Sinirsel sinyal işleme, sinirbilim ve sinir mühendisliğinde giderek daha önemli bir araç haline geldi. Yaygın olarak uygulanan sinirsel kayıt ve stimülasyon teknolojilerine, sinir işleme metodolojilerine ve bu tekniklerin bazı pratik uygulamalarda pratik olarak nasıl yürütülebileceğine dair geniş bir pencereden bakmak lazım. Beyindeki insan davranışının sinirsel temsillerinin anlaşılması, sinirsel sinyal işleme metodolojileri kullanılarak önemli ölçüde geliştirilebilir. Nöral kayıt tekniklerindeki ilerlemeler ve sinirsel sinyal işlemedeki paralel ilerlemeler sayesinde, yakın gelecekte sinirbilim ve sinir mühendisliğindeki birçok cevaplanmamış soru ve zorluğun çözüleceğine inanılmaktadır.
Spike Sıralama
Daha yakın nöronlardan gelen sivri uçlar, kaydedilen sinyalde daha büyük genlik sapmaları üretir. Bu tür bir giriş sinyali için sinyal işleme yöntemlerinin amacı, kayıt elektrotu başına tek bir nöron tarafından yayılan ani artışları güvenilir bir şekilde izole etmek ve çıkarmaktır. Bu prosedür genellikle başak ayırma olarak adlandırılır. En basit sivri uçlu sıralama yöntemi, sivri uçları tepe genliklerine göre sınıflandırmaktır. Bazen, tepe genlikleri farklı nöronlar için aynı olabilir ve bu da yöntemi uygulanabilir hale getirmez. Daha iyi bir yaklaşım, deneycinin verileri görsel olarak incelediği ve pencereleri aynı şekle sahip sivri uçların hizalı kayıtlarına yerleştirdiği pencere ayırıcı yöntemidir. Son eğilim, sivri uçları, her bir grubun bir nörondaki sivri uçlara karşılık geldiği şekle göre otomatik olarak gruplara ayırmak yönünde olmuştur.
Zamansal ve Mekânsal Özellik Çıkarma![Sinirsel Sinyal İşleme Uygulamaları]()
Temel zamansal ve uzamsal özellikler, sinirsel aktiviteyi altta yatan salınımlardan anlamaya yardımcı olabilir ve temsil edebilir. Beyinden kaydedilen sinir sinyalleri tipik olarak, yerel komşuluk çevresindeki büyük bir nöron popülasyonunun ağ aktivitesinden kaynaklanan karışım potansiyelleridir. Bu nedenle, uygun öznitelik çıkarma yöntemlerinin uygulanması, hem zamansal hem de uzamsal alanlardaki önemli özellikleri izole edebilir ve çıkarabilir.
Uzamsal Filtreleme
Çoklu elektrotlar kullanarak beyin sinyallerini kaydeden bazı yöntemler için, sinyaller beynin birçok bölgesinden kaydedilir. Küresel gürültünün büyük varyansıyla, yerel sinyaller azalmış gibi görünür. Bu nedenle, yerel aktiviteyi geliştirmek ve ortak gürültüyü filtrelemek için uzamsal filtreleme veya yeniden referanslama yöntemleri uygulanır. Tek tek elektrotlar için, çevrelenmiş elektrotlardan (Laplacian filtreleme) veya global elektrotlardan (ortak ortalama referans alma) ortalama aktivite çıkarılır. Nöral verilerin varyansını tahmin etmek için uzamsal filtreleme yöntemleri de kullanılabilir.
Zamansal Analiz
Kaydedilen beyin sinyallerinin kalitesi öncelikle kayıt tekniklerine bağlıdır. Bununla birlikte, kaydedilen zaman serisi sinyaller, zaman alanı filtreleme yöntemleri kullanılarak filtrelenebilecek çok sayıda gürültü içerir. Zaman alanında ham sinyalleri ön işlemek için hareketli ortalama yumuşatma, üstel yumuşatma vb. Gibi çok sayıda filtreleme tekniği kullanılır.
Filtrelemeye ek olarak, zamansal analiz, davranışı temsil eden önemli özellikleri çıkarmak için de kullanılabilir. Bu önemli özellikler, hesaplama modelleri kullanılarak bir dizi zaman sinyalinden çıkarılabilir. Bazı sinirsel sinyaller zaman içinde ilişkilendirilme eğilimindedir ve bu nedenle aşağıdaki zaman örnekleri, otoregresif modeller (durağan sinyaller için) veya uyarlamalı otoregresif modeller (durağan olmayan sinyaller için) kullanılarak önceki örneklere dayalı olarak tahmin edilebilir. Bu tür yöntemler, önceki sinyal örnekleri ile sonraki örnekler arasındaki karakteristik dahili ilişkilerden oluşturulan modele bağlıdır. Modelin katsayıları, gerçek zamanlı kod çözme veya tahmin için kullanılan sonraki model tanıma veya sınıflandırma prosedürü için sinirsel özellikler olarak düşünülebilir.
Frekans Analizi
Zamansal analiz yöntemleri yararlı olsa da, bu yöntemlerin anlamlı özelliklerin çıkarılmasına neden olmayabileceği bazı sinyaller vardır. Örneğin, EEG gibi invazif olmayan yöntemler, binlerce nöronun aktivitesini yansıtan sinyallere dayanır. Zayıf uzaysal ve zamansal çözünürlük, zaman alanında öznitelik çıkarımına meydan okur. Böylece kaydedilen sinyal, yalnızca salınım aktivitesi gibi büyük nöron popülasyonlarının ilişkili aktivitelerini yakalayabilir.
Beyin sinyallerinin temel özelliği nöronal salınımlardır. Teorik olarak, bu salınımlar, periyodik sinyaller için Fourier dönüşümü (FT) kullanan sinüzoid fonksiyonlar gibi bir dizi temel fonksiyonla ayrıştırılabilir. Her döngü için, genlik, periyot ve dalga formu simetrisi ölçülür ve salınımlı patlamalar algoritmik olarak tanımlanır, bu da patlamalar içindeki ve arasındaki salınım özelliklerinin değişkenliğini araştırmaya olanak tanır. Genellikle, sinirsel sinyaller için, kısa süreli Fourier dönüşümü (STFT), kayan kısa süreli pencerelerle FT gerçekleştirerek daha iyi sonuçlar sağlar. Periyodik olmayan sinyaller için dalgacık dönüşümü sinyal ayrıştırması için uygulanır. Ham sinir sinyallerinin şekline göre çeşitli ölçeklenmiş ve sonlu uzunlukta dalga biçimleri seçilebilir. Dalgacık katsayıları bazen sinirsel özellikler olarak kabul edilebilecek benzersiz bilgiler içerir.
Zaman-Frekans Analizi
Araştırmacılar, zamansal ve frekans analizlerinin avantajlarını birleştirerek, zaman-frekans analizinin gücünü fark ettiler. Örnek olarak, ayrıştırma teknikleri kullanılarak, bir sinyal içsel mod fonksiyonlarına (IMF) ayrıştırılabilir ve Hilbert spektral analizi gibi yöntemler uygulanarak zaman içinde anlık frekanslar elde edilebilir. Bu tekniğin en önemli avantajı, doğrusal olmayan, sabit olmayan kaydedilen sinir sinyallerinin doğrusal ve sabit bileşenlere dönüştürülebilmesidir. Bu bileşenler, özel özellikler anlık frekanslarında yerelleştirildiği ve zaman-frekans alanında anlamlı davranışsal bilgileri temsil ettiği için genellikle fiziksel olarak anlamlıdır.
Zaman-frekans analizi, zaman veya frekans alanındaki bireysel analiz, ilgili dezavantajlarla birlikte geldiğinden ve zaman-frekans analizi, sinyallerin en iyi temsilini elde etmek için zaman ve frekans çözünürlüğünü değiştirdiğinden, sinirsel sinyal işlemede kapsamlı bir şekilde uygulanır. Spektrogram ve STFT gibi diğer teknikler en çok bir sinyali kısa periyotlara bölerek ve kayan pencereler üzerinden spektrumu tahmin ederek gerçekleştirilir.
Boyut Azaltma
Sinirsel sinyal işlemede kritik bir prosedür, kaydedilen nöral verilerin yüksek boyutluluğunu azaltmaktır. Bu veriler beyin görüntüleri, çok elektrotlu sinyaller, ağ potansiyelleri veya yüksek boyutlu sinirsel özellikler olabilir. En kullanışlı bileşenleri korumak ve fazlalıkları ortadan kaldırmak için çeşitli algoritmalar doğrusal veya doğrusal olmayan şekilde uygulanabilir. Temel bileşen analizi (PCA), maksimum varyansın yönünü bulmak ve böylece gözlemlenen varyansa dayalı olarak temel bileşenleri (ağırlıklı doğrusal kombinasyonlar) oluşturmaktır. Doğrusal diskriminant analizi (LDA), PCA’ya benzer bir performans gösterir, ancak bir grup nöral veri içindeki varyansı en aza indirme ve nöral veri grupları arasındaki mesafeyi en üst düzeye çıkarma eğilimindedir.
Bu nedenle, PCA, özellik çıkarımı için uygulanan denetimsiz bir algoritma olarak tanımlanır ve LDA, veri grupları için etiketlere dayalı eğitimi kullanan denetimli bir algoritma olarak tanımlanır. En sık kullanılan diğer yöntemler CCA ve ICA’dır. Kanonik korelasyon analizi (CCA), ilişkilerin temel özelliklerini korurken, ilişkileri daha az sayıda değişkenle özetlememize olanak tanıyan iki çok değişkenli değişken kümesi arasındaki ilişkileri keşfetmek için başka bir yöntemdir. Bağımsız bileşen analizi (ICA), bir boyut azaltma yönteminden ziyade kör bir kaynak ayırma yöntemidir.
Nöral sinyaller, muhtemelen beyin aktivitesinin bazı temel bileşenlerinin karıştırılmasıyla üretilen potansiyellerin kayıtlarından oluşur. ICA, bağımsız bileşenleri hesaplayarak beyin aktivitesinin bu temel bileşenlerini teorik olarak izole edebilir.
Makine Öğrenimi Algoritmaları
Makine öğrenimi veya derin öğrenme algoritmaları giderek daha popüler hale geldi ve birçok alanda uygulanıyor. Genel olarak denetimsiz öğrenme ve denetimli öğrenmeye ayrılabilirler. Denetimsiz öğrenme yöntemleri, genellikle özellik çıkarma, örüntü tanıma, kümeleme ve boyut azaltma için kullanılan sinirsel verilerdeki gizli yapıları çıkarmayı amaçlar. Denetleme öğrenme yöntemleri, belirli bir çıktıyla eşleştirmek ve girdi verileri ile çıktı etiketleri arasındaki ilişkileri otomatik olarak keşfetmek için temel işlevleri kullanarak sinirsel verileri eğitir.
Denetimli öğrenmenin en yaygın uygulamaları sınıflandırma ve regresyondur. Makine öğrenimi algoritmalarının nicel modelleri, sinirbilimde inanılmaz derecede güçlü uygulamalar sağlar. LDA, PCA gibi bazı geleneksel yöntemler ve destek vektör makinesi (SVM) de makine öğrenimi algoritmaları olarak kabul edilir. Diğer algoritmalar (sinir ağları, otomatik kodlayıcılar ve lojistik regresyon), çıktıyı uyarlamalı olarak eşleştirmek için temel dönüştürme işlevini kullanarak girdi verisi yığınlarını eğitir.
Kaynakça:
https://www.battelle.org/government-offerings/health/medical-devices/neurotechnology/neural-signal-processing-data-analysis
http://ieeexplore.ieee.org/abstract/document/1642/
Yazar: Özlem Güvenç Ağaoğlu