Doğru EEG tabanlı nörolojik değerlendirme için meta-sezgilerle optimize edilen hibrit bulanık makine öğrenimi modelleri

Beyin Dalgalarını Dinlemek

Bir kişi epilepsi geçiriyorsa veya derin bir komaya girerse, doktorlar genellikle neler olduğunu anlamak için elektroensefalogramlara (EEG) — beynin elektriksel aktivitesinin kayıtlarına — başvurur. Ancak bu hassas dalgalanmaları gözle okumak yavaş, özneldir ve büyük ölçüde uzman yargısına bağlıdır. Bu makale, nöbet tespiti ve koma değerlendirmesi için EEG desenlerini yorumlamayı öğrenen otomatik, son derece doğru bir sistem sunuyor; her saniyenin önem taşıdığı durumlarda hastalara daha hızlı ve daha tutarlı yardım vaat ediyor.

Beyin Sinyallerinin Okunmasının Neden Zor Olduğu

EEG, cerrahi müdahale olmadan beyin aktivitesini izlemek için yüzyıldır kullanılmaktadır. Epileptik nöbetleri tespit etmek ve bir koma hastasının gerçekten ne kadar bilinçli olduğunu ölçmek için hayati önemdedir. Yine de ham EEG sinyalleri karmaşıktır: kas hareketlerinden, elektriksel girişimden ve kişiler arasındaki doğal değişkenlikten kaynaklanan gürültü içerir. Normal beyin aktivitesi, tümörlü bölgeler ve nöbet olayları arasındaki ince farklar bu kargaşa içinde gömülü kalabilir. Doktorlar şu anda bu izleri taramak için uzun saatler harcıyor ve dünyanın birçok yerinde yeterli uzman yok; bu da nöbetlerin kaçırılmasına ve komanın derinliğinin yanlış değerlendirilmesine yol açabiliyor. Yazarlar, bu yükün büyük bir kısmını kaos içinde güvenilir desenleri seçebilen akıllı yazılıma devretmeyi hedefliyor.

Karmaşık Beyin Dalgalarını Sadeleştirmek

Sistem, EEG sinyallerini temizleyip parçalayarak başlıyor. Gürültüyü filtreliyor, ardından her kayıt penceresinden çok sayıda özellik ölçüyor: ortalama düzey ve değişkenlik gibi basit istatistikler, sinyal gücünün delta, teta, alfa ve beta gibi farklı frekans bantlarına nasıl dağıldığı ve sinyalin ne kadar öngörülemez olduğunu yakalayan entropiler gibi daha gelişmiş "düzensizlik" ölçümleri. Bu çok sayıda ölçüm, beynin her anına ilişkin yüksek boyutlu bir betim oluşturuyor. İşlemi yönetilebilir kılmak için yazarlar, onlarca sayıyı en iyi şekilde ayıran bilgiyi koruyarak matematiksel olarak sıkıştıran bir özellik indirgeme aşaması sunuyor.

Sınıflandırıcının Doğadan Esinlenmiş Ayarı

Bu sıkıştırma adımını ve ardından gelen sınıflandırıcıyı tasarlamak için araştırmacılar doğadan esinlenen fikirler ödünç alıyor. "Su döngüsü" algoritması, akarsuların nehre ve denize akışını taklit ederek özellikleri birleştirmenin birçok alternatif yolunu keşfediyor; benzer EEG desenlerini sıkı kümelerde tutarken farklı desenleri birbirinden daha uzaklaştıran çözümleri koruyor. Paralel olarak, "deniz yıldızı" optimizasyon algoritması, deniz yıldızlarının hareket ve uyum sağlama biçimini taklit ederek sanal sürüler kullanıp karar sisteminin iç ayarlarını ince ince ayarlıyor. DT‑FIS adını taşıyan bu karar sistemi, veriyi dallara ayıran bir karar ağacını (decision tree) bulanık mantıkla harmanlıyor; bulanık mantık sert keskin eşiklerin yerine yumuşak, kademeli sınırlar tanımlanmasına izin veriyor. Bu bileşenler birlikte, modeli beyin sinyallerindeki belirsizlik ve inceliği işleyebilecek şekilde güçlendiriyor; böylece çok erken dönemde kaba evet/hayır kararları zorlanmıyor.

Nöbetleri ve Bilinç Düzeylerini Ayırmak

Yazarlar çerçevelerini iki zorlu görev üzerinde test ediyor. Birincisi, Amerikan Üniversitesi Beyrut Tıp Merkezi'nden alınan EEG kayıtlarını kullanarak sistem, birkaç nöbet tipi ile sakin, nöbetsiz dönemleri ayırt etmek zorunda. İkincisi, yoğun bakım ünitelerinden alınan ayrı bir veri kümesiyle, hastalar hem dinlenme hem de hemşire ve aile ile uyarım aşamalarından geçerken yaygın olarak kullanılan Glasgow Koma Skalası'na göre koma hastalarının ne kadar bilinçli olduğunu tahmin etmesi isteniyor. Eğitimin ardından hibrit modeller çarpıcı performans gösteriyor: derin koma seviyelerini tanımada yaklaşık %99 doğruluk ve nöbet ile nöbetsiz durumları ayırt etmede benzer puanlar elde ederek, daha az özellik kullanırken birçok güncel derin öğrenme yaklaşımını geride bırakıyor ve daha yorumlanabilir kalıyor.

Hastalar İçin Anlamı

Basitçe söylemek gerekirse, çalışma özenle seçilmiş EEG ölçümlerinin, akıllı boyut indirgeme yöntemlerinin ve doğadan esinlenmiş bulanık karar kurallarının bir araya gelmesinin neredeyse "her zaman doğru" bir otomatik beyin dalgası okuyucusu ortaya koyabileceğini gösteriyor. Bu tür sistemler yatak başı monitörde veya taşınabilir donanımda çalışarak nöbetleri saniyeler içinde işaretleyebilir ve personele hastanın gerçekten ne kadar uyanık veya habersiz olduğuna dair nesnel bir ikinci görüş sağlayabilir. Modellerin daha büyük ve daha çeşitli popülasyonlarda doğrulanmaya ihtiyacı olsa da, çalışma sürekli, güvenilir beyin izlemenin kaynakları sınırlı hastanelerde bile erişilebilir olduğu bir geleceğe işaret ediyor; bu da tehlikeli olayların erken yakalanmasını ve tedavi kararlarının sağlam, verilere dayalı içgörülerle verilmesini sağlamaya yardımcı olur.

Atıf: Lak, M., Jamali, J., Adlband, N. et al. Hybrid fuzzy machine learning models optimized with meta-heuristics for accurate EEG-based neurological assessment. Sci Rep 16, 11888 (2026). https://doi.org/10.1038/s41598-026-35669-1

Anahtar kelimeler: EEG, epileptik nöbetler, koma değerlendirmesi, bulanık makine öğrenimi, nörolojik izleme