EEG sinyalleri, beynin elektriksel aktivitesini zaman içinde değişen bir voltaj sinyali olarak sunar. Ancak ham EEG verisi, doğrudan anlamlandırılması zor olan karmaşık bir dalgalanma örüntüsüdür. Bu sinyallerde hem bilişsel süreçlere ilişkin bilgiler hem de gürültü, artefakt ve biyolojik varyasyonlar iç içedir. Dolayısıyla EEG analizinin temel amacı, bu ham veriden anlamlı bilgi çıkararak beynin zamansal ve frekanssal dinamiklerini açığa çıkarmaktır.
EEG analizinde kullanılan yöntemler; zaman domeni, frekans domeni ve zaman–frekans domeni olmak üzere üç temel yaklaşım altında toplanabilir. Ayrıca daha ileri düzeyde bağlantısallık analizleri, kaynak lokalizasyonu ve makine öğrenmesi temelli modellemeler de EEG araştırmalarında önemli yer tutar.
1. Ön İşleme (Preprocessing)
EEG analizinin ilk ve en kritik aşaması, sinyalin temizlenmesi ve analize uygun hale getirilmesidir. Çünkü EEG, düşük genlikli bir sinyaldir (10–100 µV) ve çevresel parazitlere karşı oldukça hassastır.
1.1 Filtreleme
- Bant geçiren filtre (Band-pass filter): Genellikle 0.5–40 Hz aralığı kullanılır; düşük frekanslı kaymaları ve yüksek frekanslı gürültüleri ortadan kaldırır.
- Notch filtre: Şebeke elektriği parazitini (50/60 Hz) bastırmak için kullanılır.
1.2 Artefakt Giderme
Göz kırpması (EOG), kas aktivitesi (EMG) veya kalp atımı (EKG) gibi biyolojik kaynaklar sinyali bozabilir. Bu nedenle:
- Bağımsız Bileşen Analizi (ICA), bu kaynakları istatistiksel olarak ayırarak temiz sinyali elde etmeye yarar.
- Otomatik artefakt tespiti algoritmaları (z-skor, kurtosis, wavelet tabanlı yöntemler) kullanılabilir.
1.3 Yeniden Referanslama
EEG sinyali iki nokta arasındaki potansiyel farkına dayandığı için referans seçimi kritiktir. Ortalama referans (average reference), Laplasyen referans veya mastoid referans gibi farklı stratejiler uygulanır.
2. Zaman Domeni Analizi
EEG sinyali, doğrudan zaman ekseninde incelenebilir.
Bu analizde dalgaların genliği, şekli ve belirli olaylara verilen yanıtlar değerlendirilir.
2.1 Uyarılmış Potansiyeller (Event-Related Potentials – ERP)
Belirli bir dış uyarana (örneğin görsel veya işitsel) verilen beyin yanıtı, uyarı anına göre hizalanır ve çok sayıda denemeden ortalaması alınır. Bu yöntem, bilişsel süreçlerin (dikkat, karar verme, hafıza) zamanlamasını milisaniye düzeyinde inceleme olanağı sağlar.
ERP dalgaları genellikle P300, N400, P600 gibi pozitif/negatif bileşenlerle adlandırılır.
3. Frekans Domeni Analizi
EEG’nin temel yapısında ritmik dalgalar bulunur. Bu dalgaların frekans içerikleri, Fourier tabanlı yöntemlerle incelenir.
3.1 Fourier Dönüşümü (FFT)
Zaman sinyali frekans bileşenlerine ayrılarak her frekansın gücü (Power Spectral Density – PSD) hesaplanır.
Bu analiz, örneğin:
- Alfa gücünün artması → dinlenme ve rahatlama,
- Beta gücünün artması → dikkat ve bilişsel etkinlik,
- Delta ve teta gücünün artması → uyku veya yorgunluk durumlarını gösterebilir.
3.2 Spektral Güç Analizi
Her bant için (delta, teta, alfa, beta, gama) ortalama güç hesaplanarak farklı bilişsel veya klinik durumlarla ilişkilendirilir. Bu yöntem özellikle uyku evrelemesi ve nöropsikiyatrik bozuklukların karakterizasyonunda kullanılır.
4. Zaman–Frekans Analizi
EEG sinyali durağan değildir; frekans içeriği zamanla değişir. Bu nedenle sadece Fourier dönüşümü yeterli olmaz.
Zaman–frekans analizi, sinyalin hem “ne zaman” hem “hangi frekansta” değiştiğini gösterir.
4.1 Kısa Zamanlı Fourier Dönüşümü (STFT)
Sinyal kısa pencerelere bölünür ve her pencere ayrı ayrı analiz edilir. Ancak pencere genişliği–frekans çözünürlüğü arasında bir ödün vardır.
4.2 Wavelet Dönüşümü
Farklı zaman ölçeklerinde analiz yapabilir; kısa olayları (örneğin gama aktivitesi patlamalarını) tespit etmede oldukça etkilidir. Bu nedenle kognitif EEG çalışmalarında en sık kullanılan yöntemlerden biridir.
5. Bağlantısallık ve Kaynak Analizi
5.1 Koherens ve Faz Senkronizasyonu
İki elektrot arasındaki faz ilişkisi incelenerek beyin bölgeleri arasındaki iletişim ölçülür. Bu metrik, fonksiyonel bağlantısallığın bir göstergesidir.
5.2 Kaynak Lokalizasyonu (Inverse Problem)
EEG, kafa derisinden ölçüldüğü için sinyalin hangi beyin bölgesinden geldiğini doğrudan göstermez. Bu nedenle LORETA, sLORETA, Beamforming gibi algoritmalar kullanılarak sinyalin kökeni tahmin edilir.
6. İleri Düzey Analizler
Günümüzde EEG analizi, klasik yöntemlerin ötesine geçmiştir:
- Makine öğrenmesi ve derin öğrenme: EEG sinyallerinden duygudurum veya bilişsel durum sınıflandırmaları yapılır.
- Bağlantı grafikleri ve ağ analizi: Beynin işlevsel ağ yapısı modellenir.
- Zaman serisi modelleme (AR, VAR, Granger Nedenselliği): Bir bölgenin diğerini ne ölçüde etkilediği incelenir.
EEG sinyalleri, beynin dinamik yapısına ilişkin son derece zengin bilgiler içerir. Ancak bu bilgiyi açığa çıkarmak için özenli ön işleme, uygun analiz tekniği ve doğru yorumlama gerekir.
Zaman domeni analizleri, olayların zamanlamasını; frekans analizleri, genel zihinsel durumu; zaman–frekans analizleri ise beynin dinamik tepkilerini ortaya koyar. Bu çok katmanlı yaklaşım, EEG’yi hem klinik tanı hem de nörobilimsel araştırmalarda vazgeçilmez kılar.
Yorum yok!