Laboratuvar hazırlanıyor

Başlıyor

  1. 1Python çekirdeği
  2. 2NumPy
  3. 3SciPy
  4. 4İstatistik motoru

Biliyor muydun?t-testini, Guinness bira fabrikasında çalışan William Sealy Gosset 1908'de “Student” takma adıyla yayımladı.

İlk açılışta yaklaşık 25 MB indirilir ve 15-30 saniye sürebilir; sonraki açılışlarda çok daha hızlıdır.

Laboratuvar

EEG ve ERP Laboratuvarı

Beyin dalgalarını adım adım işle: süzgeç, referans, göz kırpması temizliği (ICA), epoklama, ERP, zaman-frekans ve grup istatistiği. EEGLAB ve MNE-Python’daki temel adımlar aynı sırayla, kurulum gerektirmeden tarayıcında.

Nasıl kullanılır?

  1. 1Aşağıdan bir çalışma biçimi seç: hazır bir deneyle öğrenmek mi istiyorsun, yoksa kendi EEG kaydını mı inceleyeceksin?
  2. 2Adımları yukarıdan aşağıya sırayla çalıştır. Her adımdaki mor düğmeye bas; adım bitince numarası onay işaretine döner ve sıradaki adım açılır. Ayarı değiştirip bir adımı yeniden çalıştırabilirsin.
  3. 3Her adımın altında açılan yeşil “Sonucu nasıl okursun?” kutusunu oku: ekrandaki grafiklerin ve sayıların ne anlama geldiğini, neye dikkat etmen gerektiğini anlatır. “Neden?” ve “Genelde nasıl yapılır?” kutuları adımın arka planını verir.
  4. 4İşin bitince sayfanın başındaki ya da sonundaki “PDF rapor indir” düğmesiyle tamamladığın adımları, grafikleri ve otomatik yazılan yöntem metnini tek dosyada indir. Hesaplar tarayıcında yapılır; ilk açılışta hesap motorunun yüklenmesi biraz sürebilir.
Veri setini tanı CC0 · kamu malı

Yüz algısı: ünlü, tanıdık olmayan ve karıştırılmış yüzler

On sekiz gönüllü, ekranda tek tek beliren fotoğraflara bakarken 70 elektrotla EEG kaydı alındı. Fotoğrafların bir kısmı ünlü kişilerin, bir kısmı tanınmayan kişilerin yüzüydü; bir kısmı ise yüz olmasın diye parçaları karıştırılmış resimlerdi. Beyin, yüz gördüğünde yaklaşık 170 milisaniye sonra arka-yan bölgelerde güçlü bir negatif dalga üretir: N170. Bu laboratuvarda bu dalgayı adım adım ortaya çıkaracaksın. Vitrin kaydı, bu kişilerden birinin ilk 8 dakikasıdır; EEGLAB’in kendi eğitimlerinde de kullanılan bir veri setidir.

Katılımcı

18 kişi

Elektrot

70 EEG + 2 göz (EOG)

Vitrin kayıt

1 kişi, 8 dakika, 125 Hz

Uyaran

Yüz / karıştırılmış yüz

Kaynak: OpenNeuro ds002718 (Wakeman & Henson, EEGLAB biçimi)DOI: 10.18112/openneuro.ds002718.v1.1.0Kaynağa git

Atıf: Wakeman, D. G., & Henson, R. N. (2015). A multi-subject, multi-modal human neuroimaging dataset. Scientific Data, 2, 150001.

EEG (elektroensefalografi), kafa derisine yerleştirilen elektrotlarla beyindeki milyonlarca sinir hücresinin birlikte ürettiği çok küçük elektrik dalgalanmalarını ölçer. Ekrandaki her yatay çizgi bir elektrotun zaman içindeki gerilimidir; birimi mikrovolttur (µV), yani voltun milyonda biri. Soldaki adlar elektrotun kafadaki yerini söyler: Fp alın, F ön, C orta, T şakak, P yan-arka, O ense bölgesidir; tek sayılar sol, çift sayılar sağ yarıküredir, “z” orta hattır. Kesikli dikey çizgiler olaylardır, yani bir uyaranın (resmin) ekrana geldiği anlar: hazır veride mor çizgi yüz, camgöbeği çizgi karıştırılmış yüzdür; kendi verinde mor Koşul A, camgöbeği Koşul B’dir. Sarı çizgiler göz hareketlerini ölçen EOG (elektrookülografi) kanallarıdır. Kaydırıcıyla kayıtta ilerleyebilir, pencere süresini ve dikey ölçeği değiştirebilirsin; altındaki grafik ise tüm kaydın güç spektrumudur.

Neden?

Hiçbir analize ham veriye bakmadan başlanmaz: bozuk bir elektrot, sık göz kırpması ya da kas gerginliği sonraki her adımı etkiler. Bu adım verinin ne kadar uzun olduğunu, kaç kanal ve kaç olay içerdiğini görmeni ve sorunları erkenden fark etmeni sağlar. Bilimsel makalelerde de ilk iş olarak veri kalitesinin nasıl kontrol edildiği yazılır.

Genelde nasıl yapılır?

  • Araştırmacılar kaydı önce ham hâliyle, 10–20 saniyelik pencerelerle kaydırarak inceler; EEGLAB’de bu iş “scroll” penceresiyle yapılır.
  • Göz kırpmaları alın kanallarında (Fp1, Fp2) birkaç yüz milisaniye süren, büyük ve yavaş tepeler olarak görünür.
  • Uyanık bir kişide EEG genliği çoğunlukla onlarca mikrovolt düzeyindedir; yüzlerce mikrovoltluk ani sıçramalar genellikle artefakttır (beyin dışı kaynaklı bozulma).
  • Güç spektrumunda 50 Hz’te (Türkiye ve Avrupa’da şebeke frekansı) sivri bir tepe şehir elektriğinden, 8–13 Hz civarındaki tümsek ise beynin alfa ritminden gelir.
Bu adımda kayda bir bant geçiren süzgeç (filtre) uyguluyoruz: belirlediğin iki frekans arasındaki dalgaları bırakıp gerisini zayıflatıyoruz. Yüksek geçiren sınır (ör. 0,1 Hz) bundan yavaş değişimleri, yani terleme ya da elektrot kaymasıyla oluşan yavaş sürüklenmeleri atar. Alçak geçiren sınır (ör. 40 Hz) bundan hızlı titreşimleri, yani kas gerginliğini ve elektrik gürültüsünü atar. Süzgeç kayda ileri ve geri iki kez uygulanır; böylece dalgaların zamanlaması kaymaz. Sonuçta sarı (önce) ve mor (sonra) çizgilerle güç spektrumunun nasıl değiştiğini görürsün. Ayarları değiştirip yeniden çalıştırarak farkı karşılaştırabilirsin.

Neden?

Bizi ilgilendiren olaya ilişkin potansiyeller (ERP) çoğunlukla yaklaşık 0,1 ile 30–40 Hz arasında yer alır. Bu aralığın dışındaki dalgalanmalar beyinden değil vücuttan ve çevreden gelir ve ortalamayı bozar. Süzgeç bu gürültüyü azaltarak sonraki adımların (özellikle ICA ve ERP’nin) daha temiz çalışmasını sağlar.

Genelde nasıl yapılır?

  • ERP çalışmalarında en sık ayar 0,1–40 Hz’tir; 0,1–30 Hz de yaygındır. Yavaş bileşenler (ör. P300) incelenirken yüksek geçiren sınır genellikle 0,1 Hz civarında tutulur, çünkü daha yüksek bir sınır dalganın biçimini bozabilir.
  • Süzgeç “sıfır fazlı” (ileri-geri) uygulanır ki tepe zamanları değişmesin; bu yüzden kesim frekanslarındaki zayıflama −6 dB’dir. İleri-geri süzgeç nedensel değildir: keskin bir etkiyi biraz öne doğru yayabilir, bu yüzden çok erken başlayan farklar dikkatle yorumlanır.
  • Türkiye ve Avrupa’da şebeke elektriği 50 Hz’tir (ABD’de 60 Hz). Çentik (notch) süzgeci yalnızca bu dar frekansı keser; alçak geçiren sınır zaten 40 Hz ise çoğu zaman gerekmez.
  • Süzgeç türü ve sınırları makalenin Yöntem bölümüne mutlaka yazılır; bu laboratuvarın raporu bunu senin için yazar.

Bu adım, önceki adım tamamlanınca açılır.

EEG’de ölçülen her değer aslında iki nokta arasındaki gerilim farkıdır: elektrotun kendisi ile referans denen bir karşılaştırma noktası. Bu kayıtta referans burnun üzerindeydi. Bu adımda ortalama referansa geçiyoruz: her an tüm EEG kanallarının ortalaması hesaplanıp her kanaldan çıkarılır. Böylece tek bir referans noktasının kendine özgü gürültüsü bütün kanallara bulaşmaz. İstersen “Kayıttaki gibi bırak” seçeneğiyle referansı değiştirmeden devam edebilirsin. Bu adımın ayrı bir grafiği yoktur; etkisini yukarıdaki ham kayıtta ve sonraki ERP’lerde görürsün.

Neden?

Referans seçimi dalgaların biçimini ve hangi bölgede büyük göründüğünü değiştirir. Ortalama referans kafa yüzeyinin her yerine eşit davrandığı için çok elektrotlu kayıtlarda en tarafsız seçenek kabul edilir. N170 gibi yan (lateral) bölgelerde güçlü bileşenleri görmeyi de kolaylaştırır.

Genelde nasıl yapılır?

  • 64 ve daha fazla elektrotlu kayıtlarda ortalama referans en yaygın seçimdir.
  • Daha az elektrotlu çalışmalarda iki kulak arkasının (mastoid) ortalaması sık kullanılır.
  • Ortalama referans için elektrotların kafayı olabildiğince geniş ve eşit örtmesi gerekir; çok az elektrotla (ör. 8–16) yanıltıcı olabilir.
  • Kullanılan referans makalede mutlaka belirtilir, çünkü farklı referanslarla elde edilen ERP genlikleri doğrudan karşılaştırılamaz.

Bu adım, önceki adım tamamlanınca açılır.

Bağımsız Bileşen Analizi (ICA), elektrotlarda karışık hâlde ölçülen sinyali birbirinden istatistiksel olarak bağımsız “kaynaklara” (bileşenlere) ayırır. Bunu kalabalık bir odaya benzetebilirsin: odadaki mikrofonlar herkesin sesini karışık kaydeder, ICA ise her konuşmacının sesini ayrı ayrı çıkarmaya çalışır. EEG’de bu kaynaklardan biri göz kırpması, biri göz hareketi, biri kalp atışı, çoğu ise beyin etkinliğidir. Ekrandaki her küçük kafa haritası bir bileşenin kafa yüzeyine nasıl yayıldığını gösterir; altındaki yüzde, o bileşenin ICA bileşenlerinin toplam gücü içindeki yaklaşık payıdır. Göz kaynaklı olduğu düşünülen bileşenler otomatik işaretlenir (kırmızı çerçeve); seçimi tıklayarak değiştirebilir, sonra “Seçili bileşenleri çıkar” ile kayıttan silebilirsin.

Neden?

Göz kırpması beyin sinyalinden on kat büyük olabilir ve özellikle ön kanallarda ERP’yi bozar. Kırpma içeren denemeleri tümden atmak veri kaybettirir; ICA ile yalnızca kırpmanın kendisini silip denemeleri koruruz. Bu yüzden ICA, günümüz EEG ön işlemesinin standart bir parçasıdır.

Genelde nasıl yapılır?

  • ICA genellikle 1 Hz yüksek geçiren süzgeçli bir kopya üzerinde hesaplanır (yavaş kaymalar ayrıştırmayı bozar); bulunan ayrıştırma sonra asıl veriye uygulanır. Bu laboratuvar da böyle yapar.
  • Göz kırpması bileşeninin haritası alında yoğunlaşır, zaman içinde seyrek ve büyük tepeleri vardır; göz kanalıyla (EOG) ilişkisi yüksektir.
  • Genellikle 1–3 bileşen çıkarılır; çok fazla bileşen çıkarmak beyin sinyalini de siler.
  • EEGLAB’deki ICLabel gibi otomatik sınıflandırıcılar bileşenleri “beyin, göz, kas, kalp, gürültü” diye etiketler; son karar yine araştırmacınındır.
  • Bu laboratuvar FastICA algoritmasını kullanır (MNE-Python’daki gibi); EEGLAB’in varsayılanı Infomax’tır. İki algoritma göz kırpmasını benzer biçimde ayırır ama bileşenler birebir aynı çıkmaz.

Bu adım, önceki adım tamamlanınca açılır.

Sürekli kaydı, her olayın (uyaranın ekrana geldiği anın) etrafındaki kısa parçalara bölüyoruz; bu parçaların her birine epok (deneme) denir. Varsayılan pencere olaydan 200 ms önce başlar, 800 ms sonra biter. Olaydan önceki dönem taban (baseline) olarak kullanılır: her epoktan bu dönemin ortalaması çıkarılır, böylece tüm denemeler aynı sıfır noktasından başlar. Ardından tepe-tepe genliği (en büyük ile en küçük değer arasındaki fark) belirlediğin eşiği aşan denemeler artefakt (bozulma) içerdiği varsayılarak atılır. Yüzler bir grupta, karıştırılmış yüzler diğer grupta toplanır. Sonuçta her koşulda kaç deneme kaldığını ve tek tek denemeleri gösteren bir ısı haritası görürsün.

Neden?

Tek bir denemede beynin olaya verdiği tepki, süregiden beyin etkinliği ve gürültü altında neredeyse görünmez. Aynı olaya ait onlarca kesit hizalanıp ortalanınca rastgele dalgalanmalar birbirini götürür, olaya kilitli tepki ise ortaya çıkar. Epoklama bu ortalamanın ilk adımıdır.

Genelde nasıl yapılır?

  • Görsel ERP çalışmalarında pencere çoğunlukla −200…+800 ms seçilir; −200…0 ms taban olarak kullanılır.
  • Tepe-tepe genliği 100–150 µV’yi aşan denemeler sıklıkla atılır; eşik kayıt kalitesine göre ayarlanır.
  • Her koşulda en az 30–50 temiz deneme önerilir; az deneme gürültülü bir ERP demektir.
  • Atılan deneme oranı ve her koşulda kalan deneme sayısı makalede raporlanır.

Bu adım, önceki adım tamamlanınca açılır.

Her koşulun denemelerini zaman noktası zaman noktası ortalıyoruz; ortaya çıkan dalgaya olaya ilişkin potansiyel (ERP) denir. ERP’deki tepeler harf ve gecikmeyle adlandırılır: N negatif, P pozitif demektir; N170, olaydan yaklaşık 170 ms sonra görülen negatif dalgadır. Hazır veride yüzlerin, karıştırılmış resimlere göre sağ arka-yan elektrotlarda daha büyük (daha negatif) bir N170 ürettiğini görmeyi bekliyoruz. Grafikte koşulların ERP’si ve kesikli sarı çizgiyle aralarındaki fark (fark dalgası) çizilir; gölgeli bantlar ortalamanın standart hatasıdır. Tablo seçilen penceredeki tepe gecikmesini ve genliğini verir. Alttaki kafa haritaları aynı anda tüm kafa yüzeyindeki gerilim dağılımını (topografi) gösterir; kaydırıcıyla ya da “Oynat” düğmesiyle zaman içinde ilerleyebilirsin.

Neden?

N170, beynin yüzleri diğer nesnelerden ayırdığı en erken ve en güvenilir işaretlerden biridir ve çoğunlukla sağ oksipito-temporal (ense-şakak) bölgede en güçlüdür. ERP’ler milisaniye düzeyinde zaman çözünürlüğü sunduğu için beynin bir uyaranı ne zaman ve hangi sırayla işlediğini gösterir. Kendi verinde de aynı mantıkla iki koşul arasındaki farkın ne zaman ortaya çıktığını incelersin.

Genelde nasıl yapılır?

  • Bir bileşen ya belirli bir penceredeki en uç noktadan (tepe genliği ve gecikmesi) ya da pencere ortalamasından ölçülür; pencere ortalaması gürültüye daha dayanıklıdır.
  • N170 çoğunlukla P7/P8, PO7/PO8 ve TP8 civarındaki elektrotlarda 130–200 ms penceresinde ölçülür.
  • P1 (yaklaşık 80–130 ms) erken görsel işlemeyi, P300 (yaklaşık 250–500 ms) dikkat ve beklenmedik uyaranın değerlendirilmesini yansıtır; P300 çoğunlukla orta hattın arkasında (Pz) en büyüktür.
  • Koşullar arasındaki farkı göstermek için fark dalgası (A − B) çizilir ve farkın kafa yüzeyindeki dağılımı topografiyle sunulur.

Bu adım, önceki adım tamamlanınca açılır.

ERP yalnızca her denemede aynı zamanda ve aynı yönde (aynı fazda) gelen tepkileri gösterir. Oysa beyin olaylara bazen belirli ritimlerini güçlendirerek ya da zayıflatarak da tepki verir; bu değişimler ortalamada birbirini götürebilir. Bu adımda Morlet dalgacığı denen kısa, salınan bir kalıpla her frekansta (4–40 Hz) gücün zaman içinde nasıl değiştiğini hesaplıyoruz. Soldaki harita ERSP’dir (olaya bağlı spektral değişim): olaydan önceki taban döneme göre gücün kaç desibel arttığını ya da azaldığını gösterir. Sağdaki harita ITC’dir (denemeler arası faz uyumu): 0 ile 1 arasında, tepkinin denemeden denemeye aynı fazda gelip gelmediğini ölçer. Analiz seçtiğin tek bir kanalda ve yüz denemelerinde yapılır.

Neden?

Ritimler beynin farklı işlevleriyle ilişkilidir: örneğin alfa (8–13 Hz) gücündeki düşüş görsel dikkat ve işlemeyle, teta (4–7 Hz) artışı ise uyaranın işlenmesiyle ilişkilendirilir. Zaman-frekans analizi ERP’de görünmeyen bu ritmik değişimleri ortaya çıkarır. ITC ise bir tepkinin gerçekten olaya kilitli olup olmadığını anlamaya yardım eder.

Genelde nasıl yapılır?

  • Güç, olay öncesi taban döneme göre desibel (dB) değişimi olarak gösterilir; 0 dB değişim yok, +3 dB yaklaşık iki kat güç demektir.
  • Görsel uyaranlardan sonra arka kanallarda alfa ve beta gücü çoğunlukla azalır (olaya bağlı desenkronizasyon).
  • Düşük frekanslarda az, yüksek frekanslarda çok döngülü dalgacık kullanılır; bu analizde döngü sayısı 3’ten 8’e çıkar. Böylece sabit döngülü dalgacığa göre düşük frekanslarda zaman çözünürlüğü, yüksek frekanslarda frekans çözünürlüğü daha iyi korunur; ikisi arasında bir denge kurulur.
  • EEGLAB’de bu analiz “newtimef”, MNE-Python’da Morlet dalgacığıyla (“tfr_array_morlet”, epochs.compute_tfr) yapılır; bu laboratuvarın dalgacığı MNE-Python’daki tanımın aynısıdır.

Bu adım, önceki adım tamamlanınca açılır.

Tek bir kişide gördüğümüz etki o kişiye özgü ya da tesadüf olabilir. Bu adımda 18 katılımcının her biri için önceden hesaplanmış ortalama ERP’leri birleştirip yüz ile karıştırılmış yüz arasındaki farkı istatistiksel olarak sınıyoruz. İki test birlikte yapılır: (1) Her kişide sağ arka-yan elektrotlarda 150–190 ms ortalama genliği ölçülür ve iki koşul eşleştirilmiş t-testiyle karşılaştırılır. (2) Tüm kanallar ve tüm zaman noktaları birlikte küme tabanlı permütasyon testiyle sınanır. Sonuçta grup ortalaması ERP’si, kanal × zaman t haritası, 170 ms’deki t topografisi ve küme tablosu görürsün. Bu adım 1–7. adımlardan bağımsızdır; doğrudan çalıştırabilirsin.

Neden?

Bilimsel bir sonuç için etkinin katılımcılar arasında tutarlı olduğu gösterilmelidir. 70 kanal × yüzlerce zaman noktasında ayrı ayrı test yapılınca tesadüfen “anlamlı” çıkan noktaların sayısı artar (çoklu karşılaştırma sorunu). Küme permütasyonu bu sorunu, komşu anlamlı noktaları tek bir küme olarak ele alıp kümenin büyüklüğünü rastgele karıştırılmış verilerle kıyaslayarak çözer.

Genelde nasıl yapılır?

  • Küme tabanlı permütasyon testi (Maris ve Oostenveld, 2007) EEG/MEG’de çoklu karşılaştırma için standart yöntemlerden biridir; FieldTrip ve MNE-Python’da hazır bulunur.
  • Önce her nokta için t değeri hesaplanır; eşiği aşan ve kanal ya da zaman olarak komşu noktalar bir “küme” oluşturur. Kümedeki t değerlerinin toplamına “küme kütlesi” denir.
  • Sonra her katılımcının fark işareti rastgele çevrilerek (permütasyon) yüzlerce sahte veri seti üretilir; gerçek kümenin kütlesi bu sahte dağılımla karşılaştırılarak p değeri bulunur.
  • Permütasyon sayısı arttıkça p değeri daha kesin olur ama hesap uzar; yayınlarda 1000 ve üzeri sık kullanılır.
Bu son adım, yaptığın her işlemi ve bulduğun sonuçları bir makalenin ya da tezin “Yöntem” ve “Bulgular” bölümüne yazılacak biçimde tek paragrafta özetler. Metin gerçekten uyguladığın ayarlardan (süzgeç sınırları, referans, çıkarılan ICA bileşenleri, epok penceresi, eşik) ve sayfada hesaplanan değerlerden otomatik oluşur; elle yazılmış bir sayı içermez. “Metni kopyala” ile alıp kendi belgene yapıştırabilir, sayfanın sonundaki “PDF rapor indir” düğmesiyle tüm adımları, grafikleri ve bu metni tek dosyada indirebilirsin.

Neden?

Bilimde bir analiz, başkalarının aynı adımları tekrar edebileceği kadar ayrıntılı yazılmalıdır (tekrarlanabilirlik). Yöntem metnini ayarlarından otomatik üretmek, hangi değerleri kullandığını unutmanı ya da yanlış yazmanı önler.

Genelde nasıl yapılır?

  • Yöntemde kayıt bilgileri (kanal sayısı, örnekleme hızı, referans), süzgeç ayarları, artefakt temizliği ve atılan deneme sayıları yazılır.
  • Bulgularda ölçüm penceresi, elektrotlar, koşul ortalamaları ve istatistik test sonucu (t, serbestlik derecesi, p ve etki büyüklüğü) verilir.
  • Kullanılan yazılımın adı ve sürümü de belirtilir; sonuçları yayımlamadan önce EEGLAB ya da MNE-Python ile karşılaştırman önerilir.

Bu adım, önceki adım tamamlanınca açılır.

Tamamladığın adımlar, görseller ve tablolar tek PDF’te; veri seti künyesi ve atıf bilgisi dahil.

Önemli uyarılar

  • Bu laboratuvar eğitim ve araştırma amaçlıdır; sonuçlar tıbbi ya da psikolojik bir teşhis değildir, klinik EEG değerlendirmesinin yerine geçmez.
  • Hazır veriler OpenNeuro'da CC0 (kamu malı) lisansıyla paylaşılmıştır; yayınlarda özgün çalışmaya atıf yapılması bilimsel bir gerekliliktir. Katılımcıların kimliğini belirlemeye çalışmak yasaktır.
  • Kendi yüklediğin kayıtlar yalnızca tarayıcında işlenir, sunucuya gönderilmez. Yalnızca kişisel bilgileri silinmiş (anonim) veri yükle; başkasına ait verileri yüklemeden önce katılımcı onamı ve etik kurul izninin bulunduğundan emin ol.
  • Buradaki yöntemler (Butterworth süzgeç, FastICA, Morlet dalgacığı, küme permütasyonu) yaygın ve doğrulanmış yaklaşımların sade uygulamalarıdır; yayın öncesi sonuçlarını EEGLAB ya da MNE-Python ile karşılaştırman önerilir.