Birkaç yıl önce, bir uyku araştırma laboratuvarını ziyaret ederken, bir teknisyenin EEG sinyallerini uzun, sıkıcı görsel inceleme ile manuel olarak etiketlediğini izledim. Bunu saatlerce yapıyordu. Kendime sormaya başladığım an buydu: bu daha iyi yapılabilir mi – daha az çaba ve daha fazla doğrulukla?
Arka planım zaman serisi modelleme ve sinyal işleme. Ancak bu an uyku nörofizyolojisine olan ilgimi değiştirdi. Merak ve kabiliyetin bir yakınsamasıydı. Yıllarca okuduğum bir araç olan Kalman filtresinin EEG sinyallerine bakmanın yeni bir yolunu sunduğunu biliyordum. Bu makale bu merakın sonucudur ve karmaşık fizyolojik sorulara zarif çözümler bulma taahhüdüdür.
Bu çalışmada, EEG sinyallerini temel bileşenlerine (eğilim, döngü ve sürüklenme) ayırmak için bir yöntem geliştirdim. Bu sadece bir model seçimi değil, mevcut ön işlem ağırlıklı yaklaşımlara meydan okumak için kasıtlı bir karardı.
Filtreleme yok. Dönüşüm yok. Sadece çiğ EEG. Verilerin konuşmasına izin verin.
11-16 Hz bant içindeki geçici patlamalar olan uyku iğleri, NREM Aşama-2'de öngörülemez görünür. Zor – gürültü içinde kalırlar. Bu gürültüyü bastırmak yerine onunla çalıştım. EEG, sadece sinyal ayrışması için değil, aynı zamanda model parametrelerinin dinamik tahminine de izin veren doğrusal olmayan bir durum uzay çerçevesinde modellenmiştir.
Gizli göstergeler olarak aktarılmış döngü bileşeninin – özellikle Aₜ – otoregresif parametreleri. Bir iş mili mevcut olduğunda, model onu “hissetti” ve buna göre ayarlandı.
Çağları iğ ile ve iğsiz karşılaştırırken, fark çarpıcıydı. Aşağıda makaleden iki temel resim bulunmaktadır:
Şekil 1 – İş mili olmadan bir dönemin ayrışması
Aşama-1 uykusu sırasında kaydedilen bu dönemde, hem döngü hem de trend bileşenleri nispeten pürüzsüz kalır. Önemli bir salınım paterni yoktur ve otoregresif katsayılar sabit kalır.
Şekil 2 – Bir çağın iş mili ile ayrışması
Burada, Aşama-2 uykusu sırasında, döngü bileşeni keskin bir şekilde yükselmeye başlar. Tahmini Aₜ belirgin bir şekilde artar ve görsel olarak belirgin olmadan önce bir patlamayı – bir EEG işini – işaret eder. Bu, uzmana ek, nesnel bir ipucu verir.
Uyku iğleri sadece nörolojik meraklar değildir. Derinden bağlıdırlar:
– Bellek konsolidasyonu
– sinaptik plastisite
– Bilişsel Performans
– nöropsikiyatrik biyobelirteçler
Uyarlanabilir, özyinelemeli ve minimal olarak önceden işlenmiş bir yöntem oluşturarak, gerçek zamanlı klinik uygulamalara yaklaşıyoruz. Bu, insan analizinin pratik olmadığı gece polisomnografisi gibi uzun süreli EEG izleme için gereklidir.
Gelecekte şunları planlıyorum:
– Yöntemi 8 saatlik EEG veri akışlarına ölçeklendirin
– Doğrulanmış bir iğ algılama veritabanı oluşturun
– Makine öğrenimi ile entegrasyonları tespit sonrası sınıflandırma
Bir insan gözünün kaçıracağı bir şeyi tespit ettiği bir modeli izlemenin kişisel bir memnuniyeti var. Araştırmacılar olarak, genellikle hassasiyeti hedefliyoruz – ancak zarafet de önemlidir. İyi bir yöntem sadece doğru değil, aynı zamanda yorumlanabilir, verimli ve mantığında güzel olmalıdır.
Bu çalışma, dikkatli bir şekilde uygulandığında matematiğin, uykusunda bile beyni dinleyebileceğini hatırlatıyor.
Bir yanıt yazın