Yüksek Frekanslı EEG’ye Dayalı Nörolojik Bozukluk Tespiti için Yinelemeli Çoklu Blok Çerçevesi

Neden Beyin Dalgaları Erken Tanıda Önemli?

Alzheimer ve Parkinson hastalıkları semptomlar ortaya çıkmadan yıllar önce beyne zarar verebilir; ancak doktorların bunları erken yakalamak için hızlı ve güvenilir araçları hâlâ eksiktir. Bu çalışma, elektroensefalografi (EEG) ile kaydedilen beyin dalgalarını beynin en hızlı ritimlerine odaklanarak okumaya yönelik yeni bir yöntem sunuyor. Gürültülü sinyalleri dikkatle temizleyip bunları açıklanabilir bir yapay zekâ sistemine besleyerek, yazarlar nörolojik sorunları mevcut birçok yaklaşımla rekabet edebilecek —ve bazen onları aşabilecek— doğrulukta tespit etmenin mümkün olduğunu gösteriyor.

En Hızlı Beyin Ritimlerini Dinlemek

EEG, nöron ağları ateşlendiğinde saç derisindeki küçük voltaj değişimlerini kaydeder. Geleneksel olarak, doktorlar ve araştırmacılar alfa ve teta gibi daha yavaş ritimlere daha fazla dikkat ettiler. Ancak artan kanıtlar, yaklaşık 30 hertz’in üzerindeki yüksek frekanslı “gama” aktivitesinin hafıza sorunlarından hareket bozukluklarına kadar hastalığın erken işaretlerini açığa çıkarabileceğini gösteriyor. Ne var ki bu hızlı sinyaller kas seğirmeleri, göz kırpmalar ve elektriksel parazitler altında kolayca gömülür. Dörtier ve dalgacık dönüşümleri gibi standart araçlar sinyaller zaman içinde sabit olduğunda en iyi şekilde çalışır; gerçek dünyadaki EEG için bu geçerli değildir. Sonuç olarak, yüksek frekanslı aktivitedeki klinik açıdan faydalı ayrıntıların çoğunu çıkarmak zor ve yanlış yorumlamak kolay olmuştur.

Gürültülü Beyin Sinyallerini Temizlemek

Bunu ele almak için yazarlar EEG analizini tek bir sihirli algoritmadan ziyade dikkatle tasarlanmış bir üretim hattı gibi ele alan çok aşamalı bir "işlem hattı" tasarlıyorlar. Önce, modifiye edilmiş ampirik moda ayrıştırma ile birleştirilmiş Hilbert–Huang dönüşümü adı verilen bir yaklaşım kullanıyorlar. Basitçe söylemek gerekirse, bu yöntem karmaşık bir sinyali beynin gerçek dalgalanmalarına daha iyi uyan daha basit yapı taşlarına otomatik olarak ayırır. Ardından, enerjisi ve karmaşıklığı az olan bileşenlere dayanarak gürültüye benzeyen parçaları atarken, gama aralığındaki hızlı salınımları korur. Bu iki aşamalı filtreleme sinyal-gürültü oranını önemli ölçüde iyileştirir ve dağınık ham izleri, sahte artefaktlardan ziyade gerçek sinirsel olayları yansıtma olasılığı daha yüksek olan yüksek frekanslı beyin aktivitesinin daha temiz bir temsiline dönüştürür.

En Anlamlı Desenleri Bulmak

Sinyaller temizlendikten sonra çerçeve en bilgi verici özelliklere odaklanır. Bir dalgacık paket dönüşümü her EEG bileşenini birden çok frekans bandına böler ve Shannon entropisi adı verilen bir ölçü her bandın ne kadar karmaşık ve bilgi verici olduğunu puanlar. Düşük puanlı bantlar—daha çok tekrar ve az içerik sağlayanlar—elendiğinden özellik seti yaklaşık %60 küçülürken klinik açıdan ilgili bilginin yaklaşık %95’i korunur. Kritik olarak, sistem yalnızca EEG’ye dayanmaz. Yaş, cinsiyet ve hastalık öyküsü gibi klinik bilgiler, kanonik korelasyon analizi adı verilen bir teknikle EEG özellikleriyle matematiksel olarak hizalanır. Bu birleşim, beyin aktivitesi ile klinik bağlam arasındaki ince bağlantıların bir bilgisayar tarafından tespit edilmesini kolaylaştıran ortak bir alan oluşturur.

Yapay Zekâ Beyin Dalgalarından Nasıl Öğreniyor?

Birleştirilmiş veriler daha sonra zamanla değişen beyin sinyalleri için özel olarak inşa edilmiş derin öğrenme modeli tarafından analiz edilir. Mimari, kanallar ve frekanslar boyunca yerel desenleri tarayan konvolüsyonel katmanları, bu desenlerin saniye saniye nasıl evrildiğini izleyen yinelemeli katmanlarla birleştirir. "Dikkat" mekanizması, bir kayıtta şüpheli bir aktivite patlamasına odaklanan bir klinisyene benzer şekilde en tanısal görünen zaman dilimlerine daha yüksek ağırlık atar. Kara kutu olmaktan kaçınmak için sistem Grad-CAM ve entegre gradyanlar gibi açıklanabilirlik araçları içerir. Bunlar, hangi frekansların, zaman pencerelerinin ve klinik değişkenlerin her tahmini en çok etkilediğini vurgulayan görsel haritalar ve puanlar üretir. İki büyük açık EEG veritabanı üzerinde yapılan testlerde, çerçeve yaklaşık %94 doğruluğa ulaşmış; duyarlılık ve özgüllük %92’nin üzerinde olarak birkaç güçlü karşılaştırma yöntemini geride bırakmıştır.

Bu Hastalar İçin Ne Anlama Gelebilir?

Bir araştırma meraklısı için özet şu ki: Bu çalışma, dikkatle düzenlenmiş, açıklanabilir bir yapay zekâ sisteminin karmaşık ve gürültülü EEG kayıtlarını net, klinik olarak anlamlı içgörülere dönüştürebileceğini gösteriyor. Hızlı beyin ritimlerini daha iyi kullanıp bunları rutin hasta bilgileriyle entegre ederek, çerçeve Alzheimer ve Parkinson gibi bozuklukların erken işaretlerini tespit ederken doktorlara da neden bu sonuca vardığını gösteriyor. Günlük klinik ve taşınabilir EEG verilerinde daha fazla test yapılması gerekse de, bu yaklaşım yatak başı veya hatta ev tabanlı aletler yoluyla nörolojik sorunları daha erken işaretleyebilecek, tedavi kararlarını yönlendirebilecek ve nihayetinde nörodejeneratif hastalık riski taşıyan milyonlarca insanın yaşam kalitesini artırabilecek bir yöne işaret ediyor.

Atıf: Agrawal, R., Dhule, C., Shukla, G. et al. Iterative multiblock framework for high frequency EEG based neurological disorder detection. Sci Rep 16, 5995 (2026). https://doi.org/10.1038/s41598-026-37126-5

Anahtar kelimeler: EEG, nörolojik bozukluklar, Alzheimer hastalığı, Parkinson hastalığı, beyin dalgaları