EEG tabanlı el hareketi sınıflandırmasını optimize edilmiş biyolojik ilhamlı öğrenme oranlarıyla kullanmak için Cerebro Wave Bee dönüştürücüsü

Beyin Dalgalarını Okuyup Bir El’i Hareket Ettirmek

Protez bir eli hareket ettirebilmek, tekerlekli sandalyeyi kontrol etmek veya bir bilgisayar oyununu sadece kendi elinizi hareket ettirmeyi düşünerek çalıştırabilmeyi hayal edin. Bu çalışma, beyinden gelen çok zayıf elektrik sinyallerini daha doğru okumayı ve bunları belirgin el hareketlerine çevirmeyi araştırıyor. Araştırmacılar, güçlü bir desen tanıma sistemi ile bal arılarından esinlenen bir stratejiyi birleştiren yeni bir bilgisayar modeli sunuyor; amaç, beyin kontrollü cihazları daha doğru, güvenilir ve gerçek dünyada kullanılabilir hâle getirmek.

Beyin Sinyallerini Çözmenin Zor Olmasının Nedenleri

Beynimiz sürekli olarak kafa derisi üzerinden EEG adı verilen bir teknikle alınabilen zayıf elektrik sinyalleri üretir; küçük sensörler beyin dalgalarını gerçek zamanlı olarak kaydeder. Bu sinyaller, bir eli kaldırmak veya çevirmek gibi hayal ettiğimiz ya da gerçekleştirdiğimiz hareketlerde değişir. Ancak EEG verileri son derece gürültülüdür ve kişiden kişiye büyük farklılıklar gösterir; bu da örneğin sol el hareketini sağ el hareketinden ya da basit dinlenmeyi ayırt etmeyi zorlaştırır. Geleneksel bilgisayar yöntemleri ya el yapımı özelliklere ya da daha basit sinir ağlarına dayanır ve bu yaklaşımlar, özellikle farklı kişiler ve kayıt düzenekleri arasında, bu beyin desenlerinin tüm karmaşıklığını yakalamakta genellikle zorlanır.

Dikkatli Bir Okur Gibi Öğrenen Yeni Bir Model

Yazarlar, Cerebro‑Wave Bee Transformer adını verdikleri bir model tanıtıyor. Temelinde, başlangıçta dil çevirisi için geliştirilen ve birçok girdi arasındaki ilişkileri aynı anda fark etmede üstün olan bir tür derin öğrenme mimarisi olan “transformer” yer alıyor. Bu durumda her EEG kanalı bir cümledeki kelimeye benzer şekilde bir “token” olarak ele alınıyor ve model, bir kişi bir eli hareket ettirdiğinde ya da hareket etmeyi hayal ettiğinde beynin farklı bölgelerinin nasıl birlikte çalıştığını öğreniyor. Ham zamana dayalı sinyalleri işlemeye başlamadan önce sistem, her denemeyi dört önemli frekans bandı ve 14 elektrot konumu boyunca beyin dalgası gücünün kompakt bir tablosuna dönüştürüyor; bu, modele verinin standartlaştırılmış ve verimli bir görünümünü sağlıyor.

Bal Arısı Gibi Bir Arama ile Tatlı Noktayı Bulmak

Derin öğrenme modelleri, modelin her güncellemede ne kadar büyük bir adım attığını kontrol eden öğrenme oranı adlı önemli bir eğitim ayarına duyarlıdır. Bu adım çok büyükse öğrenme kararsız hale gelir; çok küçükse eğitim yavaş olur ve iyi bir çözüme hiç ulaşamayabilir. Araştırmacılar, bu değeri tahmin etmek ya da birçok seçenek arasında tarama yapmak yerine, bal arısı arayıcılığından ilham alan bir strateji ödünç alıyor. Sanal arı sürüsü hayal ediyorlar; her arı kısa bir eğitim çalıştırması için farklı bir öğrenme oranını test ediyor. Daha umut verici oranlar daha kapsamlı keşfediliyor, aynı zamanda bir “sıcaklık” parametresi kademeli olarak düşürülerek arama geniş keşiften ince ayara kaydırılıyor. Sonunda sistem, tam eğitime başlamadan önce en güvenilir performansı veren öğrenme oranına odaklanıyor.

Sistemi Test Etmeye Koymak

Yaklaşımlarının ne kadar iyi çalıştığını görmek için ekip, Cerebro‑Wave Bee Transformer’ı iki bağımsız EEG veri setinde eğitti ve değerlendirdi. Birincisi tüketici sınıfı bir kulaklıktan gelen üç sınıfı yakalayan verilerdi: sol el hareketi, sağ el hareketi ve dinlenme. Diğeriyse farklı donanım, örnekleme hızları ve elektrot düzenleri içeren yaygın kullanılan bir araştırma veri setiydi. Her iki durumda da EEG sinyalleri aynı 14’e 4 biçimine dönüştürüldü, böylece aynı model mimarisi adil şekilde uygulanabildi. Tesadüfi sonuçlara karşı korumak için on katlı çapraz doğrulama kullanılarak yeni yöntem, ana veri setinde yaklaşık %95,6 doğruluk elde etti ve ikinci veri setinde sadece biraz daha düşük sonuç verdi; bu, geleneksel makine öğrenimi modellerinin, daha basit sinir ağlarının ve standart öğrenme oranı düzenleri kullanan transformer versiyonlarının üzerinde performans gösterdi.

Geleceğin Beyin‑Bilgisayar Araçları İçin Anlamı

Çalışma, güçlü bir modelin nasıl öğrendiğini dikkatle ayarlamanın, modelin kendisini değiştirmek kadar kazançlı olabileceğini gösteriyor. Bir transformer’ı bal arısı tarzı bir optimizasyon süreciyle eşleştirerek, araştırmacılar yüksek doğruluk ve farklı veri setlerinde iyi sağlamlık gösteren, el ile ilişkili beyin aktivitelerini sınıflandıran bir sistem yarattı; eğitim tamamlandıktan sonra gerçek zamanlı kullanımı yavaşlatmadan. Mevcut çalışma ham sürekli sinyaller yerine ön işlenmiş beyin dalgası güç anlık görüntülerine dayansa da güçlü bir kavram kanıtı sunuyor: doğadan ilham alan arama stratejileri, gelişmiş sinir ağlarının beyin‑bilgisayar arayüzlerindeki tam potansiyelini açığa çıkarmaya yardımcı olabilir ve düşünce kontrollü protezleri ile yardımcı teknolojileri günlük hayata daha yakınlaştırabilir.

Atıf: Jayadurga, N.P., Chandralekha, M. & Subramaniam, H. Cerebro Wave Bee transformer to leverage EEG based hand movement classification using optimized bio-inspired learning rates. Sci Rep 16, 14640 (2026). https://doi.org/10.1038/s41598-026-40739-5

Anahtar kelimeler: beyin-bilgisayar arayüzü, EEG el hareketi, dönüştürücü sinir ağı, biyolojik ilhamlı optimizasyon, bal arısı algoritması