"Elektroensefalografi Sinyallerinden Konuşmanın Çözülmesinde Yapay Zekanın

Rolü: Bir Kapsamlı İnceleme”

1. Özet
Bu çalışma, günlük yaşamın temel bir gereksinimi olan konuşmanın, zihinsel bozukluklar, hastalıklar,
kazalar ve beyin travmaları gibi durumlar sonucunda kalıcı veya geçici olarak etkilenebileceği ve bu
durumun yaşam kalitesini olumsuz etkileyebileceği durumlar üzerine odaklanmaktadır. Bu tür durumlarla
başa çıkmak için geliştirilen Beyin–Bilgisayar Arayüzleri (BCI), konuşma sorunları yaşayan bireylerin ve
felçli hastaların çevreleriyle doğrudan iletişim kurmalarını sağlamak amacıyla kullanılmaktadır.

BCI, bilgisayar tabanlı bir sistem olarak beyin sinyallerini algılayarak analiz eder ve istenen eylemi
gerçekleştirmek üzere bir çıkış cihazına dönüştürür. Endojen ve eksojen paradigmalardan bahseden çalışma,
özellikle hayali konuşma (IS) kavramına odaklanarak beyin sinyallerinin çözülmesini ele almaktadır. Bu
çalışmada kullanılan EEG tabanlı teknolojiler, özellikle IS'yi çözmek amacıyla kullanılmaktadır.

IS çözme yöntemleri, sınıflandırma algoritmaları ve özellik çıkarma üzerine odaklanmıştır. Spektro-

temporal özellikler, ortak uzaysal desenler ve otoregresif katsayılar gibi çeşitli özellikler, EEG'de IS'yi temsil
etmek için kullanılmaktadır. Geleneksel makine öğrenimi algoritmaları ve son zamanlarda yaygınlaşan derin
öğrenme yöntemleri, IS'yi EEG sinyallerinden çözmek için kullanılmaktadır. Bu çalışma, EEG sinyallerinden
konuşmayı çözmek amacıyla yapay zeka tekniklerini inceleyen önceki incelemelerin eksikliklerini
doldurmak amacıyla yürütülmüştür

2. Yöntem
Bu kapsamlı derleme, elektroensefalografiden (EEG) elde edilen beyin sinyallerini kullanarak insan
konuşmasını çözmek amacıyla yapılan yapay zeka (AI) araştırmalarını incelemektedir. Derleme, PRISMA-
ScR yönergelerini takip ederek PubMed, IEEE Xplore, ACM Digital Library, Scopus, arXiv ve Google
Scholar gibi altı önemli elektronik veritabanında geniş bir arama yürütmüştür. Çalışma, EEG tabanlı
konuşma çözme yaklaşımlarının literatürdeki çeşitliliğini ve bu alandaki gelişmeleri sistematik bir şekilde
değerlendirmektedir. Araştırmanın odak noktaları arasında AI modellerinin türleri, kullanılan algoritmalar,
performans metrikleri, kayıp fonksiyonları ve EEG veri toplama yöntemleri gibi çeşitli konular
bulunmaktadır. Çalışmanın belirlediği uygunluk kriterlerine dayanarak, 2000 yılından bu yana yayımlanan ve
konuşma çözme amacıyla EEG sinyallerini kullanan çeşitli bilimsel makaleler incelenmiştir. Bu derleme, AI
ve EEG entegrasyonunu vurgulayarak, beyin sinyallerinden konuşmayı anlamak ve çözmek için kullanılan
mevcut teknikleri kapsamlı bir şekilde sunmaktadır.

3. Sonuç
Bu araştırma, elektroensefalografiden (EEG) elde edilen beyin sinyallerini kullanarak konuşmanın
çözümlenmesine odaklanmıştır. Toplamda 263 alıntının değerlendirildiği bu çalışma, 34 farklı çalışmanın
derlemesini sunmaktadır. Çalışmaların çoğunluğu Güney Kore ve Hindistan'dan gelmiş olup, 2020 ve 2021
yıllarında yayımlanmıştır. Yapılan derleme, çalışmaların özelliklerini, elektrod sayılarından programlama
dillerine kadar çeşitli faktörlere odaklanarak analiz etmiştir. Makine öğrenimi (ML) ve derin öğrenme (DL)
teknikleri sıkça kullanılmış; destek vektör makinesi, lineer diskriminant analizi gibi ML algoritmaları ve
konvolüsyonel sinir ağı, tekrarlayan sinir ağı gibi DL algoritmaları öne çıkmıştır. Performans
değerlendirmesinde doğruluk oranı öne çıkmış, ayrıca kayıp fonksiyonları ve EEG sinyali normalizasyon
teknikleri üzerine çeşitli metodolojiler gözlemlenmiştir.

4. Tartışma
Bu derleme, insan beyninin EEG sinyallerinden konuşmayı çözmek için yapay zeka (AI) tekniklerini gözden
geçiriyor. Çalışmalar, makine öğrenimi ve derin öğrenme gibi AI dallarının yanı sıra destek vektör
makineleri ve lineer diskriminant analizi gibi geleneksel yöntemlerin kullanıldığını ortaya koyuyor. EEG
sinyallerinin genellikle gürültülü olması nedeniyle, bu sinyallerin uygun bir şekilde normalize edilmesi için
band geçiren filtreleme gibi tekniklerin sıkça kullanıldığı belirtiliyor. Çalışmaların çoğu, EEG sinyallerinden
konuşma çözme modelinin performansının, özellik çıkarma aşamasında kullanılan özelliklere bağlı olarak
değiştiğini gösteriyor. Bu derlemenin pratik etkileri arasında, beyin-bilgisayar arayüzü (BCI) geliştiricilerinin
bu derlemeyi kullanarak konuşma odaklı güvenilir bir BCI sistemi geliştirebileceği ve en uygun AI ve özellik
çıkarma tekniklerini belirleyebileceği ifade ediliyor.