Akademik Veri Yönetim Sistemi
Teknik Rapor, ss.1-7, 2019
Beyin Bilgisayar Arayüzleri için Yeni Bir Teknoloji: İşlevsel Yakın Kızılaltı Spektroskopi
Beyin bilgisayar arayüzleri (BBA), zihinsel süreçlerin karşılığı olan beyin aktivitesine dair biyolojik sinyalleri doğrudan beyinden toplayabilen ve bu sinyalleri çözümleyip bir bilgisayara, sinirsel proteze yahut hasta destek cihazına komut olarak gönderebilen sistemlerdir. BBA geliştirmenin altında yatan temel motivasyon, amyotrofik lateral skleroz (ALS), felç yahut tetrapleji hastaları gibi bilişsel işlevlerini koruyan, fakat motor sinir hücrelerinde oluşan hasar sebebiyle fiziksel uyaranlara kas hareketi ile cevap veremeyen insanların zihinsel süreçlerini çözümleyerek bir komuta çevirmek, yahut bu çözümlemeyi rehabilitasyon süreçlerinde geri bildirim olarak kullanarak sinirsel işlevlerini geri kazanmalarına katkı sağlamaktır.
Yeni ölçüm ve analiz yöntemlerinin keşfedilmesi, motor işlev bozukluğu olan hastaların yaşam kalitesinin artırılmasında ve dış dünya ile iletişim kurmalarında kritik öneme sahiptir. BBA sistemleri, motor işlev kaybı olan hastaların ayna sinir hücrelerini etkinleştirmelerini sağlayacak sinirsel geri-besleme protokolleri ile birleştirilerek bu sinirlerin yeniden normal işlevlerini kazanmalarına da katkı sağlama potansiyeline sahiptir. Yakın gelecekte bu sistemler vasıtasıyla elde edilen nörofizyolojik ölçümlerin hassaslaşması ve ölçümlenen beyin sinyallerinin çözümlenme metotlarının iyileşmesi ile sağlıklı kişilerin niyet tahmininin yapılması ve harici cihazların eller bağımsız şekilde kontrolü mümkün olacaktır.
BBA sistemlerinde harici bir cihaza gönderilecek bilgi, kimi zaman el, kol, ayak yahut bacak gibi bir uzuv hareketinin imgelenmesi, kimi zaman da bir soruya evet/hayır şeklinde düşünerek verilen bir zihinsel cevabın, yahut bir aritmetik işlemin yürütülmesi gibi zihinsel bir faaliyetin karşılığı olan beyin sinyallerinin nörofizyolojik ölçümler ile toplanması ve bu bilginin yapay zeka algoritmaları kullanılarak doğru çözümlenmesi ile elde edilir. Geçtiğimiz on yılda, zihinsel faaliyetlerin ve süreçlerin BBA’lar ile çözümlenmesinde, beyin sinyallerini toplama amaçlı yeni fizyolojik ölçüm yöntemlerinin geliştirilmesi kadar, bu ölçümlerin hassas biçimde hangi komuta ait olacağının sınıflandırılması amacıyla farklı mimarilere sahip yapay zeka algoritmalarının geliştirilmesi ve bu algoritmaların büyük veri kümeleri ile eğitilerek hassaslaştırılması önem kazanmıştır.
İdeal bir BBA sisteminde beyin etkinliğine dair fizyolojik bilginin, kişiye minimal rahatsızlık verecek şekilde elde edilmesi ve veri toplanırken gerçek zamanlı bir şekilde anlamlandırılması istenir. Dolayısıyla ideal bir BBA sisteminde aranılan özellikler hafif, taşınabilir ve giyilebilir olma, doğal ortamlarda kişinin beyin işlevine dair bilginin istenilen sıklıkta ve süre boyunca toplanmasına olanak sağlama, düşük işletim maliyeti ve minimal sürede veri toplayarak zihinsel faaliyetlerin çözümlemesini yapabilecek yazılıma sahip olmasıdır.
Son yirmi yılda yapılan çeşitli sinirbilim araştırmalarında, kafalarına mikroelektrotlar yerleştirilen insan denekler, robot ve protez kollarını kontrol etmek amacıyla başarıyla eğitilebilmişlerdir. Bu bulgular, girişimsel BBA’ların umut vaat edici yönünü ortaya koyarken, beyne mikroelektrotlar yerleştirmedeki doğal tıbbi riskler göz ardı edilememiştir. Bu sebeple aynı başarıyı, girişimsel olmayan beyin işlevi görüntüleme yöntemleri ile elde etmek önemli bir hedef olmuştur. Geçtiğimiz on yılda elektroensefalogram (EEG), işlevsel yakın kızılaltı spektroskopi (iYKAS), işlevsel manyetik rezonans görüntüleme (iMRG) ve magnetoensefalogram (MEG) yöntemleri, kişilerin zihinsel durumlarına dair nörofizyolojik bilgiyi çözümlemek amacı ile yoğun bir biçimde araştırılmıştır. Bu yöntemler arasında EEG ve iYKAS, taşınabilir ve giyilebilir olmaları, kısa kurulum süresi ve göreceli olarak düşük ekipman maliyeti gibi olumlu özellikleri sebebiyle girişimsel olmayan BBA geliştirmede en uygun aday yöntemler olarak öne çıkmışlardır.
EEG, kafa derisi üzerine yapıştırılan elektrotlar ile ölçüm bölgesine yakın sinir hücresi gruplarının sinaps sonrası elektriksel aktivitelerinin sebep olduğu voltaj salınımlarını ölçümleyen ve uzun süredir klinikte kullanım alanları araştırılan bir yöntemdir. Beyin elektriksel aktivitesine dair bilgi veren EEG yönteminin, göz kırpma ve hareket kaynaklı sinyal bozulmalarına çok hassas olması, doğal gündelik ortamlarda uzun süreli sinyal gürültü oranı yüksek ölçüm alma ihtimalini düşürmektedir.
İşlevsel yakın kızılaltı spektroskopi (İYKAS), kortikal beyin dokusuna kafa derisi üzerinden çok düşük şiddette (~30 mW) ve yakın kızılaltı dalga boyu aralığında oksijenli ve oksijensiz hemoglobin moleküllerine seçici hassas iki farklı dalga boyunda gönderilen, ve ışığın beyin dokusundaki emilimindeki değişiklikleri ölçümleyerek bölgesel oksijenlenme dinamikleri hakkında bilgi veren oldukça yeni ve girişimsel olmayan bir beyin görüntüleme yöntemidir. İYKAS sistemleri, LED yahut lazer tabanlı ışık kaynakları ve ışık algılayıcılarının bulunduğu kafa derisi üzerine yerleştirilen bir prob ve veri toplama ünitesine sahiptir. Çoğunlukla sinirbilim araştırmalarında kullanılan bu sistemler, kablolu, tüm kafa yüzeyini kapsayan, yahut kablosuz ve sadece belirli bir beyin bölgesine odaklanan minyatür ergonomik tasarımlar ile kullanıcıya sunulabilmektedir. iYKAS yöntemi, kullanıcıya rahatsızlık vermeden beynin fiziksel veya bilişsel uyaranlara verdiği hemodinamik cevapları ölçer ve gerçek zamanlı olarak beynin işlevsel etkinlik haritalarının çıkarılmasına olanak verir. Bu yöntemin en önemli olumlu özelliği, girişimsel olmaması ve kişiye zarar vermeden istenilen sıklıkta ve süre boyunca beyin işlevine dair ölçümlerin doğal ortamlarda alınmasına olanak vermesidir.
Acıbadem Mehmet Ali Aydınlar Üniversitesi Tıp Mühendisliği Bölümü bünyesindeki Nöroteknoloji Araştırma Grubu ve İstanbul Medipol Üniversitesi Tıp Fakültesi bünyesindeki Bilişsel Sinirbilim Araştırma Grubunun ortaklaşa yürüttüğü çalışmalarda, kurulan İYKAS sistemleri ile çeşitli bilişsel ve zihinsel faaliyetler esnasında beyin aktivasyonuna dair bilgiler başarılı bir şekilde elde edilmektedir. Sağlıklı insanların, belirli uyarı durumlarına verdikleri hemodinamik tepki haritalarının çıkarılması ve bu haritaların nörolojik, psikiyatrik veya nörodejeneratif olguya sahip hasta gruplarının beyin haritalarından farklarının niceliklendirilmesi ile İYKAS sistemleri klinik uygulamalarda yer edinmeye başlamıştır.
İki üniversitenin araştırma gruplarının ortaklaşa yürüttüğü bir çalışmada, farklı el hareketlerinin imgelenmesi ve bu hareketlerin icra edilmesi sırasında, İYKAS yöntemi ile pariyetal, motor ve frontal korteks yüzeyinden bölgesel beyin aktivitesinin karşılığı olan sinyaller toplandı. Bu sinyaller hemodinamik cevaplara dönüştürüldü. Hemodinamik cevaplardan elde edilen beyin etkinliğine dair parametre haritaları incelendiğinde, bir motor işlevin hayal edilmesi ile gerçekten icra edilmesinin, frontal beyin bölgelerinde birbirlerine zamansal ve uzamsal olarak çok benzeyen sinyaller ürettiği gözlemlendi. Bu gözlemin 10 tane sağlıklı denek için de geçerli olduğu görüldü. Bu bulgudan yola çıkarak, periferal uzuvlarını motor korteksteki sinir hücrelerinin hasarı sebebiyle hareket ettiremeyen hastalardan belirli hareketleri imgelemeleri sırasında frontal korteks gibi hasar görmemis beyin bölgelerinden İYKAS ile toplanacak hemodinamik ölçümlerin, sağlıklı insanlardan belirli motor hareketler esnasında toplanacak hemodinamik ölçümler ile karşılaştırılarak, kişinin hangi hareketi imgelediğinin tahmin edilebileceği önerildi. Journal of Neural Engineering adlı dergide yayımlanan öncül çalışmada, sekiz farklı motor hareketin yürütülmesi ve imgelenmesi sırasında İYKAS ile toplanan beyin sinyalleri, karar destek makineleri, rastgele ormanlar ve yapay sinir ağları adlı üç tane makine öğrenme algoritmasını eğitmede kullanıldı. Bu algoritmalar %93 üzeri doğrulukla hangi el hareketinin denekler tarafından imgelendiğini tahmin edebildi. Bu çalışmada sunulan temel yenilik, kullanılan sınıflandırma algoritmalarının ilk defa popülasyon genelinde elde edilen İYKAS verilerinin birleştirilmesi ile eğitilmesi ve her harekete özgü sinyal karakteristiklerinin grup seviyesinde tanımlanmasıdır. Kullanılan makine öğrenme algoritmalarının grup seviyesinde çıkarılan öznitelikler ile eğitimi sonucunda elde edilen el hareketlerini doğru sınıflandırma performansı, her kişi için algoritmaların ayrı ayrı eğitilmesi sonucu elde edilen tek denek seviyesinde çıkarılan performansa çok yakın olmuştur. Şimdiye kadar yapılan İYKAS ve EEG temelli BBA çalışmalarında, farklı makine öğrenme algoritmaları her denekten elde edilen sinyallerden çıkarılan öznitelikler ile kişi bazında eğitilmiştir. Bu yaklaşım, BBA’nın kullanımı öncesi yapay zeka algoritmalarını beslemek için her hareketin imgelenmesi için kullanıcıya özgü ayrı ayrı uzun süreli eğitim verisi toplanmasını gerektirir. Motor kortekste sinir hasarı olan hastalar için bir yapay zeka algoritmasını eğitmek için test ölçümler almak pratik hayatta pek elverişli ve uygulanabilir değildir. Önerilen yaklaşımda özellikle yüksek karmaşıklıkta bilişsel işlevlerin yürütülmesinden sorumlu prefrontal korteks gibi bölgelerden toplanan İYKAS temelli beyin sinyallerinden, her zihinsel duruma özgü kişiler arası ortak karakteristik özellikler çıkarılabileceği ve bu özniteliklerin ilk defa veri toplanan bir deneğin beyin sinyallerinin hangi hareketin imgelenmesine ait olduğunu sınıflandırmada kullanılabileceği gösterilmiştir.
Yapılan çalışmalar, İYKAS temelli BBA’ların, bilişsel becerilerini muhafaza ederken periferal uzuvlarını sınırlı kullanabilen yahut hiç kullanamayan, yoğun bakım hastaları, ALS, tetrapleji, ve felç gibi hasta gruplarının farklı zihinsel durumlarını çözümlemede ve dış dünya ile iletişim kurmalarını sağlamada umut vaat edici olduğunu göstermektedir. İki üniversitenin ortaklaşa yürüttüğü beyin araştırmaları, İYKAS ve yapay zeka temelli taşınabilir ve gündelik hayatta kullanılabilir BBA sistemleri ile duygu-durum ve niyet tahmini ve takibi yapma hedeflerine doğru yönelmektedir.