalışmaların çoğu küçük, özel veri kümeleri kullandı ve bunlar serbestçe doğrulanıp yeniden kullanılamadı. Sonuç olarak, ümit vaat eden birçok bulgu kapsamlı şekilde test edilemedi veya güvenilir, günlük araçlara dönüşemedi.

Dikkat üzerine zengin, paylaşılan bir tablo oluşturmak

BUNU değiştirmek için BALLADEER projesi çok modlu bir veri kümesi — yani birkaç kaynaktan aynı anda alınan koordine ölçümler seti — topladı. Ekip, 6 ile 18 yaşları arasındaki 164 çocuk ve ergenin verilerini kaydetti; bunların 62’sinde DEHB tanısı, 102’sinde tanı yoktu. İki gün boyunca yayılan oturumlar sırasında katılımcılar, iyi bilinen kağıt-kalem testleri ile bilgisayar tabanlı ve sanal gerçeklik görevlerinden oluşan bir batarya tamamladılar; bu görevler günlük dikkat zorluklarını taklit ediyordu. Oyun oynayıp problemleri çözerken, araştırmacılar EEG başlıklarıyla beyin elektrik aktivitesini, monitör altına monte edilmiş bir göz izleme çubuğuyla göz hareketlerini ve bileğe takılan bir cihazla kalp hızı ve cilt iletkenliği gibi sinyalleri kaydetti. Tüm bunlar ekranda olanları saniye saniye ayrıntılı günlüklerle eşleştirildi.

Testten çok oyun gibi hissettiren dikkat oyunları

Veri toplama sürecini ilgi çekici ve çocuk dostu kılmak için ekip oyun benzeri görevler tasarladı. "Attention Slackline"da çocuklar iki dağdaki bayrakları izler ve desenler eşleştiğinde bir düğmeye basar; beyin dalgaları, bakışları ve kalp sinyalleri kesintisiz olarak kaydedilir. "Attention Robots"ta çizgi film robot dizilerini tararlar ve yalnızca belirli özelliklere sahip olanları seçerler; sistem tam olarak hangi robota baktıklarını kaydeder. Ticari bir platform olan CogniFit, algı, koordinasyon ve problem çözmeyi ölçen çeşitli kısa egzersizler sunar; Nesplora adlı bir sanal gerçeklik sistemi ise çocukları simüle sınıf veya akvaryuma yerleştirerek gerçekçi dikkat dağıtıcılar arasında talimatları ne kadar iyi takip ettiklerini ölçer. Bu görevlerin tümü, DEHB’li kişilerde sıklıkla zorlayıcı olan sürdürülmüş dikkat, dürtü kontrolü ve zihinsel esneklik gibi becerileri hedeflemeyi amaçlar.

Verilerin nasıl alındığı ve düzenlendiği

Perde arkasında, araştırmacılar her cihazın senkronize kalmasını sağlamak için özel bir yazılım ve donanım düzeni kurdu. Merkezi bir Python tabanlı sunucu, oyun seviyesi başladığında ve bittiğinde EEG başlıklarında ve bilekliklerde kaydı aynı anda başlatıp durduruyor. Oyunlar, bir çocuk yanıt verdiğinde veya ekranda önemli bir olay belirdiğinde zaman damgalı mesajlar gönderiyor. Tüm ham sinyaller ve olay günlükleri güvenli bir ağ sürücüsünde CSV ve JSON gibi basit, yaygın kullanılan formatlarda saklanıyor. Paylaşılan yapı, anonim kullanıcı kimliğine, göreve, tarihe ve cihaz türüne göre adlandırılmış klasörler ile her katılımcının yaşını, cinsiyetini ve DEHB durumunu kişisel kimlikleri açığa vurmadan tanımlayan dosyaları içeriyor. Yazarlar kasıtlı olarak yoğun ön işlemden kaçındı; böylece diğer bilim insanları kendi temizleme yöntemlerini ve analiz tekniklerini uygulayabilir.

Güçlü yanlar, sınırlamalar ve sonraki adımlar

BALLADEER veri kümesi, aynı anda toplanan birkaç ölçüm türünü nispeten büyük bir genç katılımcı grubunda birleştirmesi ve tamamen indirilebilir, analiz edilebilir olmasıyla öne çıkıyor. Bu, DEHB ile ilişkili desenleri tespit etmeye veya klinik yargıya ek olabilecek yeni dijital “biyobelirteçler” keşfetmeye çalışan yeni yapay zeka yöntemleri için değerli bir test alanı yaratıyor. Aynı zamanda yazarlar sınırlarını da açıkça belirtiyor: örneklem tek bir bölgeden geliyor, DEHB alt tipleri sistematik olarak etiketlenmemiş ve boyut çok büyük derin öğrenme modellerini eğitmek için hâlâ sınırlı. Bazı kayıtlar hareket kaynaklı gürültü içeriyor ve ayrı bir dinlenme durumu yok. Ekip bu sorunları gizlemek yerine belgeliyor, böylece kullanıcılar dikkatli analizler tasarlayabiliyor.

Aileler ve gelecekteki bakım için bunun anlamı

Günlük düzeyde bu veri kümesi tek başına hiçbir çocuğu teşhis etmez. Bunun yerine araştırmacılara, dikkat güçlüklerinin gerçekçi görevler sırasında beyin, göz ve beden üzerinde nasıl ortaya çıktığını incelemek için güçlü, paylaşılan bir mikroskop sunuyor. Zaman içinde BALLADEER temelli çalışmalar, klinisyenlerin kontrol listeleri ve sezgilere ek olarak nesnel, veri odaklı ölçümler eklemelerine yardımcı olabilir. Bu da DEHB’nin daha erken, daha doğru tanımlanmasına, çocukların tedaviye yanıtlarının daha iyi izlenmesine ve okullarda ve kliniklerde daha adil kararlara yol açabilir. Oyun benzeri aktiviteleri hassas ölçümlere dönüştürüp bu verileri açıkça paylaşarak, çalışma dikkati toplamakta zorlanan çocuklar için bilim temelli yeni bir destek nesli için zemin hazırlıyor.

Atıf: Trujillo, J., Ferrer-Cascales, R., Teruel, M.A. et al. A Multimodal Dataset for Neurophysiological and AI Applications. Sci Data 13, 436 (2026). https://doi.org/10.1038/s41597-026-06758-7

Anahtar kelimeler: Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB), EEG, göz takibi, fizyolojik sinyaller, makine öğrenimi