EEG hayalî konuşma nöro-sinyal ön işleme ve derin öğrenme sınıflandırması

Sessiz Düşünceleri Olası Söze Dönüştürmek

Birinin dudaklarını hiç hareket ettirmeden ne söylediğini “duyabilmeyi” hayal edin. Felçli veya konuşamayan kişiler için böyle bir teknoloji hayatı değiştirebilir; sadece düşünceleriyle iletişim kurmalarını sağlar. Bu çalışma, basit, takılabilir bir başlıkla ölçülen beyin dalgelerinden hayalî sözcükleri okumayı göstererek bu hedefe büyük bir adım atıyor. Sinyalleri dikkatle temizleyip modern derin öğrenmeyi kullanarak yazarlar, sessizce hayal edilen harflerin, sayıların ve nesnelerin şaşırtıcı bir güvenilirlikle tanınabileceğini gösteriyor.

Beyin Sinyalleri Nasıl Bir İletişim Kanalına Dönüşür?

Çalışma, elektrotların saç derisine yerleştirildiği elektroensefalografi (EEG) kullanan beyin–bilgisayar arayüzlerine odaklanıyor; EEG küçük gerilim değişimlerini kaydeder. Katılımcılardan ellerini hareket ettirmeleri veya hareketleri hayal etmeleri istenmek yerine, bu sistem insanların zihinlerinde sessizce “söyledikleri” kelimeler sırasında ortaya çıkan beyin faaliyetini dinliyor. Burada kullanılan veri kümesinde gönüllüler üç gruptan 30 farklı öğeyi hayal etti: alfabe karakterleri, rakamlar ve günlük nesneler. Her deneme on saniye sürdü ve 14 saç derisi yerleşiminden kablosuz bir başlık kullanılarak sinyaller alındı; bu da bu yaklaşımın cerrahi olarak implante edilen cihazlar yerine tüketiciye yönelik donanımla da çalışabileceğini gösteriyor.

Düşünceyi Okumadan Önce Sinyali Temizlemek

Ham EEG kayıtları dağınıktır. Sadece beyin aktivitelerini değil, aynı zamanda göz kırpmalarını, yüz kas gerilimini ve kalp atışını, ayrıca çevresel elektriksel gürültüyü de yakalarlar. Yazarlar, hayalî konuşmayla ilişkili desenleri korurken bu kargaşanın mümkün olduğunca fazlasını temizlemek için altı adımlı bir ön işleme hattı tasarladı. Önce matematiksel bir yöntem sinyali bağımsız bileşenlere ayırır, böylece artefakt benzeri kısımlar otomatik olarak çıkarılabilir. Ardından veriler, belirli sorunlu ritimlerin zamanlamayı bozmayacak şekilde dikkatle ayarlanmış bir filtreyle baskılanabildiği frekans alanına dönüştürülür. Temizlenen sinyaller tekrar zamana çevrilir, kısa pencerelere bölünür ve tüm kanalların ortak bir ölçeği paylaşması için standartlaştırılır. Verilerin bu kademeli “yıkama ve yeniden şekillendirme”si, kaotik izleri öğrenme algoritmasının anlayabileceği düzenli kesitlere dönüştürür.

Gizli Desenleri Öğretmek İçin Derin Ağları Kullanmak

Bu ön işlemenin üzerine ekip, iki tür sinir ağını birleştiren beş ilişkili derin öğrenme modelini test etti. Konvolüsyonel katmanlar, EEG kanalları boyunca kayan küçük desen algılayıcıları gibi davranır; uzamsal ve yerel-zaman yapısını yakalar. Uzun Kısa Süreli Bellek (LSTM) katmanları ise bu desenlerin zaman içinde nasıl evrildiğini izler; hayal edilen kelime sırasında beyin etkinliğinin akışını yakalar. Bazı versiyonlar yalnızca ileriye bakarken, önemli bir varyant ileri ve geri bakarak sinyalin ritmine daha eksiksiz bir bakış sunar. Bu ağ tasarımlarını karşılaştırarak araştırmacılar, konvolüsyon ve çift yönlü LSTM kullanımının hayalî konuşmanın en güçlü temsilini sağladığını gösterdi.

Sistemi Gerçekçi Testlere Sokmak

Önemli bir soru yalnızca bir modelin daha önce gördüğü kişilerin düşüncelerini çözüp çözemeyeceği değil, yeni bireylerde de işe yarayıp yaramadığıdır. Bunu incelemek için yazarlar birkaç test stratejisi kullandı. Geçmiş çalışmalarda sıkça kullanılan basit rastgele bölmeler çok iyimser bir tablo çiziyor: tam hattıyla birlikte en iyi model, 30 hayal edilen öğenin hepsini %99’un üzerinde doğrulukla sınıflandırdı. Eğitim ve test verileri arasında örtüşen zaman segmentlerinin sızmasını engelleyen daha katı şemalar uyguladıklarında, performans yüksek kaldı. En zorlu olanında, “bir-katılımcı-dışarı-bırak” testinde sistem birçok gönüllü üzerinde eğitildi ve sonra tamamen yeni bir kişide, yalnızca küçük bir kalibrasyon örneğiyle değerlendirildi. Orada bile, hayal edilen öğeyi güçlü bir rakip modele göre neredeyse dört kat daha sık doğru tanıdı ve çok daha hızlı yanıt süreleri gösterdi; bu da gerçek zamanlı etkileşimi destekliyor.

Geleceğin Sessiz Konuşma Cihazları İçin Anlamı

Uzman olmayan biri için ana çıkarım, hayalî konuşma çözümlemesinin artık küçük kelime dağarcıklarıyla sınırlı bir bilim kurgu fantezisi olmadığıdır. EEG sinyallerini agresifçe temizleyip bunları akıllı, çift yönlü bir derin ağla eşleştirerek bu çalışma, bir başlığın yeni kullanıcılara geçtiğinde bile 30 farklı sessizce hayal edilen öğeyi güvenilir şekilde ayırt edebileceğini gösteriyor. Tam serbest biçimli düşünceleri akıcı konuşmaya dönüştürmek daha büyük sözlükler ve daha gelişmiş tasarımlar gerektirecek olsa da, bu çalışma sağlam bir temel sunuyor: doğru ön işleme ve öğrenme stratejisiyle beynin henüz söylenmemiş bir sözcüğün fısıltısını net, makine tarafından okunabilir bir sinyale dönüştürmenin mümkün olduğunu kanıtlıyor.

Atıf: Elwasify, F., Shaaban, E. & Abdelmoneem, R.M. EEG imagined speech neuro-signal preprocessing and deep learning classification. Sci Rep 16, 10604 (2026). https://doi.org/10.1038/s41598-026-39395-6

Anahtar kelimeler: hayalî konuşma, EEG beyin–bilgisayar arayüzü, derin öğrenme, sinyal ön işleme, nöral dekodlama