Yöntemler ve doğrulama
Laboratuvardaki her hesap, tarayıcında çalışan açık Python koduyla (NumPy ve SciPy; Pyodide) yapılır. Bu sayfada her modülün ne hesapladığı, hangi referans yazılımla karşılaştırıldığı, sonuçların ne kadar örtüştüğü ve bilinen sınırları yer alır. Sayılar, Kasım 2026’daki bağımsız denetimde ölçülmüş gerçek değerlerdir; denetimde bulunan hatalar düzeltilmiş, düzeltilemeyen sınırlar açıkça yazılmıştır.
Denetim nasıl yapıldı?
- Her modül ayrı ayrı incelendi: hesaplar aynı veriyle referans yazılımlarda (ör. SciPy, statsmodels, MNE, nilearn) yeniden yapıldı, sonuçlar karşılaştırıldı.
- Metinlerdeki her bilimsel iddia ve kaynak, özgün makaleyle tek tek karşılaştırıldı; kaynağın söylemediği bir şeyi söyleyen cümleler düzeltildi.
- Laboratuvar eğitim aracıdır ve tıbbi cihaz değildir; doğrulama, öğretilen yöntemin doğru uygulandığını gösterir, klinik bir kullanım iddiası taşımaz (bkz. kullanım koşulları).
İstatistik
Modüle git →Ne hesaplanır?
- Tanımlayıcı istatistiklerden t testlerine; ANOVA ailesine (tek ve iki yönlü, tekrarlı ölçümler, karma, ANCOVA, MANOVA); korelasyon ve regresyona (doğrusal, hiyerarşik, lojistik); parametrik olmayan testlere; güvenirliğe (Cronbach α, ICC); faktör analizine, ROC, sağkalım (Kaplan–Meier) ve güç analizine kadar tüm analizler tarayıcıda SciPy 1.14, NumPy 2.2 ve statsmodels 0.14 ile hesaplanır.
- Varsayılan seçimler güncel önerileri izler: iki bağımsız grupta Welch t testi (Delacre, Lakens ve Leys 2017; R’ın da varsayılanı), ANOVA ile birlikte Welch F, etki büyüklükleri güven aralıklarıyla (Cohen d için merkezi olmayan t dağılımı).
Doğrulama
Temel analizler: referans yazılımla en büyük mutlak fark
| Analiz | Referans | En büyük fark |
|---|---|---|
| Welch t testi: t, sd, p, %95 GA | R t.test | 1,4 × 10⁻¹⁴ |
| Eşleştirilmiş t testi, dz | pingouin | 1,1 × 10⁻¹⁶ |
| ANOVA: F, η², ω²; Welch F; Kruskal–Wallis; Levene; Games–Howell; Dunn–Holm | pingouin, R oneway.test, SciPy | 1,3 × 10⁻¹¹ |
| Tukey HSD: p ve GA | R TukeyHSD, SciPy tukey_hsd | GA’da 1,0 × 10⁻⁹ |
| Pearson r, p ve GA; Spearman | SciPy | 5,6 × 10⁻¹⁷ |
| χ², Cramér V, Fisher kesin testi | SciPy, R | 3,3 × 10⁻¹⁶ |
| Doğrusal regresyon: B, SH, t, p, R², F, β, VIF | statsmodels | 1,4 × 10⁻¹⁴ |
| Cronbach α, madde–toplam r | pingouin | 6,7 × 10⁻¹⁶ |
| Çarpıklık ve basıklık (SPSS formülleri) | pandas | 2,2 × 10⁻¹⁵ |
| Mann–Whitney kesin p; Cohen d için %95 GA | R wilcox.test; R (merkezi olmayan t) | 10 ondalık basamağa kadar aynı |
İleri analizler
| Analiz | Referans | En büyük fark |
|---|---|---|
| İki yönlü ANOVA (III. tip, dengesiz desen) | statsmodels | 2,5 × 10⁻¹³ |
| Tekrarlı ölçümler ANOVA: F, Greenhouse–Geisser ε, Mauchly, ηp², ηG² | pingouin, R anova.mlm | ≤ 10⁻¹² |
| ANCOVA: F, ηp², düzeltilmiş ortalamalar | statsmodels | 1,7 × 10⁻¹³ |
| MANOVA: Pillai, Wilks, Hotelling–Lawley, Roy | statsmodels, R summary.manova | 1,6 × 10⁻¹⁴ |
| Hiyerarşik regresyon: ΔR², ΔF | statsmodels | 7,1 × 10⁻¹⁵ |
| Lojistik regresyon: B, LR χ², −2LL | R glm | aynı |
| ICC (altı tür) | pingouin | aynı |
| KMO, Bartlett küresellik testi, varimax | R psych, R stats | ≤ 5 × 10⁻¹⁶ |
| Temel eksen faktörleştirme; varimax | EFAtools (SPSS kipi) | 5,5 × 10⁻⁶ |
| Promax döndürme (temel eksen ve temel bileşenler) | EFAtools (SPSS kipi) | yükler 6,7 × 10⁻⁷; faktör korelasyonu 4,4 × 10⁻⁸ |
| ROC: AUC, DeLong SH, Youden kesim noktası | scikit-learn | 0 |
| ROC: AUC = ,50 sınamasının p değeri | SciPy mannwhitneyu, R wilcox.test | ≤ 7 × 10⁻¹⁷ |
| Huynh–Feldt ε (karma desen, Lecoutre düzeltmesi) | R anova.mlm | aynı |
| Güç analizi (t testleri, ANOVA) | R power.t.test, power.anova.test | aynı |
| Kaplan–Meier, Greenwood SH, log-rank | R survival | ≤ 10⁻⁹ |
| Kendall τb, McNemar, Cochran Q, Friedman | SciPy, statsmodels, R | ≤ 8 × 10⁻¹⁵ |
Benzetim verileri ve uç durumlar kullanıldı: 2 kişilik gruplar, bağlı değerler, eksik veri, yayılımı sıfır olan grup, dengesiz desenler ve n = 1000. Tarayıcıdaki motorun (SciPy 1.14) güncel SciPy (1.15) ile aynı sonucu verdiği 33 analizde ayrıca doğrulandı.
- Düzeltilen hata: Tarayıcıdaki SciPy sürümü, bağlı (aynı) değerler içeren eşleştirilmiş verilerde Wilcoxon testi için geçersiz olan kesin dağılımı kullanıyordu. Örnek bir veride doğru değer p = ,000065 iken p = ,0000019 veriyordu. Artık bağ yoksa ve n ≤ 50 ise kesin p, aksi hâlde bağ düzeltmeli normal yaklaşım kullanılır; sonuç R ile aynıdır.
- Düzeltilen hata: Serbestlik derecesi çok küçükken (ör. çok küçük gruplarla Games–Howell) Tukey dağılımının p değerinde %12’ye varan hata vardı; şimdi %0,0003’ün altında.
- SPSS ile uyum için yapılan değişiklikler: Promax döndürme SPSS algoritmasına çevrildi (Grieder ve Steiner 2022; örnek veride faktör korelasyonu 0,143 yerine doğru değer 0,067); çarpıklık ve basıklık SPSS formülleriyle hesaplanıyor; ROC eğrisinin p değeri SPSS ve GraphPad gibi sıfır hipotezi altındaki standart hatayla (Hanley ve McNeil 1982) hesaplanıyor; karma desenlerde Huynh–Feldt ε, R ile aynı olan Lecoutre düzeltmesini kullanıyor.
Bilinen sınırlar
- Bazı sonuçlar bilinçli olarak SPSS’i izler: Mauchly testi birinci derece χ² yaklaşımını kullanır (R ve pingouin ikinci derece bir terim ekler; ör. p = ,000138’e karşı ,000141) ve kareler toplamı III. tiptir.
- Faktör sayısı varsayılan olarak Kaiser ölçütüyle (özdeğer > 1) önerilir; JASP ve jamovi paralel analizi kullanır. Faktör sayısına karar vermek araştırmacının işidir.
- Lojistik regresyonun standart hataları R glm ile en çok 6 × 10⁻⁵ oranında farklı çıkabilir; nedeni R’ın varsayılan yakınsama toleransıdır (sıkı toleransla fark 10⁻⁹). ROC’daki Youden kesim noktası aynı veride seçildiği için iyimserdir.
- Doğru sonuç, doğru testin seçilmesine bağlıdır: p değerleri ve güven aralıkları gözlemlerin bağımsız olduğu ve tasarıma uygun testin seçildiği varsayımına dayanır.
Kaynaklar
- Virtanen, P., ve ark. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. doi:10.1038/s41592-019-0686-2
- Seabold, S., & Perktold, J. (2010). statsmodels: econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference, 92–96. doi:10.25080/Majora-92bf1922-011
- Vallat, R. (2018). Pingouin: statistics in Python. Journal of Open Source Software, 3(31), 1026. doi:10.21105/joss.01026
- Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101. doi:10.5334/irsp.82
- Grieder, S., & Steiner, M. D. (2022). Algorithmic jingle jungle: a comparison of implementations of principal axis factoring and promax rotation in R and SPSS. Behavior Research Methods, 54(1), 54–74. doi:10.3758/s13428-021-01581-x
- Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29–36. doi:10.1148/radiology.143.1.7063747
EEG
Modüle git →Ne hesaplanır?
- EDF/BDF, BrainVision, EEGLAB (.set/.fdt) ve CSV kayıtları okunur. Ardından: 0,1–40 Hz Butterworth bant geçiren süzgeç (ileri–geri, sıfır faz) ve isteğe bağlı 50 Hz çentik süzgeci, ortalama referans, FastICA ile bileşen ayrıştırma ve göz bileşeni önerisi, epoklama, taban düzeltmesi, 150 µV tepeden tepeye artefakt reddi, ERP ve N170 tepe ölçümü, Morlet dalgacıklarıyla zaman–frekans analizi (ERSP ve ITC).
- Grup analizi (OpenNeuro ds002718; 18 kişi; yüz ve karıştırılmış yüz): kişi başına N170 genliğinde eşleştirilmiş t testi ve 70 kanal × 0–500 ms üzerinde küme tabanlı permütasyon testi (Maris ve Oostenveld 2007).
Doğrulama
MNE-Python 1.5.1 ve SciPy ile karşılaştırma
| Adım | Referans | Sonuç |
|---|---|---|
| EDF+ okuyucu (PhysioNet S001R03, 64 kanal) | read_raw_edf | en büyük fark 1,1 × 10⁻¹³ µV; 30/30 olay aynı |
| BDF, BrainVision, EEGLAB ve CSV okuyucuları | MNE okuyucuları; NumPy | en büyük fark 1,9 × 10⁻⁶ µV; olaylar aynı (ör. 1479/1479) |
| 0,1–40 Hz süzgeç (kayıt kenarları dahil) | filter_data (IIR, 4. derece, sıfır faz) | 1,5 × 10⁻⁵ µV (denetimden önce kenarlarda 26,9 µV) |
| Ortalama referans | set_eeg_reference | 3,3 × 10⁻⁵ µV |
| Welch güç spektrumu | scipy.signal.welch | göreli fark 2,8 × 10⁻¹⁵ |
| ICA: göz kırpma bileşeni ve temizlenmiş veri | MNE ICA (FastICA) | topografi |r| = 1,000; temizlenmiş veri r = 0,99993 |
| Epoklar, ERP, N170 tepesi | mne.Epochs, get_peak | deneme sayıları aynı (96/50); ERP farkı ≤ 2,8 × 10⁻⁶ µV; tepeler aynı (yüz: 160 ms, −8,92 µV) |
| Zaman–frekans (ERSP ve ITC) | tfr_array_morlet | 1,2 × 10⁻⁷ dB ve 3,0 × 10⁻⁸ (denetimden önce 0,45 dB ve 0,10) |
| Küme permütasyon testi | spatio_temporal_cluster_1samp_test | t haritası farkı 4,8 × 10⁻⁷; altı küme kütlesi aynı; p değerleri permütasyon örneklemesi sınırında (ör. ,0355’e karşı ,0310) |
| Eşleştirilmiş t testi (N170, sağ küme) | scipy.stats.ttest_rel | aynı: t(17) = −9,65, p < ,001, dz = −2,28; 18 kişinin 18’inde yüzlere yanıt daha negatif |
- Denetimde düzeltilen: grup analizinin yöntem cümlesi sonuç ne olursa olsun “anlamlı kümeler gösterdi” diyordu; artık bulunan kümelerden ve t testinden kuruluyor. Dalgacıkların zaman ekseni sıfıra ortalanmamıştı (her frekansta 6,2 ms’ye kadar kayma); düzeltildi. Süzgeç kayıt başında ve sonunda yetersiz dolgu yüzünden 27 µV’a varan geçici bozulma üretiyordu; artık MNE gibi süzgecin “çınlama” süresi kadar dolgu kullanılıyor.
Bilinen sınırlar
- Göz bileşeni önerisi (EOG kanalıyla korelasyon, yinelemeli z > 3) MNE’den bir bileşen eksik bulabilir; örnek kayıtta yatay göz hareketine ait bir bileşen önerilmez. EOG kanalı yoksa yalnızca basıklık ölçütü kullanılır. Bileşenleri çıkarmadan önce topografilerine bakmak gerekir.
- ICA, FastICA’dır (EEGLAB varsayılan olarak Infomax kullanır); süzgeç FIR değil IIR’dir.
- Küme testi, etkinin hangi zamanda başladığını ya da tam olarak nerede olduğunu göstermez (Sassenhagen ve Draschkow 2019). Grup verisinde yalnızca ilk sunumlar kullanılır ve ICA uygulanmamıştır; koşul başına deneme sayısı kişiden kişiye 14–150 arasında değişir.
Kaynaklar
- Gramfort, A., ve ark. (2013). MEG and EEG data analysis with MNE-Python. Frontiers in Neuroscience, 7, 267. doi:10.3389/fnins.2013.00267
- Wakeman, D. G., & Henson, R. N. (2015). A multi-subject, multi-modal human neuroimaging dataset. Scientific Data, 2, 150001. doi:10.1038/sdata.2015.1
- Maris, E., & Oostenveld, R. (2007). Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods, 164(1), 177–190. doi:10.1016/j.jneumeth.2007.03.024
- Sassenhagen, J., & Draschkow, D. (2019). Cluster-based permutation tests of MEG/EEG data do not establish significance of effect latency or location. Psychophysiology, 56(6), e13335. doi:10.1111/psyp.13335
- Hyvärinen, A., & Oja, E. (2000). Independent component analysis: algorithms and applications. Neural Networks, 13(4–5), 411–430. doi:10.1016/S0893-6080(00)00026-5
MR: uyku çalışması (hazır akış)
Modüle git →Ne hesaplanır?
- OpenNeuro ds000201 verisinde 12 genç ve 12 yaşlı yetişkin, normal uykudan sonra ve 3 saatlik kısıtlı uykudan sonra (yaklaşık bir ay arayla, dengelenmiş sırayla) taranmıştır (Nilsonne ve ark. 2017). Hazır hacimler üzerinde eşleştirilmiş t testi, Wilcoxon testi, yaş grupları için Welch t testi ve Holm düzeltmesi yapılır.
- Tek kişilik adımlarda T1 görüntüsünün parlaklık histogramına üç bileşenli bir Gauss karışımı (EM) uydurulur ve sonuç, önsel bilgili hazır sınıflamayla Dice katsayısı üzerinden karşılaştırılır.
Doğrulama
Referans yazılımla karşılaştırma
| Adım | Referans | Sonuç |
|---|---|---|
| Eşleştirilmiş t, Wilcoxon, Welch t, Holm düzeltmesi | SciPy, statsmodels | fark < 0,00001 |
| Yaş × koşul etkileşimi | pingouin karma ANOVA | p = ,179 / ,144 / ,162 (lab) ve ,175 / ,142 / ,160 (pingouin) |
| Gauss karışımı (denetimde düzeltildi) | scikit-learn GaussianMixture | Önceden EM yakınsamadan duruyordu (ortalamalar 122 / 158 / 218); şimdi tam yakınsıyor ve scikit-learn’ün çözümüyle örtüşüyor (yaklaşık 72 / 153 / 219). |
Bulgular: Uykululuk (Karolinska ölçeği) kısıtlı uykudan sonra belirgin arttı: t(23) = 7,58, p < ,001, dz = 1,55. Hiçbir hacim ölçütü Holm düzeltmesinden sonra anlamlı değildi (sol hipokampus: düzeltmesiz p = ,038, Holm p = ,42).
- Denetimde düzeltilen: çalışma önceden “bir gece hiç uyumadan” diye anlatılıyordu; gerçekte kısmi uyku yoksunluğuydu (3 saat uyku). Özet paragrafındaki üç istatistik hatası da düzeltildi; ölçüm hatası artık kişi başına ortalama mutlak farkla raporlanıyor.
Bilinen sınırlar
- Ölçüm gürültüsü büyüktür: aynı kişinin iki oturumu arasında kafa içi hacim ortalama 26,2 mL (%2,0), hipokampus yaklaşık %14–15 farklı çıkar. Bu hacimler yalnızca aynı kişinin iki oturumunu karşılaştırmak için uygundur.
- Hazır hacimler yaşa bağlı değişimleri yakalayamaz: yaşlı grupta hipokampus ve talamus daha büyük, BOS oranı daha küçük çıkar; bu, bilinen yaşlanmanın tersidir. Bu yüzden yaş sütunları yorumlanmamalıdır.
- Örneklem küçüktür (24 kişi).
Kaynaklar
- Nilsonne, G., ve ark. (2017). Intrinsic brain connectivity after partial sleep deprivation in young and older adults: results from the Stockholm Sleepy Brain study. Scientific Reports, 7, 9422. doi:10.1038/s41598-017-09744-7
- Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733
MR: kendi verin
Modüle git →Ne hesaplanır?
- T1 ağırlıklı görüntü 1,5 mm’lik bir ızgaraya taşınır ve MNI ICBM 152 2009a şablonuna 12 parametreli afin dönüşümle oturtulur (yerel karşıtlık normalizasyonu ve normalize çapraz korelasyon).
- Doku sınıflaması, şablonun doku olasılık haritalarını önsel bilgi olarak kullanan ve yanlılık alanını (bias field) düzelten bir karışım modeliyle (EM) yapılır; yaklaşım SPM’in birleşik bölütlemesine benzer (Ashburner ve Friston 2005). Gri madde (GM), ak madde (AM), BOS ve toplam kafa içi hacim (TİH) mililitre olarak hesaplanır.
- Bölge hacimleri için şablondaki iki atlas (Schaefer-100 kabuk parselasyonu ve Melbourne alt kortikal atlası) aynı dönüşümle görüntüye taşınır ve her bölgedeki gri madde olasılıkları toplanır.
Doğrulama
Bağımsız bir hatla karşılaştırma: OpenNeuro ds000201’den 24 sağlıklı yetişkinin 31 T1 taraması (referans: doğrusal olmayan B-spline kayıt kullanan bağımsız bir SimpleITK hattı)
| Ölçüt | Uyum (r) | Laboratuvar ort. | Referans ort. | Ortalama fark |
|---|---|---|---|---|
| Toplam kafa içi hacim (TİH) | 0,95 | 1361 mL | 1311 mL | +%3,9 |
| Gri madde | 0,95 | 722 mL | 723 mL | −%0,1 |
| Ak madde | 0,88 | 461 mL | 447 mL | +%3,3 |
| BOS | 0,82 | 178 mL | 141 mL | +%26,5 |
| Kabuk gri maddesi (Schaefer-100) | 0,92 | — | — | −%10,9 |
Aynı kişinin iki taraması (test–tekrar test, 7 kişi)
| Ölçüt | ICC | Oturumlar arası ortalama fark |
|---|---|---|
| TİH | 1,000 | %0,2 |
| Gri madde | 0,994 | %0,9 |
| Hipokampus | 0,963 | %1,7 |
| Amigdala | 0,961 | %2,0 |
- Gençlerle (12 kişi) yaşlılar (12 kişi) arasında beklenen farklar görüldü: gri madde/TİH için Hedges g = −1,8; BOS/TİH için g = +3,9.
- Atlas dosyası, nilearn’ün resmî Schaefer-100 atlasıyla voksel voksel aynıdır. Görüntünün yönü (RAS, LPS, PIL, ASR) sonucu değiştirmez: TİH 1250,6–1250,9 mL.
- Bu karşılaştırma FSL, FreeSurfer ya da SPM ile değil, bağımsız bir açık kaynak hatla yapılmıştır.
Bilinen sınırlar
- Derin yapı hacimleri geçerli ölçülmez: bağımsız hatla uyum zayıftır (talamus r = 0,65, hipokampus r = 0,46, putamen r = 0,35) ya da yoktur (kaudat r = −0,26). Afin kayıt kişiye özgü şekil farklarını, özellikle yaşla büyüyen karıncıkları izleyemez; yaşla beklenen hipokampus küçülmesi de görülmez. Bu değerler yalnızca yöntemi göstermek içindir.
- BOS, bağımsız hattan ortalama %26 fazla çıkar. Bu hattın TİH’i beyin dışındaki BOS’un çoğunu içermediği için doku payları (GM %51–55, AM %32–36, BOS %12–14) tam kafa içi hacme göre verilen literatür oranlarından farklıdır.
- Karşılaştırma örneği aynı yöntemle ölçülmüş 24 kişidir (TİH 1372 ± 144 mL, gri madde 730 ± 76 mL); bir norm değildir. TİH ve gri madde için verilen yüzdelikler bireysel değerlendirme, tanı ya da izleme için kullanılamaz; derin yapılarda yüzdelik hiç verilmez.
- Doğrusal olmayan kayıt ve elle kalite denetimi yoktur; araştırmada FreeSurfer, FSL ya da SPM/CAT12 gibi doğrulanmış araçlar kullanılmalıdır.
Kaynaklar
- Fonov, V., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., & Collins, D. L. (2011). Unbiased average age-appropriate atlases for pediatric studies. NeuroImage, 54(1), 313–327. doi:10.1016/j.neuroimage.2010.07.033
- Ashburner, J., & Friston, K. J. (2005). Unified segmentation. NeuroImage, 26(3), 839–851. doi:10.1016/j.neuroimage.2005.02.018
- Schaefer, A., ve ark. (2018). Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI. Cerebral Cortex, 28(9), 3095–3114. doi:10.1093/cercor/bhx179
- Tian, Y., Margulies, D. S., Breakspear, M., & Zalesky, A. (2020). Topographic organization of the human subcortex unveiled with functional connectivity gradients. Nature Neuroscience, 23, 1421–1432. doi:10.1038/s41593-020-0711-6
- The Stockholm Sleepy Brain Study (OpenNeuro ds000201, sürüm 1.0.3). doi:10.18112/openneuro.ds000201.v1.0.3
fMRI: görev (hazır akış)
Modüle git →Ne hesaplanır?
- Tek kişilik akış (OpenNeuro ds000114, sub-01, parmak–ayak–dudak hareket görevi; 180 görüntü, 27.552 voksel): 6 mm düzleştirme, kanonik HRF ile tasarım matrisi, kosinüs kayma terimleri, AR(1) gürültü modelli GLM, kontrast z haritaları; Bonferroni, FDR ve düzeltmesiz p < ,001 eşikleri ve küme tablosu.
- 10 kişilik grup analizi, kişilerin kontrast haritaları üzerinde tek örneklem t testiyle yapılır.
Doğrulama
nilearn 0.12 ile aynı veride karşılaştırma
| Adım | Referans | Sonuç |
|---|---|---|
| Düzleştirme | smooth_img | r = 1,000000 (beyin kenarı hariç; laboratuvar maske içinde normalleştirir) |
| Tasarım matrisi | make_first_level_design_matrix | görev sütunları r = 0,99987; kayma terimleri aynı uzayı kapsar |
| GLM (OLS) | FirstLevelModel | z haritası r = 1,00000 |
| GLM (AR(1)) | FirstLevelModel (ar1) | z haritası r = 0,99984–0,99998; tepe z 6,61 / 6,62 |
| Eşikler | threshold_stats_img | Bonferroni / FDR / p < ,001 voksel sayıları aynı (ör. 135 / 2.343 / 1.248) |
| Küme tablosu | get_clusters_table | tepeler ve tepe z değerleri aynı; küme boyutları komşuluk tanımı (26’ya karşı 6 komşu) yüzünden biraz farklı |
| Grup analizi (10 kişi) | SecondLevelModel; SciPy | r = 1,000000; en büyük z farkı < 0,000001 |
| Boş hipotez sınaması (sahte blok tasarımları) | beklenen yanlış pozitif oranı | AR(1): voksellerin %0,24’ü p < ,001’de anlamlı (beklenen %0,1); OLS: %1,33. Varsayılan modelin AR(1) olması bu yüzdendir. |
- Denetimde düzeltilen: FDR haritasının neden geniş çıktığına dair açıklama yanlıştı (bu kişide parmak bloklarında tüm beynin sinyali yükseliyor; FDR’den geçmek bir vokselin parmak hareketine özgü olduğunu göstermez). Eşik altı küçük lekelerin kesitlerde görünebileceğini söyleyen ifade, koda uymadığı için düzeltildi.
Bilinen sınırlar
- Tek kişilik haritada anlamlı çıkan bir bölgeden zihinsel bir süreç çıkarmak (ters çıkarım) bu analizle desteklenmez; anlamlı çıkmamak da etkinin olmadığını göstermez.
- Grup örneklemi küçüktür (10 kişi, 50–58 yaş).
Kaynaklar
- Gorgolewski, K. J., ve ark. (2013). A test-retest fMRI dataset for motor, language and spatial attention functions. GigaScience, 2(1), 6. doi:10.1186/2047-217X-2-6
- Abraham, A., ve ark. (2014). Machine learning for neuroimaging with scikit-learn. Frontiers in Neuroinformatics, 8, 14. doi:10.3389/fninf.2014.00014
fMRI: bağlantısallık (hazır akış)
Modüle git →Ne hesaplanır?
- Film izleyen 11 çocuk ve 11 yetişkinin (OpenNeuro ds000228) 116 bölgelik zaman serilerinde: karıştırıcı regresyonu ve bant geçiren süzgeç, Pearson korelasyonu ve Fisher z dönüşümü, gruplar arası Welch t testi ve FDR, hareket–bağlantı ilişkisi (QC-FC) ve çizge ölçütleri (ağırlıklı kümelenme, küresel verimlilik, modülerlik).
Doğrulama
Referansla karşılaştırma
| Adım | Referans | Sonuç |
|---|---|---|
| Temizlik ve Fisher z | bağımsız yeniden uygulama | en büyük fark 4,6 × 10⁻¹³ |
| Welch t ve FDR | SciPy, statsmodels | fark < 2 × 10⁻⁷; FDR kararları aynı |
| QC-FC | SciPy pearsonr | aynı; ortanca |r| = 0,165, bağlantıların %6,2’si hareketle anlamlı ilişkili (şans düzeyi %5) |
| Çizge ölçütleri | networkx | fark ≤ 5 × 10⁻⁶ |
| Kişi başına bağlantı matrisi | nilearn signal.clean (farklı adım sırası) | ortanca r = 0,89 (0,80–0,95) |
Hiçbir hareket eşiğinde (FD ≤ 0,5 mm, ≤ 0,3 mm ya da dışlama yok) FDR’den geçen bir çocuk–yetişkin bağlantı farkı bulunmadı.
Bilinen sınırlar
- Temizlik önce regresyon, sonra süzgeç sırasıyla yapılır. Bu yaygın bir seçimdir ama nilearn’ün sırasından farklıdır (kişi başına r = 0,89); adımların sırası sonucu etkiler (Lindquist ve ark. 2019).
- QC-FC mesafeye bağımlılığını kısmen korur (Spearman −0,24); küresel sinyal çıkarımı bu örneklemde QC-FC’yi kötüleştirir.
- Bazı yetişkin taramalarında beynin üst kısmı ve şakak kutupları görüntü alanının dışında kalır (en kötü durumda bölgenin yalnızca %9,8’i görüntülenmiş); sayfa bunu belirtir.
- Korelasyon doğrudan bir sinir yolunu göstermez; örneklem küçüktür (11 + 11 kişi).
Kaynaklar
- Richardson, H., Lisandrelli, G., Riobueno-Naylor, A., & Saxe, R. (2018). Development of the social brain from age three to twelve years. Nature Communications, 9, 1027. doi:10.1038/s41467-018-03399-2
- Ciric, R., ve ark. (2017). Benchmarking of participant-level confound regression strategies for the control of motion artifact in studies of functional connectivity. NeuroImage, 154, 174–187. doi:10.1016/j.neuroimage.2017.03.020
- Lindquist, M. A., Geuter, S., Wager, T. D., & Caffo, B. S. (2019). Modular preprocessing pipelines can reintroduce artifacts into fMRI data. Human Brain Mapping, 40(8), 2358–2376. doi:10.1002/hbm.24528
- Rubinov, M., & Sporns, O. (2010). Complex network measures of brain connectivity: uses and interpretations. NeuroImage, 52(3), 1059–1069. doi:10.1016/j.neuroimage.2009.10.003
fMRI: kendi verin
Modüle git →Ne hesaplanır?
- Olay dosyası olan görev verisinde: başlangıç hacimlerinin atılması, katı (6 parametreli) hareket düzeltmesi ve yeniden örnekleme, Otsu yöntemiyle beyin maskesi, maske içinde Gauss düzleştirme, kanonik HRF ile kurulan tasarım matrisi, 128 saniyelik kosinüs yüksek geçiren filtre, karıştırıcı olarak hareket parametreleri, genel doğrusal model (GLM), kontrast z haritaları ve yanlış keşif oranı (FDR) düzeltmesi.
- Olay dosyası yoksa (dinlenme, film, müzik gibi doğal uyaranlı veriler): karıştırıcılar (kayma, hareket, isteğe bağlı küresel sinyal) çıkarıldıktan sonra 6 mm yarıçaplı bir tohum küresinin zaman serisiyle her vokselin Pearson korelasyonu hesaplanır.
Doğrulama
Aynı ön işlenmiş veriyle GLM: nilearn FirstLevelModel, AR(1) — OpenNeuro ds000114, sub-01, parmak–ayak–dudak görevi
| Kontrast | z haritası uyumu (r) | FDR anlamlı voksel (lab / nilearn) | Örtüşme (Dice) |
|---|---|---|---|
| Parmak > dinlenme | 0,9996 | 524 / 471 | 0,95 |
| Ayak > dinlenme | 0,9997 | 44 / 42 | 0,98 |
| Dudak > dinlenme | 0,9998 | 1208 / 1190 | 0,99 |
| Parmak > diğerleri | 0,9997 | 1117 / 1029 | 0,96 |
| Ayak > diğerleri | 0,9998 | 54 / 53 | 0,99 |
| Dudak > diğerleri | 0,9999 | 964 / 960 | 0,99 |
Altı kontrastın hepsinde en güçlü voksel aynı yerdedir (aradaki uzaklık 0 mm); en büyük z farkı 0,12–0,25.
Diğer adımlar
| Adım | Referans | Sonuç |
|---|---|---|
| Hareket tahmini (3 öteleme, 3 dönme) | SimpleITK katı kayıt | r = 0,975–1,000; fark ≤ 0,075 mm ve ≤ 0,095° |
| Ortalama çerçeve kayması (FD) | SimpleITK | 0,252 / 0,248 mm (r = 0,999) |
| Tasarım matrisi | nilearn make_first_level_design_matrix | r = 0,99986 |
| Uçtan uca tamamen bağımsız hat | SimpleITK + nilearn | z haritası r = 0,965–0,986; en güçlü vokseller aynı; Dice 0,79–0,88 |
| Tohum bağlantısı (ds003085) | NumPy; nilearn NiftiSpheresMasker | en büyük fark < 0,00001 |
Bilinen sınırlar
- Anlamlı voksel sayısı özellikle hareket regresörlerine duyarlıdır: tamamen bağımsız bir hatla %10–35 farklılaşabilir (ör. dudak > dinlenme için 1208’e karşı 803 voksel). Bu, tek kişilik GLM’in yapısal bir sınırıdır.
- Test tek yönlüdür. Küçük kümeleri (5 vokselden küçük) atmak çoklu karşılaştırma düzeltmesi değildir.
- Dilim zamanlaması ve bozulma (distortion) düzeltmesi yoktur; koordinatlar MNI değil, görüntünün kendi (MR cihazı) uzayındadır.
- Tohum haritası küresel sinyal çıkarımına çok bağlıdır: çıkarılmadığında voksellerin %43–80’i r ≥ 0,3 çıkar; çıkarıldığında olumsuz korelasyonlar ortaya çıkar.
Kaynaklar
- Friston, K. J., Holmes, A. P., Worsley, K. J., Poline, J.-P., Frith, C. D., & Frackowiak, R. S. J. (1994). Statistical parametric maps in functional imaging: a general linear approach. Human Brain Mapping, 2(4), 189–210. doi:10.1002/hbm.460020402
- Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society B, 57(1), 289–300. doi:10.1111/j.2517-6161.1995.tb02031.x
- Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., & Petersen, S. E. (2012). Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. NeuroImage, 59(3), 2142–2154. doi:10.1016/j.neuroimage.2011.10.018
- Abraham, A., ve ark. (2014). Machine learning for neuroimaging with scikit-learn. Frontiers in Neuroinformatics, 8, 14. doi:10.3389/fninf.2014.00014
- Gorgolewski, K. J., ve ark. (2013). A test-retest fMRI dataset for motor, language and spatial attention functions. GigaScience, 2(1), 6. doi:10.1186/2047-217X-2-6
DTI
Modüle git →Ne hesaplanır?
- Hazır örnekte (OpenNeuro ds000114, sub-01; 64 yön + 7 adet b = 0, b = 1000 s/mm²) ve kendi verinde ağırlıklı en küçük kareler (WLS) ile difüzyon tensörü; FA, MD ve renkli FA haritaları; tohumdan başlatılan deterministik lif izleme (her adımda en yakın vokselin ana yönü, FACT benzeri) ve lif boyunca FA profili. Tüm beyin lifleri dipy EuDX ile önceden hesaplanmıştır.
Doğrulama
dipy 1.11 ile karşılaştırma
| Adım | Referans | Sonuç |
|---|---|---|
| Tensör (WLS), aynı dilim | TensorModel (WLS) | FA en büyük fark 6,3 × 10⁻⁵; MD ≤ 10⁻⁹ mm²/s |
| Tarayıcıdaki FA ile tüm beyin FA haritası (beyin maskesi, 3861 voksel) | dipy | r = 0,99998; ortalama |ΔFA| = 0,0020 (referans haritanın 8 bitlik saklanmasından) |
| Otomatik beyin maskesi (kendi verin) | median_otsu | Dice 0,91–0,98 |
| Renkli FA yönü | anatomik denetim | korpus kallozum kırmızı (sağ–sol bileşen 0,81–0,88); kortikospinal lifler yukarı–aşağı uzanır |
| Tohumdan lif izleme (korpus kallozum / sol / sağ kortikospinal yol) | dipy LocalTracking (EuDX) | lif sayısı 165 / 184 / 118’e karşı 180 / 186 / 128; ana yönler aynı; lifler daha kısa (korpus kallozumda ortalama 54’e karşı 73 mm) |
- Denetimde düzeltilen: hazır dilimin maskesi göz çukurlarını ve kafa derisini de içeriyordu ve bu, gösterilen uyumu şişiriyordu; artık tüm beyin maskesi kullanılıyor ve sinyali ≤ 0 olan vokseller dışarıda bırakılıyor. Gradyan vektörünün gösterimi bozuktu; düzeltildi. FA’yı “ak madde bütünlüğü” diye sunan ifadeler kaldırıldı.
Bilinen sınırlar
- FA doğrudan bir “bütünlük” ölçüsü değildir; kesişen lifler, akson yoğunluğu, miyelin ve kısmi hacimden etkilenir (Jones ve ark. 2013).
- Traktografi lifleri görmez, yollarını tahmin eder. Kullanıcının tohumladığı izleme dipy’den daha kısa lifler üretir; lif boyunca FA profili yaklaşıktır.
- Hareket ve girdap akımı (eddy) düzeltmesi yoktur. Kendi verinde renkli FA vokselin eksenlerini kullanır, görüntünün yönelim matrisini kullanmaz; eğik çekimlerde renkler yanlış olabilir. Koordinatlar MNI değil, görüntünün kendi uzayındadır.
Kaynaklar
- Basser, P. J., Mattiello, J., & LeBihan, D. (1994). MR diffusion tensor spectroscopy and imaging. Biophysical Journal, 66(1), 259–267. doi:10.1016/S0006-3495(94)80775-1
- Garyfallidis, E., ve ark. (2014). Dipy, a library for the analysis of diffusion MRI data. Frontiers in Neuroinformatics, 8, 8. doi:10.3389/fninf.2014.00008
- Jones, D. K., Knösche, T. R., & Turner, R. (2013). White matter integrity, fiber count, and other fallacies: the do’s and don’ts of diffusion MRI. NeuroImage, 73, 239–254. doi:10.1016/j.neuroimage.2012.06.081
- Gorgolewski, K. J., ve ark. (2013). A test-retest fMRI dataset for motor, language and spatial attention functions. GigaScience, 2(1), 6. doi:10.1186/2047-217X-2-6
Araştırma asistanı
Modüle git →Ne hesaplanır?
- Yazdığın konuyu yerleşik bir Türkçe–İngilizce sinirbilim sözlüğüyle (giriş yaptıysan yapay zekâ yardımıyla) bilimsel terimlere çevirir ve beş açık arşivde (OpenNeuro, NeuroVault, DANDI, Zenodo, PhysioNet) aynı anda arar.
- Her sonucun başlığında, görev adlarında ve açıklamasında konunun gerçekten geçip geçmediği otomatik olarak denetlenir; eşleşme “doğrudan”, “kısmen” ya da “ilgili kavram üzerinden” diye etiketlenir ve sonucun neden listede olduğu gösterilir.
- Lisans ve erişim koşulu arşivin kendi kaydından okunur ve sunucuda yeniden denetlenir: yalnızca ticari kullanıma ve türetmeye izin veren açık lisanslar (CC0, PDDL, CC BY, ODC-By, ODbL) kabul edilir. Ticari olmayan (NC), türetme yasaklı (ND), aynı lisansla paylaşma şartlı (CC BY-SA) ya da kayıt ve veri kullanım sözleşmesi isteyen veriler (ör. HCP, UK Biobank, ABCD, ADNI ve bunlardan türetilenler) önerilmez; lisansı doğrulanamayan veri açılmaz.
- Her veri setiyle birlikte atıf metni, lisans adı ve lisans bağlantısı verilir. Yapay zekâ veri seti, kaynak ya da sonuç uydurmaması, tanı koymaması ve yalnızca neyin nasıl test edileceğini anlatan bir plan yazması için kısıtlanmıştır.
Doğrulama
Denetimde yapılan sınamalar
| Sınama | Sonuç |
|---|---|
| Beş örnek konu (mutluluk ve fMRI, depresyonda ödül, yaşlanma ve ak madde, dikkat eksikliği ve EEG, kaygı ve amigdala), canlı sitede ve yerelde | Beşinde de ilgili ilk sonuçlar, plan ve seçilmiş veri seti üretildi; lisanslar bağlantılarıyla gösterildi. |
| Laboratuvar bağlantıları (fMRI, MR, EEG, DTI) | Tümü açıldı (HTTP 200); kaynak ve lisans gösterildi, sayfa hatası yok. |
| Sunucu lisans denetimi | NC lisanslı ama “uygun” işaretli istek reddedildi (400); işaretsiz istek reddedildi (400); CC0 isteği kabul edildi (200). |
| Lisansı doğrulanamayan katılımcı tablosu | Önceden sessizce CC0 sayılıyordu; artık reddediliyor (502). |
- Denetimde sözlükteki yanlış eşleşmeler düzeltildi. Örneğin “gece nöbeti” epilepsiyle, “uyku felci” ve “yüz felci” inmeyle, “geri bildirim” nörofeedback ile, “Cronbach alfa” alfa ritmiyle eşleşiyordu. İngilizce tarafta “traumatic” travmatik beyin hasarı verilerini TSSB’ye, “bipolar” EEG montajlarını bipolar bozukluğa götürüyordu.
- Plan şablonundaki istatistik ifadeleri düzeltildi: p değeri “sıfır hipotezinin doğru olma olasılığı” değildir; FA doğrudan bir “ak madde bütünlüğü” ölçüsü değildir; traktografi lifleri görmez, yollarını tahmin eder.
Bilinen sınırlar
- Konu eşleşmesi otomatik bir terim denetimidir; veri setinin açıklamasını bir insan gibi okumaz. Deyimsel kullanımlar (ör. bir başlıktaki “smile”) yanlış eşleşmeye yol açabilir.
- “Laboratuvarda açılabilir” etiketi arşivin özet bilgisine dayanır; arşivdeki dosyalar özetle uyuşmayabilir.
- Yapay zekâ hata yapabilir; önerdiği plan bir başlangıç noktasıdır, araştırmanın yöntem kararlarının yerini tutmaz.
Kaynaklar
- Markiewicz, C. J., ve ark. (2021). The OpenNeuro resource for sharing of neuroscience data. eLife, 10, e71774. doi:10.7554/eLife.71774
- Gorgolewski, K. J., ve ark. (2016). The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data, 3, 160044. doi:10.1038/sdata.2016.44
- Gorgolewski, K. J., ve ark. (2015). NeuroVault.org: a web-based repository for collecting and sharing unthresholded statistical maps of the human brain. Frontiers in Neuroinformatics, 9, 8. doi:10.3389/fninf.2015.00008
Sanal Fare
Modüle git →Ne hesaplanır?
- Eğitim amaçlı, sivri uçlu (spiking) bir sinir ağı modeli: Izhikevich (2003) denklemleriyle çalışan 216 nöron. Amigdala korku devresi (zil ve yer girdileri → bazolateral amigdala (BLA) → merkezî amigdala (CeA); sönmede öğrenilen BLA→interkalat hücreler (ITC) ileri besleme ketlemesi) ve ödül devresi (VTA dopamin ve GABA nöronları, nükleus akumbens) donan ve şeker oluğuna yaklaşan sanal bir fareyi yönetir.
- Öğrenme kuralları yayımlanmış çalışmalardan alınmıştır: şokla birlikte zil→BLA Hebb güçlenmesi, ITC aracılı sönme ve sonuç anındaki dopamin yanıtıyla güncellenen Rescorla–Wagner benzeri değer öğrenmesi.
- Doğrulanan, modelin literatürdeki niteliksel imzaları yeniden üretmesidir. Sayıların kendisi doğrulanmamıştır: tüm parametreler makul davranış için elle ayarlanmış, hiçbiri hayvan verisine uydurulmamıştır. Ekrandaki değerler model çıktısıdır; bulgu ya da kaynaktaki makalenin verisi gibi aktarılamaz.
Doğrulama
Literatür bulgusu ve modelin verdiği (5 farklı rastgele tohum; aralıklar tohumlar arası)
| Bulgu (kaynak) | Modelde |
|---|---|
| Korku şartlanması ve sönme; sönme korku belleğini silmez, yeni bir öğrenmedir (LeDoux 2000; Duvarci ve Paré 2014) | Donma: alışmada %0–6 → son iki zil+şokta %23–84 → sönmenin ilk üç zilinde %63–78 → son üç zilde %0. Zil→BLA ağırlığı 1,0’dan 7,5’e çıkar ve sönmede yüksek kalır; BLA→ITC “güvenlik” ağırlığı 0,05’ten 2,80’e yükselir. |
| Şokla eşleşmeyen zil öğrenme oluşturmaz (kontrol) | Donma %3–7; zil→BLA ağırlığı değişmez (1,0). |
| Hipokampus lezyonu ipucu korkusunu korur, bağlam (yer) korkusunu bozar (Phillips ve LeDoux 1992) | Şok bölgesinde geçen süre: sağlam farede %0–9, lezyonluda %10–32. Lezyonlu fare zil korkusunu yine öğrenir (%37–71). |
| ITC hücreleri sönmenin ifadesi için gereklidir (Likhtik ve ark. 2008) | ITC lezyonunda son üç sönme zilinde donma %64–93 (sağlam farede %0). |
| Dopamin ödül tahmin hatası taşır: patlama ödülden ipucuna kayar, beklenen ödül gelmezse düşer (Schultz, Dayan ve Montague 1997) | İpucunda dopamin 8,4–9,1 → 19,9–20,5 Hz; şekerde 18,3–18,6 → 6,3–6,7 Hz; beklenen şeker gelmeyince 3,3–4,2 Hz (modelin 5 Hz taban değerinin altında). |
| İpucuna yaklaşma (“isteme”) dopamine bağlıdır (Berridge ve Robinson 1998) | İpucu sırasında oluğa yaklaşma %5–55 → %62–82; dopamin nöronları lezyonunda %0–12 → %0–6. |
| Fazik VTA dopamin uyarımı yer tercihi oluşturur (Tsai ve ark. 2009) | Gerçek zamanlı yer tercihi: %2–23 → lazer açıkken %67–92 → lazer kapalıyken %84–96. Lazersiz kontrol: %2–23 → %9–22 → %5–19. |
| VTA GABA uyarımı yerden kaçınma oluşturur ve tüketmeyi keser (Tan ve ark. 2012; van Zessen ve ark. 2012) | Aynı bölgede: %2–23 → lazer açıkken %6–8 → sonra %0–7; lazer açıkken yalama durur. |
| Korku ödül arayışını bastırır (Estes ve Skinner 1941) | Karışık protokolde ışığın değeri öğrenilir (ışıkta dopamin 6,9–7,4 → 18,0–18,6 Hz) ama oluğa yaklaşma yalnızca %0–37 kalır; beş tohumun ikisinde %0. |
Modelin gerçekten ayrıldığı yerler
| Bulgu (kaynak) | Modelde |
|---|---|
| Beklenen ödül gelmediği anda dopamin uyarımı ödül sönmesini yavaşlatır (Steinberg ve ark. 2013) | Model sönmeyi tamamen durdurur (değer 1,00; yaklaşma %97–99). Etki gerçek bulgudan güçlüdür; arayüzde belirtilir. |
| Şokun gelmediği anda dopamin, korku sönmesine katkı verir (Salinas-Hernández ve ark. 2018) | Yön doğru ama etki küçük: dopamin lezyonunda sönmenin başında donma %74–85, sağlamda %63–78. |
| Gerçek deneylerde sönme kademeli ve eksik kalabilir | Modelde sönme %0’a iner; etkiler gerçekten keskindir. |
Bilinen sınırlar
- 216 sivri uçlu nöron (BLA 80 + 20 ara nöron, ITC 20, CeA 30, VTA 24 dopamin + 12 GABA, NAc 30) ve 36 hesaplanan yer hücresi; gerçek bir fare beyninde yaklaşık 71 milyon nöron vardır (Herculano-Houzel ve ark. 2006).
- Lateral hipotalamus, insula, lateral habenula, PVN, locus coeruleus, prelimbik korteks, PAG ve duyu-motor korteksler simüle edilmez; olaylardan türetilen göstergelerdir.
- Sonucu etkileyen dört sadeleştirme: (1) infralimbik korteks yalnızca ITC üzerinden etki eder, bu yüzden IL ve ITC lezyonları burada aynı sonucu verir (biyolojide öyle değildir); (2) ITC tek bir havuzdur, oysa gerçekte zıt etkili kümeler vardır (Hagihara ve ark. 2021); (3) yer→akumbens öğrenmesi dopamine bağlanmıştır, oysa o sinapsın plastisitesi dopaminden bağımsızdır (LeGates ve ark. 2018); (4) opioid/“beğenme” sistemi yoktur, yalnızca “isteme” vardır.
- Grup karşılaştırmaları iki yönlü Welch t testiyle yapılır; ancak sanal hayvan sayısı keyfî olarak artırılabildiği için bu p değerleri biyoloji hakkında kanıt değil, öğretim aracıdır.
- 3B beyin şematiktir, bir atlas değildir. Tam kaynakça (33 kaynak) Sanal Fare sayfasındadır.
Kaynaklar
- Izhikevich, E. M. (2003). Simple model of spiking neurons. IEEE Transactions on Neural Networks, 14(6), 1569–1572. doi:10.1109/TNN.2003.820440
- Schultz, W., Dayan, P., & Montague, P. R. (1997). A neural substrate of prediction and reward. Science, 275(5306), 1593–1599. doi:10.1126/science.275.5306.1593
- LeDoux, J. E. (2000). Emotion circuits in the brain. Annual Review of Neuroscience, 23, 155–184. doi:10.1146/annurev.neuro.23.1.155
- Duvarci, S., & Paré, D. (2014). Amygdala microcircuits controlling learned fear. Neuron, 82(5), 966–980. doi:10.1016/j.neuron.2014.04.042
- Phillips, R. G., & LeDoux, J. E. (1992). Differential contribution of amygdala and hippocampus to cued and contextual fear conditioning. Behavioral Neuroscience, 106(2), 274–285. doi:10.1037/0735-7044.106.2.274
- Likhtik, E., Popa, D., Apergis-Schoute, J., Fidacaro, G. A., & Paré, D. (2008). Amygdala intercalated neurons are required for expression of fear extinction. Nature, 454(7204), 642–645. doi:10.1038/nature07167
- Berridge, K. C., & Robinson, T. E. (1998). What is the role of dopamine in reward: hedonic impact, reward learning, or incentive salience? Brain Research Reviews, 28(3), 309–369. doi:10.1016/s0165-0173(98)00019-8
- Tsai, H.-C., ve ark. (2009). Phasic firing in dopaminergic neurons is sufficient for behavioral conditioning. Science, 324(5930), 1080–1084. doi:10.1126/science.1168878
- Tan, K. R., ve ark. (2012). GABA neurons of the VTA drive conditioned place aversion. Neuron, 73(6), 1173–1183. doi:10.1016/j.neuron.2012.02.015
- van Zessen, R., Phillips, J. L., Budygin, E. A., & Stuber, G. D. (2012). Activation of VTA GABA neurons disrupts reward consumption. Neuron, 73(6), 1184–1194. doi:10.1016/j.neuron.2012.02.016
- Steinberg, E. E., ve ark. (2013). A causal link between prediction errors, dopamine neurons and learning. Nature Neuroscience, 16(7), 966–973. doi:10.1038/nn.3413
- Salinas-Hernández, X. I., ve ark. (2018). Dopamine neurons drive fear extinction learning by signaling the omission of expected aversive outcomes. eLife, 7, e38818. doi:10.7554/eLife.38818
- Estes, W. K., & Skinner, B. F. (1941). Some quantitative properties of anxiety. Journal of Experimental Psychology, 29(5), 390–400. doi:10.1037/h0062283
- Hagihara, K. M., ve ark. (2021). Intercalated amygdala clusters orchestrate a switch in fear state. Nature, 594(7863), 403–407. doi:10.1038/s41586-021-03593-1
- LeGates, T. A., ve ark. (2018). Reward behaviour is regulated by the strength of hippocampus–nucleus accumbens synapses. Nature, 564(7735), 258–262. doi:10.1038/s41586-018-0740-8
- Herculano-Houzel, S., Mota, B., & Lent, R. (2006). Cellular scaling rules for rodent brains. PNAS, 103(32), 12138–12143. doi:10.1073/pnas.0604911103
Kullanılan açık kaynaklar ve lisanslar
Laboratuvarda ticari kullanıma kapalı (ör. yalnızca ticari olmayan kullanıma izin veren FSL lisanslı) bir atlas ya da veri yoktur.
| Bileşen | Lisans | Koşul ve atıf |
|---|---|---|
| Hazır veri setleri: OpenNeuro ds000114, ds000201, ds000228, ds002718 | CC0 (kamu malı) | Atıf yasal zorunluluk değil ama bilimsel gerekliliktir; her sayfada künye ve DOI verilir. |
| ICBM 152 Nonlinear 2009a MNI şablonu | İzin verici lisans | © 1993–2009 Louis Collins, McConnell Brain Imaging Centre, Montreal Neurological Institute, McGill University. Telif bildirimi her kopyada korunur; Fonov ve ark. (2009, 2011) kaynak gösterilir. |
| Schaefer-100 kabuk parselasyonu (CBIG) | MIT | Schaefer ve ark. (2018) kaynak gösterilir; MIT bildirimi korunur. |
| Melbourne alt kortikal atlası (Tian ve ark. 2020) | Atlasın kendi lisansı (atıf koşuluyla serbest kullanım) | Yayınlarda Tian ve ark. (2020) kaynak gösterilmelidir; atlasın kendisi satılmaz. |
| EEG elektrot yerleşimi: MNE-Python standard_1005 | BSD-3 | Gramfort ve ark. (2013) kaynak gösterilir. |
| Hesap motoru: Pyodide, NumPy, SciPy | MPL-2.0 / BSD | Tarayıcıda jsDelivr üzerinden yüklenir; yeniden dağıtılmaz. |
| PDF yazı tipleri: Montserrat, Noto Sans | SIL Open Font License 1.1 | Telif bildirimleri ve lisans metni: /lab/fontlar/OFL.txt |
Son güncelleme: 15 Kasım 2026. Bir hata fark edersen iletişim sayfasından bildirebilirsin.
