Beynin elektriksel aktivitesini ölçen güçlü ve invaziv olmayan bir teknik olan EEG, nörolojik teşhislerden robotik protezlere kadar birçok alanda kullanılıyor. EEG sinyalleri içinde özellikle ‘motor imgeleme’ (MI), yani bir hareketi sadece zihinde canlandırma, beyin-bilgisayar arayüzleri (BCI) için büyük önem taşıyor. Ancak bu MI-EEG sinyallerinin kodunu çözmek, düşük sinyal-gürültü oranı ve karmaşık yapıları nedeniyle zorlu olmaya devam ediyordu.
Bu zorlukların üstesinden gelmek için, Chiba Üniversitesi Fen Bilimleri ve Mühendislik Lisansüstü Okulu'ndan doktora öğrencisi Chaowen Shen ve Profesör Akio Namiki, "Topoloji Bilinçli Çok Ölçekli Özellik Füzyonu" (TA-MFF) adı verilen yeni bir ağ geliştirdi. Bulguları, Knowledge-Based Systems dergisinde yayınlanacak.
MEVCUT MODELLER YETERSİZDİ
Profesör Namiki, mevcut derin öğrenme modellerinin EEG sinyallerinden çoğunlukla uzaysal-zamansal özellikler çıkardığını, ancak spektral özellikler arasındaki bağımlılıkları göz ardı ettiğini belirtti. Namiki, çoğu yöntemin elektrot bağlantıları arasında yalnızca yüzeysel topolojik özellikler çıkardığını, kendi yaklaşımlarının ise bu sınırlamaları etkili bir şekilde ele alan üç yeni modül sunduğunu açıkladı.
TA-MFF ağı, Uzaysal-Zamansal Ağ (ST-Net) ve Spektral Ağ (S-Net) olmak üzere iki ana alt sistemi birleştiriyor. S-Net içinde, EEG sinyalleri önce gürültüyü azaltan bir yöntemle analiz ediliyor. Ardından sistem, elektrotlar arasındaki derin spektral-topolojik ilişkileri ortaya çıkarmak için veri topolojisini analiz ediyor. Buna paralel olarak, başka bir modül frekans bantları arasındaki ilişkileri modellediği belirtildi.
ÇOK SEVİYELİ BİRLEŞTİRME
Yeni mimarinin en önemli özelliği, tüm bu farklı özellikleri iki aşamalı bir strateji kullanarak entegre etmesi. Geleneksel yaklaşımların aksine, bu çok seviyeli birleştirme, alanlar arasındaki karmaşık bağımlılıkları yakalayarak beyin aktivitesinin daha kapsamlı bir temsilini sağlıyor.
Bu mimari sayesinde TA-MFF ağı, MI-EEG kod çözme testlerinde üstün bir sınıflandırma doğruluğu elde ederek mevcut en son modellerden daha iyi performans gösterdi.
HAREKET ENGELLİLERE UMUT
Profesör Namiki, yaklaşımlarının EEG tabanlı motor imgeleme kod çözme konusunda güçlü ve verimli bir potansiyel taşıdığını söyledi. Beynin hareketi nasıl kontrol ettiğini anlamanın, hareketsiz insanlara yardımcı olabileceğini belirten Namiki, "Bu araştırma, bilgisayarların, tekerlekli sandalyelerin veya robotik kolların yalnızca düşünce yoluyla kontrol edilmesini sağlayarak, hareket engelli kişilerin daha bağımsız yaşamalarına yardımcı olabilir" dedi.
Bu atılım, doğru ve dayanıklı MI-EEG kod çözümlemesinin geliştirilmesinde önemli bir ilerlemeyi temsil ediyor. Topolojik içgörüleri derin öğrenmeyle bütünleştiren TA-MFF çerçevesi, makinelerin insan niyetlerine ve düşüncelerine doğal bir şekilde yanıt vermesini sağlamak için sinirbilim ve teknolojiyi bir araya getiriyor.
