SBTM: IoT ağ bağlantılı blok zinciri destekli akıllı sağlık izleme ile derin öğrenme kullanarak EEG sinyalinden epileptik nöbet tahmini

Nöbetleri gelmeden önce tahmin etmenin önemi

Epilepsiyle yaşayan milyonlarca insan için nöbetler uyarı vermeden gelebilir—merdiven inerken, caddeden karşıdan karşıya geçerken veya araç kullanırken. Beklenmedik bir nöbet düşmelere, yaralanmalara veya daha kötüsüne neden olabilir ve sürekli belirsizlik, nöbetlerin kendisi kadar etkileyici olabilir. Bu çalışma, giyilebilir elektronikler, gelişmiş yapay zeka ve güvenli çevrimiçi kayıt tutma kullanarak beyin dalgası kayıtlarından nöbetleri önceden tahmin etmenin bir yolunu araştırıyor; böylece hastalar ve doktorlar birkaç kritik dakika önceden uyarı alıp günlük yaşamı daha iyi koruyabilir.

Hastanın etrafında dijital bir güvenlik ağı

Çalışmanın merkezinde, hastalara bulundukları her yerde ulaşan bir akıllı sağlık vizyonu bulunuyor. İnternete bağlı küçük sensörler beyindeki elektriksel aktiviteyi, yani EEG sinyallerini ölçer ve bu verileri kablosuz ağlar aracılığıyla hastane sunucularına gönderir. Orada yazılım gelen sinyalleri sürekli tarayarak beynin normal durumda mı yoksa nöbet eşiğine mi yaklaştığına karar verir. Bilgiler son derece hassas tıbbi ayrıntılar içerdiği için sistem, dijital finanstan alınmış bir yaklaşım olan blok zinciri teknolojisini kullanarak kayıtları müdahale edilmesi zor ve denetlenmesi kolay şekilde kaydeder ve paylaşır. Hastanın verilerini yalnızca uygun dijital anahtarlara sahip yetkilendirilmiş doktorlar açabilir; veriler hastane bölümleri ve siteler arasında düzenlenir.

Beyin dalgalarını erken uyarılara dönüştürmek

EEG izleri dağınıktır: kas hareketi, göz kırpma ve dış dünya kaynaklı gürültülerle doludur. Araştırmacılar ilk olarak ham sinyalleri, nöbetlerle ilişkili beyin aktivitesi için en ilgili frekans aralığını koruyan filtrelerle temizler. Ardından her uzun sinyali üç özellik ailesi kullanarak sıkıştırıp kompakt bir tanımlama haline getirirler. İstatistiksel özellikler değerlerin nasıl yayıldığını veya çarpık olduğunu yakalar. Spektral özellikler, sinyal enerjisinin farklı frekanslara nasıl dağıldığını tanımlar. Klasik bir EEG ölçüsü olan Hjorth özellikleri ise sinyalin zamana göre ne kadar güçlü, hareketli ve karmaşık olduğunu özetler. Birlikte bu sayılar beynin durumuna ilişkin zengin ama yönetilebilir bir anlık görüntü sağlar ve ham dalga formları üzerinde doğrudan çalışmanın ağır hesaplama maliyetini azaltır.

Doğadan esinlenen aramayla ayarlanmış daha akıllı bir sinir ağı

Bu özellik anlık görüntülerini okumak için ekip, Spizella tabanlı Çift Yönlü Kısa Süreli Bellek ağı (SBTM) adlı bir derin öğrenme modeli tasarladı. Dil veya zaman serisi verileri gibi dizilerle başa çıkmada özellikle iyi olan bir tür yinelemeli sinir ağı üzerine kuruludur. "Çift yönlü" tasarım, modelin EEG özelliklerindeki desenlere zaman içinde hem ileriye hem geriye bakmasını sağlayarak yaklaşan bir nöbeti işaret edebilecek ince birikim ve azalmayı yakalamasına yardımcı olur. Bunun üzerine araştırmacılar, küçük kuşlar ve pumaların yiyecek arama ve kaçış davranışlarından esinlenen yeni bir optimizasyon yöntemi getirir. Bu "Spizella" optimizörü, ağın içindeki birçok ayarı otomatik olarak ayarlar; böylece nöbet ve nöbet dışı desenleri en iyi ayırt eden kombinasyonlara ulaşır ve zayıf yerel çözümlere takılma gibi yaygın tuzaklardan kaçınır.

Gerçek hastalarda ve gerçek dünya koşullarında test

Sistem, bir çocuk hastanesinden iyi bilinen bir EEG koleksiyonu ile sıklıkla nöbet geçiren hastalardan alınan ek bir gerçek zamanlı veri kümesi üzerinde değerlendirildi. SBTM modeli, ana veri kümesinde yaklaşık %98 özgüllüğe (yani çok az yanlış alarm) ve yaklaşık %97,5 duyarlılığa (yani gerçek nöbetleri nadiren kaçırma) ulaşarak dikkat çekici bir başarıyla nöbetle ilişkili desenleri normal aktiviteden ayırt etmeyi öğrendi; genel doğruluk da yaklaşık %97,5 civarındaydı. Önemli olarak, bunu birkaç yerleşik makine öğrenimi yaklaşımına kıyasla daha hızlı ve daha az hesaplama gerektirecek şekilde yaptı ve aynı özellik tasarımını veya optimizasyon stratejisini kullanmayan çeşitli rakip derin öğrenme modellerini geride bıraktı.

Daha güvenli ve daha özel epilepsi bakımına doğru inşa etmek

Uzman olmayanlar için çıkarım şu: bu çalışma üç güçlü fikri—EEG’den önceden nöbet tahmini, kompakt ve verimli bir sinir ağı ve blok zinciri kullanarak güvenli kayıt paylaşımı—tek bir çerçevede birleştiriyor. Pratik anlamda, böyle bir sistem bir gün giyilebilir bir cihazın epilepsili bir kişiyi, ailesini ve bakım ekibini nöbetten birkaç dakika önce uyarmasını sağlarken, tıbbi verilerini cihazlar ile hastaneler arasında güçlü biçimde koruyabilir. Geniş ölçekli dağıtım öncesinde daha fazla test ve ayarlama gerekse de çalışma, bağlantılı, akıllı ve gizlilik bilincine sahip araçların epilepsili insanların daha güvenli ve bağımsız yaşamasına yardımcı olacağı bir geleceğe işaret ediyor.

Atıf: Kumar, A., Tripathi, E., Tripathi, A.K. et al. SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking. Sci Rep 16, 6830 (2026). https://doi.org/10.1038/s41598-026-36425-1

Anahtar kelimeler: epilepsi, EEG, nöbet tahmini, derin öğrenme, akıllı sağlık