Epileptik nöbet tespiti için zaman-frekans çapraz-dikkat ağı modeli

Nöbetleri daha hızlı tespit etmenin önemi

Epilepsiyle yaşayan insanlar için nöbetler sıklıkla habersiz ortaya çıkar, işi, okulu ve günlük yaşamı kesintiye uğratır ve şiddetli durumlarda yaşamı tehlikeye atar. Doktorlar zar zor fark edilebilen beyin aktivitesini görmek için saç derisine yerleştirilen elektrotlardan kaydedilen küçük voltaj izleri olan elektroensefalografi (EEG) kullanır; ancak saatlerce süren kıvrımlı çizgileri gözle okumak yavaş, yorucu ve uzman yargısına güçlü biçimde bağımlıdır. Bu çalışma, EEG sinyallerini deneyimli bir uzman gibi okuyan, yalnızca sinyalin zaman içindeki değişimini değil aynı zamanda alttaki ritimlerini de inceleyen ve her iki görünümü birleştirerek nöbetleri ve diğer tehlikeli desenleri etkileyici bir doğrulukla tespit eden yeni bir yapay zeka yaklaşımı sunuyor.

Beyin dalgalarına bakmanın iki yolu

EEG kayıtları iki tamamlayıcı şekilde görülebilir. Birincisi tanıdık zaman görünümü: voltajın bir andan diğerine nasıl yükselip düştüğü. Diğeri frekans görünümü: sinyalin enerjisinin yavaş, orta veya hızlı beyin ritimlerinde ne kadar yer aldığı. Önceki birçok bilgisayar modeli ağırlıklı olarak zaman görünümüne odaklandı ya da frekans bilgisini basit bir eklenti olarak ele aldı. Oysa nörologlar belirli nöbet türlerinin belirli ritmik desenlerle güçlü biçimde ilişkili olduğunu uzun zamandır biliyor. Yazarlar, daha akıllı bir sistemin zamanı ve frekansı eşit derecede önemli olarak görmesi ve kritik olarak bunları yan yana koymaktan ziyade birbirleriyle nasıl ilişkilendiğini öğrenmesi gerektiğini savunuyor.

Dinleyen ve "ritmi hisseden" çift yollu bir yapay zeka

Araştırmacılar Zaman-Frekans Çapraz-Dikkat Ağı (TFCANet) adını verdikleri bir model öneriyor. Model, çoklu elektrotlardan kaydedilen ham EEG sinyallerinden başlıyor. Ağın bir dalı zaman serisine odaklanıyor: önce yerel desenleri seçen, ardından sinyal boyunca önemli anlara dikkat eden ve daha az bilgi içeren bölümleri görmezden gelen bir dikkat mekanizması uygulayan özel yapı taşları kullanıyor. Paralel olarak ikinci dal, aynı sinyalleri hızlı bir matematiksel dönüşümle frekans içeriğine çeviriyor ve ardından en bilgilendirici kanalları ve ritmik bantları vurgulamak, gürültü ve fazlalığı bastırmak için tasarlanmış modüllerden geçiriyor.

Modeli görünürler arası desenleri bağlamayı öğretmek

Zaman ve frekans dallarının çıktısını basitçe birleştirmek yeterli olmuyor. Bunun yerine TFCANet, dil ve görsel yapay zekadaki son gelişmelerden esinlenen bir çapraz-dikkat adımı kullanıyor. Bu adımda zamana dayalı özellikler bir bağlam görevi görüyor ve şu soruyu soruyor: "Sinyalin bu anında neler oluyor göz önüne alındığında hangi frekans desenleri en alakalı?" Model ardından eşleşen frekans özelliklerini seçici olarak öne çıkarıp ilişkili olmayanları geri planda bırakarak öne çıkarıyor. Bu dinamik etkileşim, ağın şüpheli bir olayın ne zaman geliştiği ile hangi ritmik izlerin onu nöbet veya başka bir tehlikeli desen olarak işaretlediği arasındaki ince bağlantıları keşfetmesini sağlıyor.

Sistemi teste sokmak

TFCANet’in ne kadar iyi çalıştığını değerlendirmek için yazarlar iki yaygın kullanılan EEG koleksiyonunda test etti. Biri, normal aktivite, nöbetler arasındaki sessiz dönemler ve tam nöbet örneklerinin dikkatle segmentlendiği Bonn Üniversitesi’nin klasik araştırma veri seti. Diğeri ise daha büyük, daha gerçekçi bir klinik veri seti olup yakın tarihli bir Kaggle yarışmasından geliyor; burada uzman ekipler nöbetler ve birkaç tür anormal ritmik boşalmalar gibi çeşitli zararlı beyin aktivitesi biçimlerini etiketlemişti. Eğitim verisini dengeledikten ve standart temizlik adımlarını uyguladıktan sonra ekip, TFCANet’i konvolüsyonlar, tekrarlayan katmanlar, Transformerlar veya daha basit zaman–frekans kombinasyonlarına dayanan çeşitli modern derin öğrenme modelleriyle karşılaştırdı.

Gerçek dünya kullanıma yaklaşan sonuçlar

Her iki veri setinde de TFCANet tutarlı biçimde rakip yaklaşımları yakaladı veya geçti. Büyük Kaggle koleksiyonunda beş ana zararlı beyin aktivitesi türünü yüzde 96’nın üzerinde doğru sınıflandırdı ve Bonn veri setinde beş farklı durumu ayırt etmede yüzde 93’ün üzerinde doğruluk elde etti. Model parçalarının çıkarıldığı veya değiştirildiği dikkatli "ablasyon" deneyleri, kanal bazlı dikkat modüllerinin ve özellikle çapraz-dikkat birleştirme adımının bu kazanımlarda kilit olduğunu gösterdi. Bazı modüllerin daha az etkili olduğu tek kanallı verilerde bile çapraz-dikkat mekanizması basit özellik birleştirmeye göre performansı iyileştirdi.

Hastalar ve doktorlar için anlamı

Gündelik ifadeyle, bu çalışma bilgisayarların EEG izlerini olayların ne zaman gerçekleştiğini ve bunlara hangi ritimlerin eşlik ettiğini birlikte değerlendirerek daha zengin ve incelikli bir biçimde okumayı öğrenebileceğini ve bu iki görünümün birbirini nasıl desteklediğini kavramayı gösterebilir. TFCANet şu ana kadar araştırma ve yarışma verilerinde test edilmiş olsa da, güçlü ve istikrarlı performansı hastanelerde pratik bir yardımcı olma potansiyeline işaret ediyor: uzun kayıtları sürekli izlemek, gözden geçirme için şüpheli bölümleri işaretlemek ve klinisyenlerin tehlikeli beyin aktivitesine daha hızlı ve tutarlı şekilde yanıt vermesine yardımcı olmak. Gelecekteki çalışmalar bu yaklaşımı daha uzun kayıtlar ve çeşitli klinik ortamlara uyarladıkça, zaman–frekans farkındalıklı sistemler daha güvenli ve daha güvenilir nöbet izleme çözümlerinin temel bir parçası haline gelebilir.

Atıf: Wang, R., Tian, L., Li, M. et al. A time-frequency cross-attention network model for epileptic seizure detection. Sci Rep 16, 13441 (2026). https://doi.org/10.1038/s41598-026-41636-7

Anahtar kelimeler: epileptik nöbet tespiti, EEG derin öğrenme, zaman-frekans analizi, dikkat mekanizmaları, beyin sinyali işleme