Epileptik nöbet taksonomisinde elektroensefalogram kaynaklı nörolojik işleme yönelik hibrit kuantum-klasik çerçeve

Beyin dalgaları ve kuantum teknolojisi neden sizin için önemli

Epileptik nöbetler uyarı vermeden ortaya çıkabilir, günlük yaşamı, işi ve bağımsızlığı bozabilir. Hekimler, sorunların ilk işaretlerini yakalamak için saç derisinden gelen küçük elektrik sinyallerini kaydeden elektroensefalogram (EEG) kayıtlarına güvenir. Ancak bu sinyaller gürültülü ve karmaşıktır; gelişmiş bilgisayar programları bile ana desenleri kaçırabilir. Bu çalışma, günümüzün en iyi derin öğrenme araçlarını kuantum hesaplamadan ödünç alınan fikirlerle harmanlayan yeni bir beyin dalgası okuma yöntemi sunuyor; hedef daha hızlı, daha güvenilir nöbet tespiti ve bir gün yatak başı veya evde gerçek zamanlı izlemeyi destekleyebilecek bir çözümdür.

Beyin dalgalarını görselere dönüştürmek

Yazarların yaklaşımındaki ilk adım EEG’nin nasıl görüldüğünü değiştirmektir. Ham kıvrımlı dalgaları doğrudan bir bilgisayar modeline vermek yerine, her EEG segmentini renkli zaman-frekans “skalogram”larına dönüştürürler. Sürekli Dalgacık Dönüşümü (Continuous Wavelet Transform) adı verilen bu işlem, hangi ritimlerin hangi anlarda ortaya çıktığını gösterir; nöbet etkinliğinin sıkça işareti olan kısa patlamaları ve hızlı dalgalanmaları ortaya çıkarır. Veriyi görüntülere çevirerek yöntem, bilgisayarlı görü için tasarlanmış güçlü araçları kullanır; böylece uzay ve zamandaki desenler daha net yakalanır ve beynin aktivitesi daha kolay yorumlanır.

Üç akıllı motoru tek bir modelde harmanlamak

Bu EEG görsellerinin üzerine ekip, Quantum Vision Transformer (QViT) adını verdikleri hibrit bir ağ kurar. Bu ağ üç farklı desen bulma motorunu birleştirir. Bir evrişimli sinir ağı (CNN) görüntülerde keskin sivri uçlar veya enerji değişimleri gibi yerel şekil ve dokuları arar. Bir vision transformer tüm görüntüyü bir kerede tarayarak zaman içinde açığa çıkan daha uzun menzilli ilişkileri ve bağlamı öğrenir. Üçüncü motor ise simüle edilmiş kuantum devrelerine dayanan küçük, kuantum esinli bir katmandır ve klasik ağların modellemesi zor olabilecek ince, daha yüksek mertebeden ilişkileri yakalamak üzere tasarlanmıştır. Bu dallar birlikte zengin, paylaşılan bir temsil üretir ve son olarak bir sınıflandırıcıya beslenir; sınıflandırıcı verilen EEG segmentinin nöbeti yansıtıp yansıtmadığını karara bağlar.

Kuantum fikirleri nasıl devreye giriyor

Modelin kuantum esinli kısmı, önceki katmanlardan gelen kompakt bir sayı setini alır ve bunları simüle edilmiş kuantum bitlerine, yani qubit’lere kodlar. Bu uzay içinde veriler bir dizi döndürme ve dolaşıklık (entanglement) işlemiyle dönüştürülür, ardından yeni özellikler üretmek için ölçülür. Çalışma gerçek kuantum donanımı üzerinde değil kuantum simülatörü üzerinde çalışsa da aynı prensipleri kullanır: birden fazla durum aynı anda keşfedilebilir ve veriler arasındaki korelasyonlar geleneksel katmanlarla taklit edilmesi zor biçimlerde temsil edilebilir. Bu kuantum türevi özellikler daha sonra CNN ve transformer çıktılarıyla birleştirilir; birleşik sistemin nöbet ve nöbet dışı etkinlik arasında daha keskin sınırlar çizmesine yardımcı olur.

Gerçek nöbet verileri üzerinde test

Bu hibrit tasarımın pratik bir fark yaratıp yaratmadığını görmek için araştırmacılar QViT’i epilepsi araştırmalarında yaygın olarak kullanılan iki EEG koleksiyonunda değerlendirdiler: CHB‑MIT ve Bonn veri setleri. Verileri eğitim ve test setlerine böldüler, nöbet ve nöbet dışı örnekleri dikkatle dengelediler ve gerçek dünya değişkenliğini taklit etmek için altta yatan beyin aktivitesini çarpıtmadan kapsamlı ama kontrollü veri arttırma uyguladılar. Eğitim sırasında modeli aşırı uyumdan korumak için uyarlanabilir öğrenme oranları, etiket yumuşatma ve erken durdurma gibi modern optimizasyon teknikleri kullandılar. Nihai sistem test verilerinde yaklaşık %99 doğruluk ve benzer derecede yüksek F1 skorları elde etti; çok az yanlış alarm veya kaçırılmış nöbet oluştu. Güvenilirlik eğrileri ve öğrenilmiş özellik uzayının görsel haritaları gibi ek kontroller, modelin güven puanlarının iyi kalibre olduğunu ve iç temsilde nöbet ile nöbet dışı sinyallerin açıkça ayrılmış kümeler oluşturduğunu gösterdi.

Gelecekteki bakım için bunun anlamı ne olabilir

Hastalar ve klinisyenler için bu sonuçlar, hem daha doğru hem de daha güvenilir olabilecek bir sonraki nesil nöbet tespit araçlarına işaret ediyor. Beyin aktivitesinin ayrıntılı zaman-frekans görsellerini tamamlayıcı derin öğrenme blokları ve kuantum esinli bir katmanla birleştirerek çerçeve, yorumlanabilirlikten ödün vermeden güçlü bir performans sunuyor: klinisyenler hâlâ kararları tanıdık EEG desenlerine dayandırabilir. Mevcut çalışma simüle edilmiş kuantum donanımı üzerinde çalışıyor ve basit bir evet‑hayır nöbet kararına odaklansa da aynı fikirler farklı nöbet türlerini ayırt etmek veya giyilebilir cihazlarda sürekli çalıştırmak için genişletilebilir. Uzun vadede, bu tür hibrit kuantum‑klasik yaklaşımlar ham beyin dalgalarını zamanında ve eyleme geçirilebilir uyarılara dönüştürerek epilepsiyle yaşayan insanların güvenliğini ve yaşam kalitesini artırmaya yardımcı olabilir.

Atıf: Padmaja, B., Maram, B., Raheem, A.K.A. et al. Hybrid quantum classical framework for electroencephalogram driven neurological processing in epileptic seizure taxonomy. Sci Rep 16, 5305 (2026). https://doi.org/10.1038/s41598-026-36121-0

Anahtar kelimeler: epileptik nöbetler, EEG analizi, kuantum esinli öğrenme, derin sinir ağları, nöbet tespiti