Tek Kanallı EEG ile Derin Öğrenmeye Dayalı Nöbet Öngörüsü

Neden nöbetleri tahmin etmek önemli

Epilepsi hastalarının çoğu için nöbetler habersiz ortaya çıkar ve iş, okul ile günlük yaşamı kesintiye uğratır. Güvenilir bir şekilde yaklaşan bir nöbetin, yalnızca birkaç dakika öncesinden bile olsa uyarılması; hastalara güvenli bir şekilde oturup uzanma, yardım çağırma veya araç kullanma ya da yemek yapma gibi riskli bir etkinliği durdurma zamanı sağlayabilir. Bu çalışma, böyle uyarıların hastane elektrotlarını içeren tam kap yerine tek küçük bir beyin dalgası sensöründen elde edilip edilemeyeceğini ve nihayetinde bir giyilebilir cihazda çalışabilecek kompakt bir yapay zeka biçimiyle üretilip üretilemeyeceğini araştırıyor.

Beyin aktivitesini izlemenin daha basit bir yolu

Nöbet tahmini üzerine yapılan çoğu araştırma, saç derisi boyunca çok sayıda elektrotla yapılan karmaşık kayıtlar üzerine kuruluydu. Bu sistemler laboratuvarda iyi çalışsa da hantal, enerji tüketimi yüksek ve tüm gün takılması zor oluyor. Araştırmacılar bunun yerine aynı anda yalnızca bir konumdan beyin aktivitesini yakalayan “tek kanallı” kayıtları ele aldı. Hafif bir kafa bandı veya yama için pratik olacak şekilde alın, şakak ve kafa arkasından altı elektrot pozisyonu seçtiler. Temel soru, tek, iyi yerleştirilmiş bir sensörün sıklıkla nöbet öncesinde biriken beyin aktivitesindeki ince değişiklikleri yine de algılayıp algılayamayacağıydı.

Küçük bir beyin dalgası okuyucusunu eğitmek

Ham beyin dalgalarını bilgisayarın öğrenebileceği bir şeye dönüştürmek için ekip verileri 10 saniyelik kesitlere böldü ve her dilimi zaman içinde farklı frekanslardaki sinyal gücünün nasıl değiştiğini gösteren bir tür resme çevirdi. Bu resimler, telefonlar ve diğer düşük güçlü cihazlarda çalışmak üzere tasarlanmış MobileNet ilhamlı, sadeleştirilmiş bir derin öğrenme modeline verildi. Katmanlar ve bağlantılar dikkatle kırpılarak, yazarlar modeli ayarlanabilir yaklaşık 38.000 parametrenin biraz altına indirdiler; bu, birçok modern görüntü tanıma sistemine kıyasla çok küçük bir boyut olup yine de nöbetlerle ilişkili faydalı desenleri öğrenmesine olanak verdi.

Kullanışlı uyarı süresini tanımlamak

Bir hastanın bakış açısından her doğru tespit aynı derecede yararlı değildir. Çok geç gelen bir uyarı az koruma sağlarken, çok erken gelen bir uyarı gereksiz endişeye yol açabilir. Bu nedenle çalışma, gerçek dünya ihtiyaçlarını yansıtan net zamanlama kuralları benimsedi. Her nöbet için araştırmacılar, başlangıçtan hemen önceki 2 dakikayı kapsayan ve tepki vermeyi zaten zorlaştıracak bir “uyarı yok” bölgesi tanımladı. Bunun öncesindeki 30 dakikalık dilim gerçek tahmin penceresi olarak kabul edildi; bir uyarı nöbetin bu zaman aralığı içinde gerçekleşmesi halinde başarılı sayıldı. Modeli eğitmek ve test etmek için yalnızca bu pencereden ve nöbetlerden açıkça uzak normal dönemlerden gelen veriler kullanıldı.

Sistemin performansı nasıldı

Model iki hasta grubunda test edildi: Seoul National University Hospital’da ilaç dirençli fokal epilepsi tedavisi gören yetişkinler ve geniş kullanılan bir açık veri kümesindeki çocuklar ve genç yetişkinler. Her kişi için sistem yalnızca o bireyin verileri üzerinde eğitilip değerlendirildi; bu, gelecekteki bir cihazın kullanıcıya uyum sağlamasını yansıtıyor. Hastalar arasında, model 10 saniyelik dilimlerin yaklaşık %86 ila %91’ini doğru sınıflandırdı ve yanlış alarmlar nispeten düşüktü. Bütün nöbet düzeyinde ve sıkı zamanlama kuralları kullanıldığında, hastane grubunda nöbetlerin yaklaşık %95’ini, açık veri kümesinde ise %98’ini başarılı şekilde tahmin etti. İlginç bir şekilde, alın bölgesindeki elektrotlar genellikle en iyi performansı gösterdi ve tıbben belirlenmiş nöbet başlangıç bölgesine daha yakın olmanın doğruluğu mutlaka artırmadığı görüldü.

Günlük yaşam için ne anlama gelebilir

Bu sonuçlar, tek bir küçük beyin dalgası sensörünün yüksek verimli bir öğrenme algoritmasıyla eşleştirildiğinde, pratik olarak kullanışlı 30 dakikalık pencerede birçok nöbet için güvenilir erken uyarılar sağlayabileceğini düşündürüyor. Yaklaşımın daha büyük ve daha çeşitli hasta gruplarında test edilmesi ve her kişi için kanalların nasıl seçileceğinin incelenmesi gerektiği gibi daha fazla çalışma gerekiyor olsa da, çalışma uzun süre rahatça takılabilecek ve sınırlı pil gücünde çalışabilecek nöbet tahmin sistemlerine işaret ediyor. Bu araçlar nöbetleri önlemeyecek, ancak epilepsisi olan kişilere günlük aktivitelerini planlarken daha fazla kontrol ve güven sağlayabilir.

Atıf: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Anahtar kelimeler: epilepsi, nöbet tahmini, EEG, giyilebilir cihazlar, derin öğrenme