1. Giriş ve Genel Bakış
Alzheimer hastalığı, sıklıkla 65 yaş üstü bireylerde görülmekle birlikte, erken başlangıçlı (45-65 yaş aralığı) vakalar da rapor edilmektedir. Dünya Sağlık Örgütü’nün verilerine göre, demansların en yaygın tipi olan Alzheimer, dünya genelinde demans vakalarının %60-70’ini oluşturmaktadır. Hastalığın temelinde, beyinde amiloid plak ve tau proteini birikimi gibi patolojik süreçler yer alır. Ancak, bu biyobelirteçlerin invaziv yöntemlerle ya da pahalı görüntüleme cihazları (ör. PET, MRI) aracılığıyla tespit edilmesi her zaman pratik ve erişilebilir değildir [3]. EEG sinyalleri ise beynin elektriksel aktivitesini gerçek zamanlı ve non-invaziv ölçebilmesi, düşük maliyetli olması, taşınabilir sistemlerle kaydedilebilmesi gibi özellikleriyle araştırmacılar açısından dikkat çekici bir alternatif sunar [2].
EEG, kabaca 0.1–100 Hz arasında değişen frekans bantlarından oluşan karmaşık beyin dalgalarını içerir. Alzheimer hastalığında belirli dalga bantlarının (delta, theta, alfa, beta, gamma) yoğunluk ve düzeninde karakteristik değişiklikler gözlemlenmiştir. Örneğin; alfa ve beta bandında azalma, theta ve delta bandında ise artış rapor edilmektedir. Bu değişimlerin erken evrede tespit edilmesi, henüz klinik semptomlar tam belirginleşmeden hastalığın yakalanmasına yardımcı olabilir [1, 4].
2. EEG Analizinde Temel Yöntemler
2.1 Frekans ve Zaman-Frekans Analizi
EEG sinyallerinden anlamlı özellikler çıkarmanın ilk adımı genellikle hızlı Fourier dönüşümü (FFT) veya dalgacık dönüşümü (Wavelet Transform) gibi yöntemlerle spektral içerik incelemesidir. Alzheimer hastalığına yatkın bireylerde, düşük frekanslı bileşenlerin (delta, theta) güç spektrumunda oransal olarak artması, yüksek frekanslı bileşenlerin (alfa, beta) azalması söz konusu olabilir. Bunun yanı sıra dalgacık dönüşümü, EEG’deki zaman-frekans değişimini aynı anda takip edebildiği için, özellikle kısa süreli beyin aktivite değişimlerini yakalamada avantaj sağlar [2].
2.2 Özellik Çıkarımı ve Seçimi
Klasik özellik çıkarım yöntemleri arasında güç spektral yoğunluğu (PSD), korelasyon, koherens, entropi tabanlı ölçümler ve zaman alanı istatistikleri (ortalama, varyans vb.) sayılabilir. Alzheimer’lı bireylerle sağlıklı kontrol gruplarını ayırmada, özellikle koherens ve entropi gibi metriklerin faydalı olduğu gösterilmiştir [4]. Bununla birlikte hangi özelliklerin daha belirleyici olduğunu saptamak için deney tasarımı (DoE) ve optimizasyon yaklaşımları devreye girebilir. Böylece, yüzlerce özelliğin içinden en kritik olanlar hızlıca belirlenebilir.
2.3 Makine Öğrenmesi ve Derin Öğrenme
EEG tabanlı teşhis sistemlerinde makine öğrenmesi, sinyalin otomatik olarak sınıflandırılmasında büyük rol oynamaktadır. Destek vektör makineleri (SVM), yapay sinir ağları (ANN), karar ağaçları, topluluk öğrenme (ensemble) gibi yöntemler, Alzheimer ve sağlıklı kontrol gruplarının EEG özelliklerini yüksek doğrulukla ayırt edebilmektedir [2, 5].
Daha yakın dönemde, derin öğrenme (CNN, RNN, LSTM, vb.) yaklaşımları EEG verisindeki karmaşık örüntüleri doğrudan öğrenme kabiliyetine sahip olmaları nedeniyle öne çıkmıştır. EEG verisinin iki boyutlu temsillerle (ör. zaman-frekans haritaları) konvolüsyonel sinir ağlarına girdi olarak verilmesi veya zaman serisi olarak RNN/LSTM modellerinde işlenmesi, Alzheimer teşhis başarısını ciddi ölçüde yükseltebilmektedir [1].
3. Derin Generative Adversarial Networks (GAN) ve
Optimizasyon Teknikleri
Geleneksel makine öğrenmesi modelleri, büyük ve dengeli veri setlerine ihtiyaç duyar. Ancak Alzheimer özelinde EEG veri toplamak zaman alıcı ve maliyetli olabilir. GAN gibi üretici-ayırt edici (generator-discriminator) mimariler, kısıtlı sayıda EEG verisi olduğunda sentetik veri üreterek veri hacmini artırmada önemli rol oynar [3].
GAN ile veri üretimi: Modelin üretici kısmı (generator), rastgele gürültü girişinden mümkün olduğunca “gerçekçi” EEG sinyalleri üretmeye çalışır. Ayırt edici kısım (discriminator) ise üretilen sinyalin gerçek mi sahte mi olduğunu tahmin etmeye çalışır. İki ağ birbirini “kandırmaya” çalışarak eğitilir ve sonuçta gerçek veriye benzer dağılıma sahip sentetik EEG örnekleri ortaya çıkar.
Marine Predators Algorithm (MPA) gibi optimizasyon yöntemleri: Doğadan esinlenen bu tip algoritmalar, EEG verilerinden çıkarılan çok boyutlu özellik uzayında arama yaparak, en ayırt edici özelliklerin veya en iyi model hiperparametrelerinin bulunmasını sağlar. Örneğin, bir sınıflandırma modelinin öğrenme oranı, katman sayısı veya düzenlileştirme katsayısı gibi parametreleri, MPA kullanılarak optimize edilebilir [3].
Bu yaklaşım, hem sentetik verilerin hem de optimizasyon algoritmasının katkısıyla derin öğrenme modelinin Alzheimer teşhis performansını artırabilir.
4. Deney Tasarımı (DoE) ile Parametre Seçimi
EEG tabanlı Alzheimer araştırmalarında, hangi kanalların (örn. F3, F4, C3, C4, Pz vb.), hangi frekans bantlarının (delta, theta, alfa, beta, gamma), hangi özniteliklerin (güç, entropi, koherens vb.) ve hangi demografik parametrelerin (yaş, cinsiyet, eğitim seviyesi, MMSE skorları) daha kritik olduğu sıklıkla tartışma konusudur [2, 4]. Burada Deney Tasarımı (Design of Experiments, DoE) yaklaşımı, sistematik bir şekilde faktörlerin ve bunların etkileşimlerinin analizini sağlar.
Tam faktöriyel (full factorial) deney tasarımı: K adet faktörün her birine ait seviyelerin tamamını (ör. düşük-yüksek) dener. Böylece hem tekil faktör etkileri hem de ikili, üçlü vb. etkileşimler ortaya konur. Ancak faktör sayısı arttıkça deney sayısı 2^K olarak katlanır [4].
Kısmi faktöriyel (fractional factorial) deney tasarımı: Faktör sayısı çok büyük olduğunda, tüm kombinasyonları denemek pratik olmayabilir. Bu durumda 2^(K-p) gibi kısmi bir tasarım yapılarak daha az deneyle kritik faktörler saptanır. Örneğin 2^(5-1) = 16 deney ile, 5 faktörün temel etkileri ve bazı etkileşimleri incelenebilir [4].
Bu tasarım mantığı sayesinde, EEG sinyallerinin hangi frekans bandı veya kanalının en fazla değişiklik gösterdiği, hangi hastaya ait klinik skorların (ör. MMSE) daha kritik olduğu, en az sayıda deneyle saptanabilir. Örneğin, bir çalışmada MMSE skorunun %80’in üzerinde varyasyon açıklamasıyla en kritik parametre olduğu raporlanmıştır [4].
5. Sonuçlar ve Değerlendirme
Tüm bu çalışmalar, EEG sinyal analizi ve makine öğrenmesi yöntemlerinin Alzheimer hastalığının erken evrede tespiti için güçlü bir potansiyel taşıdığını göstermektedir. Özellikle:
EEG’nin avantajları: Non-invaziv, düşük maliyetli, yüksek zamansal çözünürlük.
Derin öğrenme ve GAN: Otomatik özellik çıkarma, sentetik veri üretimi ve model performansını yükseltme.
Deney tasarımı (DoE): Çok sayıda parametre/faktörün etkisini minimum sayıda deneyle belirleyerek, hangi değişkenlerin gerçekten önemli olduğunu ortaya koyar.
Yine de dikkat edilmesi gereken noktalar mevcuttur:
Büyük örneklem gruplarına ve standardize protokollere ihtiyaç vardır. Farklı veriseti ve protokollerin kullanılması, çalışmalar arasında karşılaştırmayı zorlaştırabilir.
Tek başına EEG verisinin yeterliliği tartışmalıdır; beyin görüntüleme (MRI, PET), kan testleri veya genetik verilerle çoklu modalite entegrasyonu tanı doğruluğunu artırabilir.
Klinik pratikte kullanılacak sistemlerin gerçek zamanlı çalışabilmesi, cihaz taşınabilirliği ve kullanıcı dostu yazılım gibi mühendislik unsurları da geliştirilmelidir.
6. Gelecek Perspektifleri
Alzheimer hastalığının erken evrede tespit edilmesi hem hasta hem de toplum için büyük kazançlar sağlayacaktır. Bu bağlamda ileride:
Çoklu Modalite Verisi: EEG ile MRI, PET, omurilik sıvısı testleri gibi farklı biyobelirteçlerin entegre edilmesi, erken tanı gücünü artıracaktır.
Kişiselleştirilmiş Modeller: Genetik faktörler veya yaşam tarzı değişkenleri eklenerek, bireyler bazında özelleştirilmiş risk skorlama ve tanı modelleri geliştirilebilir.
Gerçek Zamanlı İzlem: Ev ortamında kablosuz EEG cihazlarıyla günlük kayıt ve bulut tabanlı analiz platformları oluşturulabilir; böylece bilişsel gerileme hızı yakından takip edilebilir.
Derin Öğrenmede Açıklanabilirlik: Uzmanların model kararlarını yorumlayabilmesi için açıklanabilir yapay zekâ (XAI) yaklaşımları üzerinde durulmalıdır. Böylece klinik kabul kolaylaşır.
Deney Tasarımının Yaygınlaşması: Özellikle kaynak kısıtlı ortamlarda, hangi özelliklerin “olmazsa olmaz” niteliğinde olduğunu belirlemek için deney tasarımı metotları daha sık kullanılmalıdır.
Son Söz
EEG tabanlı Alzheimer teşhisinde gelinen aşama, erken tanı konusundaki umutları artırmaktadır. Derin öğrenme ve optimizasyon yaklaşımlarının sağladığı gelişmiş analiz olanakları, deney tasarımıyla birleştiğinde, hangi özelliklerin ve parametrelerin kritik olduğunu daha net belirleme şansı verir. Bundan sonraki süreçte, daha geniş örneklem gruplarıyla ve çoklu modalite desteğiyle yapılacak araştırmaların, Alzheimer teşhisini daha erken, daha güvenilir ve yaygın hale getirmesi beklenmektedir.
Kaynakça
[1] Nour, M., Senturk, U., & Polat, K. “A novel hybrid model in the diagnosis and classification of Alzheimer’s disease using EEG signals: Deep ensemble learning approach.” Biomedical Signal Processing and Control 89 (2024) 105751.[2] Perez-Valero, E., Lopez-Gordo, M. A., Morillas, C., Pelayo, F., & Vaquero-Blasco, M. A. “A Review of Automated Techniques for Assisting the Early Detection of Alzheimer’s Disease with a Focus on EEG.” Journal of Alzheimer’s Disease 80 (2021) 1363–1376.[3] Sekhar, J.C., Rajyalakshmi, C., Nagaraj, S., Sankar, S., Saturi, R., & Harshavardhan, A. “Deep generative adversarial networks with marine predators algorithm for classification of Alzheimer’s disease using electroencephalogram.” Journal of King Saud University - Computer and Information Sciences 35 (2023) 101848.[4] Gupta, P., Pandey, K., & Gupta, S. “Exploration of alzheimer disease using design of experiments.” Multimedia Tools and Applications 84 (2025) 1079–1101.[5] Swarnalatha, P. “Novel analysis of Alzheimer’s disease severity from EEG signals using a new greedy sandpiper-based recurrent neural system.” PeerJ Computer Science (2023).
Commentaires