EEG sinyalleri kullanarak epileptik nöbetlerin önceden tahmin edilmesi

Epilepsi, beyindeki anormal elektriksel aktiviteler sebebiyle oluşan ani nöbetlerin sonucu olarak, bilinç kaybı, kontrol edilemeyen kas hareketleri ve iletişim zorlukları gibi ciddi problemlere sebep olan kronik bir nörolojik hastalıktır. Bu nöbetlerin ani ve tahmin edilemez doğası, hastaların yaşam kalitesi ve güvenliğini tehdit etmekte, kazalara, yaralanmalara ve hatta ölümlere sebep olabilmektedir. Dolayısıyla epileptik nöbetlerin önceden doğru biçimde tahmin edilmesi, yaşanabilecek olumsuz olaylara karşı önlem almak için kritik bir öneme sahiptir. Özellikle derin öğrenme tabanlı yöntemler, epileptik nöbetlerin tespiti, sınıflandırılması ve tahmin edilmesi gibi karmaşık biyomedikal sinyal analizlerinde geleneksel yöntemlere kıyasla yüksek başarılar elde etmektedir. Bu yöntemler, EEG sinyallerindeki gizli desenleri ve derin özellikleri yakalama konusunda üstün yetenekleriyle öne çıkmaktadır. Bu çalışmasında, epileptik nöbetlerin belirli bir süre önceden tespiti için, EEG sinyallerinin zaman temsilini temel alan yenilikçi hibrit ve füzyon tabanlı yaklaşımlar önerilmiştir. Çalışmada önerilen yöntemler, epileptik nöbet tahmini için EEG sinyallerinde bulunan karmaşık ve gizli desenlerin daha etkin biçimde yakalanmasına odaklanmaktadır. İlk ikisi temel model olmak üzere, önerilen modeller şunlardır: (a) Zamansal Evrişimli Ağ, zaman dizileri kullanarak EEG sinyallerinin zamansal dinamiklerini yakalamaktadır, (b) Tiny Transformer, EEG spektrogramlarını düşük karmaşıklığa sahip Transformer yapısı ile analiz etmekte ve kompakt yapısıyla dikkat çekmektedir, (c) Hiyerarşik Zamansal Tiny Transformer, EEG verilerindeki çok ölçekli zamansal bağımlılıkları, sıralı temporal evrişimler ve Transformer modüllerini kullanarak hiyerarşik olarak öğrenmektedir ve (d) Paralel Zamansal Tiny ViT Transformer, EEG sinyallerinin frekans ve zamansal bilgilerini, sıralı zamansal evrişim ve Transformer tabanlı iki ayrı paralel kolda işleyerek, elde edilen temsilleri füzyon mekanizmasıyla birleştirmektedir. Hiyerarşik mimari, zamansal özellikleri sıralı modüller aracılığıyla işler. Zamansal Evrişimli Ağ kısa vadeli dinamikleri çıkarırken, Geçitli Tekrarlayan Birim (Gated Recurrent Unit, GRU) sıralı bilgiyi düzenler, ardından zamansal dikkat mekanizması bilgi açısından zengin zaman adımlarını vurgular ve son olarak Tiny Transformer, uzun menzilli bağımlılıkları kendiliğinden dikkat yoluyla yakalar. Paralel yapıdaki modelde, ham EEG ve spektrogram temsilleri eş zamanlı olarak Zamansal Evrişimli Ağ ve Görsel Transformer (ViT) kollarında işlenmekte ve tamamlayıcı zamansal ile spektral özellikler çapraz dikkat (cross-attention) tabanlı bir füzyon stratejisiyle birleştirilmektedir. Yapılan deneysel değerlendirmelerde tüm modeller üstün performans göstermiş olsada, Hiyerarşik Zamansal Tiny Transformer mimarisi, %93,32 duyarlılık, %94,29 kesinlik, %96,19 doğruluk ve 0,99 AUC değerleri ile diğer yöntemlere göre daha iyi performans sergilemiştir. Bu sonuçlar, EEG sinyallerinin farklı temsillerinin entegre edilmesinin epileptik nöbet tahmini için güçlü bir strateji olduğunu göstermektedir. Sonuçlar, çalışmanın epileptik nöbetlerin daha erken ve doğru bir şekilde tahmin edilmesinde etkili olduğunu göstermekle birlikte ileri düzey yaklaşımların geliştirilmesine yönelik değerli katkılar sunmaktadır.