İzmir Ekonomi Üniversitesi
Computational Neuroscience Lab
Beynin elektriksel dilini, duyguları ve kararları anlamak için ölçüyor ve modelliyoruz.
Tüm araştırma alanlarıİzmir Ekonomi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü bünyesinde, fizyolojik ölçümlere dayalı duygu kestirimi ve nöropazarlama araştırmaları yürütüyoruz. Laboratuvarımızdaki ölçüm sistemlerini kullanarak deneyler tasarlıyor, veri topluyor ve topladığımız verileri analiz ediyoruz.
Aktif Araştırmalarımız
Laboratuvarımızın çalıştığı başlıca konular.
Çalışmalarımız tek bir soru etrafında toplanıyor: öznel deneyim, ölçülebilir sinyallerde nasıl iz bırakır? Her projede deney tasarımını, kaydı ve analizi kendimiz yürütüyoruz.
- Duygu, tat ve beğeni Bir ürünün etiketinin tadı nasıl değiştirdiğini ve tat sırasında oluşan olumlu ya da olumsuz duygusal tepkiyi EEG’den nasıl ayırt edebileceğimizi inceliyoruz.
- Marka güveni ve karar verme Bir markaya güvendiğimiz anda beyinde neler olduğunu, etiket vermeden, EEG örüntülerinin kendiliğinden nasıl kümelendiğine bakarak araştırıyoruz.
- Müzik ve beyin Türk makam müziği dinlenirken müzikte algılanan duygu ile dinleyicinin hissettiği duygunun EEG ve deri iletkenliğine nasıl yansıdığını inceliyoruz.
- Gömülü yapay zekâlı fNIRS Cihaz üzerinde yapay zekâ çalıştıran, tüm başı kaplayan giyilebilir bir fNIRS sistemi geliştiriyoruz.
- Çok kipli biyosinyaller EEG ve deri iletkenliğini birlikte kullanarak tüketicinin bir ürün maskotuna verdiği duygusal tepkiyi ölçüyor, her sinyalin duygunun hangi boyutunu taşıdığını inceliyoruz.
Ekip
Laboratuvarımızda çalışan araştırmacılar ve öğrenciler.
Laboratuvar Yönetimi
Prof. Dr. Aydın Akan
Ekip Lideri Durağan olmayan işaretlerin zaman-frekans analizi ve bu yöntemlerin haberleşme ve biyomedikal mühendisliğindeki uygulamaları üzerine çalışmaktadır. akan.aydin@ieu.edu.trÖzgeçmişin tamamı
Aydın Akan, Ocak 1967’de Bursa’da doğdu ve ilk ve orta öğrenimini Bursa’da tamamladı. 1984’te başladığı Uludağ Üniversitesi Elektronik Mühendisliği Bölümünden 1988’de mezun oldu. Aynı yıl başladığı İstanbul Teknik Üniversitesi Elektronik ve Haberleşme Programındaki yüksek lisansını Şubat 1991’de tamamladı. Yüksek lisans tezinde biyolojik işaretler için gerçek zamanlı adaptif gürültü giderme sistemi üzerine çalıştı.
1988’de İstanbul Üniversitesinde göreve başladı ve 1990’da Elektronik Mühendisliği Bölümü Elektronik Anabilim Dalına araştırma görevlisi olarak atandı. Mart 1992’de University of Pittsburgh’da işaret işleme alanında doktora çalışmalarına başladı. Gabor açılımlarıyla zaman-frekans analizi üzerine hazırladığı doktorasını Nisan 1996’da tamamlayarak Türkiye’ye döndü. Aralık 1996’da İstanbul Üniversitesi Elektronik Mühendisliği Bölümü Elektronik Anabilim Dalına yardımcı doçent olarak atandı. Nisan 1997’de anabilim dalı başkanı, Şubat 1999’da bölüm başkan yardımcısı oldu. Kasım 2000’de Telekomünikasyon Anabilim Dalı İşaret İşleme Bilim Dalında doçent unvanını aldı. İstanbul Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü Telekomünikasyon Anabilim Dalına 2 Mayıs 2001’de doçent, 31 Ekim 2006’da profesör olarak atandı.
2004’te TÜBİTAK bursuyla University of Pittsburgh’da ziyaretçi araştırmacı ve öğretim üyesi olarak çalıştı. Şubat 2006’da İstanbul Üniversitesi Hastaneleri Biyomedikal ve Klinik Mühendisliği Biriminin kurucusu ve koordinatörü olarak görevlendirildi ve bu görevi 2017’ye kadar sürdürdü. 20 Mart 2017’de İzmir Kâtip Çelebi Üniversitesi Biyomedikal Mühendisliği Bölümüne profesör olarak atandı. Mayıs 2017 ile Ekim 2018 arasında Mühendislik ve Mimarlık Fakültesi dekanı olarak görev yaptı. 31 Ocak 2020’ye kadar bu üniversitede bölüm başkanı, BAP koordinatörü ve Biyomedikal Test, Kalibrasyon Uygulama ve Araştırma Merkezi müdürü olarak eğitim ve araştırma çalışmalarını sürdürdü. 1 Şubat 2020’de İzmir Ekonomi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümüne profesör olarak atandı.
Prof. Dr. Akan, durağan olmayan işaretlerin zaman-frekans analizi ve bu yöntemlerin haberleşme ve biyomedikal mühendisliği problemlerine uygulanması üzerine çalışmaktadır. TÜBİTAK ve üniversitelerin Bilimsel Araştırma Projeleri birimlerince desteklenen çok sayıda projede yürütücü ve araştırmacı olarak görev almıştır. Araştırmaları yurt içinde ve yurt dışında kitap, makale, kitap bölümü ve bildiri olarak yayımlanmıştır. Bilimsel dergilerin hakem kurullarında ve konferansların danışma, yürütme, düzenleme, teknik program ve hakem kurullarında görev almaktadır. IEEE’nin Signal Processing ve Engineering in Medicine and Biology topluluklarının kıdemli üyesi, EURASIP’in Biyomedikal Sinyal ve Görüntü Analizi Teknik Alan Komitesi üyesidir. Elsevier’in Digital Signal Processing dergisinin editör kurulunda görev yapmaktadır.
Laboratuvardaki yayınları (90)
- 2026 Investigation of the Effect of Product Mascot Gender on Consumer Emotions Using EEG Signals Medical Technologies Congress (TIPTEKNO)
- 2026 Deep Model Families for EEG-Based Multi-Class Dementia Classification International Journal of Neural Systems · DOI
- 2026 Analysis of Human Emotions for Different Taste Stimuli Using EEG Signals International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2026 Investigating the Effect of Sustainable Product Packaging on Consumer Behavior Using EEG Signals International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2025 Analysis of Dementia EEG Signals Using Empirical Mode Decomposition Variants and Deep Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2025 Classification of Emotions Under Multiple Olfactory Stimuli Using EEG Signals and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2025 Design of a Smart Infusion Pump with Decision Support TIPTEKNO 2025 - Medical Technologies Congress, Proceedings -- 2025 Medical Technologies Congress, TIPTEKNO 2025 -- 26 October 2025 through 28 October 2025 -- Gazi Magusa -- 217812 · DOI
- 2025 Olfactory Emotion Recognition Using EEG Spectral Topographic Heatmaps and CNNs Medical Technologies Congress (TIPTEKNO) · DOI
- 2025 Detection of Alzheimer’s Disease by Using Time-Frequency Representations of EEG Signals with Deep Learning International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2025 Liking State Estimation Using Time-Frequency Image Representation of EEG Signals Signal Processing and Communications Applications Conference (SIU) · DOI
- 2025 Signals and Systems Using Matlab® Signals and Systems Using MATLAB® · DOI
- 2024 Decoding Olfactory EEG Signals Using Multi-Domain Features and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Investigating the Effect of Noise Levels on Mental Tasks Using Artificial Intelligence Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Vital Signs Monitoring Ecosystem for Children Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Alzheimer's Dementia Detection: An Optimized Approach Using ITD of EEG Signals European Signal Processing Conference (EUSIPCO) · DOI
- 2024 Detection of Alzheimer's Dementia by Using EEG Feature Maps and Deep Learning European Signal Processing Conference (EUSIPCO) · DOI
- 2024 Classification of Alzheimer’s dementia EEG signals using deep learning Transactions of the Institute of Measurement and Control · DOI
- 2024 Detection of Attention Deficit Hyperactivity Disorder based on EEG feature maps and deep learning Journal of Applied Biomedicine · DOI
- 2024 Consumer Preference Estimation Using EEG Signals and Deep Learning Signal Processing and Communications Applications Conference (SIU) · DOI
- 2024 Emotional Stimulus Classification from Brain Electrical Activity using Multivariate Empirical Mode Decomposition Signal Processing and Communications Applications Conference (SIU) · DOI
- 2024 Continuous-time signals Elsevier eBooks · DOI
- 2024 Continuous-time systems Elsevier eBooks · DOI
- 2024 Discrete-time signals and systems Elsevier eBooks · DOI
- 2024 Fourier analysis of discrete-time signals and systems Elsevier eBooks · DOI
- 2024 Frequency analysis: the Fourier series Elsevier eBooks · DOI
- 2024 Frequency analysis: the Fourier transform Elsevier eBooks · DOI
- 2024 From the ground up! Elsevier eBooks · DOI
- 2024 Introduction to the design of discrete filters Elsevier eBooks · DOI
- 2024 Sampling theory Elsevier eBooks · DOI
- 2024 The Laplace transform Elsevier eBooks · DOI
- 2024 The Z-transform Elsevier eBooks · DOI
- 2024 Detection of Olfactory Stimulus in Electroencephalogram Signals Using Machine and Deep Learning Methods Istanbul University - Journal of Electrical & Electronics Engineering · DOI
- 2023 Detection of Alzheimer’s Dementia by Using Deep Time–Frequency Feature Extraction Istanbul University - Journal of Electrical & Electronics Engineering · DOI
- 2023 Detection of Attention Deficit Hyperactivity Disorder using Decision-level Fusion of Brain Connectivity Information Based on Deep Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2023 Detection of the Effects of Environmental Condition on Attention/Memory Using EEG Signals Medical Technologies Congress (TIPTEKNO) · DOI
- 2023 Classification of Dementia EEG Signals by Using Time-Frequency Images for Deep Learning Innovations in Intelligent Systems and Applications Conference (ASYU) · DOI
- 2023 Classification of ADHD by Using Multiple Feature Maps of EEG Signals and Deep Feature Extraction European Signal Processing Conference (EUSIPCO) · DOI
- 2023 Combinations of EEG Topographic Feature Maps for the Classification of ADHD European Signal Processing Conference (EUSIPCO) · DOI
- 2023 Detection of Attention Deficit Hyperactivity Disorder by Using EEG Feature Maps and Deep Learning European Signal Processing Conference (EUSIPCO) · DOI
- 2023 Detection of Alzheimer's Dementia Using Intrinsic Time Scale Decomposition of EEG Signals and Deep Learning International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2023 Classification of Epileptic and Psychogenic Nonepileptic Seizures via Time–Frequency Features of EEG Data International Journal of Neural Systems · DOI
- 2022 Attention deficit hyperactivity disorder recognition based on intrinsic time-scale decomposition of EEG signals Biomedical Signal Processing and Control · DOI
- 2022 Deep Learning-Based Computer-Aided Diagnosis System for Attention Deficit Hyperactivity Disorder Classification Using Synthetic Data CRC Press eBooks · DOI
- 2022 An Assessment of Linear and Nonlinear Features for Detecting Olfactory Stimulus in EEG Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Deep Time-Frequency Feature Extraction for Alzheimer's Dementia EEG Classification Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Detection of Attention Deficit Hyperactivity Disorder Using EEG Signals and Douglas—Peucker Algorithm Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Realtime Determination of Mood in Classroom Environment Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Detection of Alzheimer’s Dementia by Using Signal Decomposition and Machine Learning Methods International Journal of Neural Systems · DOI
- 2022 Classification of Dementia EEG Based on Sub-bands Using Time-Frequency Approaches Signal Processing and Communications Applications Conference (SIU) · DOI
- 2022 Detection of Olfactory Stimulus from EEG Signals for Neuromarketing Applications Signal Processing and Communications Applications Conference (SIU) · DOI
- 2022 Liking Status Estimation Using EEG Signals and Mode Decomposition Method Signal Processing and Communications Applications Conference (SIU) · DOI
- 2021 Classification of Alzheimers’ Dementia by Using Various Signal Decomposition Methods Medical Technologies Congress (TIPTEKNO) · DOI
- 2021 Prediction of Sleep Apnea Using EEG Signals and Machine Learning Algorithms Medical Technologies Congress (TIPTEKNO) · DOI
- 2021 Synchronization Analysis In Epileptic EEG Signals Via State Transfer Networks Based On Visibility Graph Technique International Journal of Neural Systems · DOI
- 2021 A Diagnostic Strategy Via Multiresolution Synchrosqueezing Transform on Obsessive Compulsive Disorder Internatıonal Journal of Neural Systems · DOI
- 2021 Classification of Psychogenic Non-epileptic Seizures Using Synchrosqueezing Transform of EEG Signals European Signal Processing Conference (EUSIPCO) · DOI
- 2021 Time–frequency signal processing: Today and future Digital Signal Processing · DOI
- 2021 An EEG and Machine Learning based Method for the Detection of Major Depressive Disorder Signal Processing and Communications Applications Conference (SIU) · DOI
- 2021 Epileptic EEG Classification by Using Time-Frequency Images for Deep Learning International Journal of Neural Systems · DOI
- 2021 Channel Contributions of EEG in Emotion Modelling Based on Multivariate Adaptive Orthogonal Signal Decomposition IETE Journal of Research · DOI
- 2020 Detection of Consumer Preferences Using EEG Signals International Journal of Applied Mathematics Electronics and Computers · DOI
- 2020 A Dynamic Mode Decomposition Based Approach for Epileptic EEG Classification European Signal Processing Conference (EUSIPCO) · DOI
- 2020 Epileptic EEG Classification Using Synchrosqueezing Transform with Machine and Deep Learning Techniques European Signal Processing Conference (EUSIPCO) · DOI
- 2020 Analysis of epileptic EEG signals by using dynamic mode decomposition and spectrum Journal of Applied Biomedicine · DOI
- 2020 Classification of attention deficit hyperactivity disorder (ADHD) by using statistical features of MR images Institute of Physics eBooks · DOI
- 2020 Classification of Epileptic EEG Signals Using Synchrosqueezing Transform and Machine Learning International Journal of Neural Systems · DOI
- 2020 EEG based Epileptic Seizures Detection using Intrinsic Time-Scale Decomposition Medical Technologies Congress (TIPTEKNO) · DOI
- 2020 Epileptic EEG Classification Using Synchrosqueezing Transform and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2020 Individual-based Estimation of Valence with EEG Medical Technologies Congress (TIPTEKNO) · DOI
- 2020 Epileptic EEG Classification by Using Advanced Signal Decomposition Methods IntechOpen eBooks · DOI
- 2020 An EEG Based Liking Status Detection Method for Neuromarketing Applications Signal Processing and Communications Applications Conference (SIU) · DOI
- 2020 Classification of Epileptic EEG Signals Using Dynamic Mode Decomposition Signal Processing and Communications Applications Conference (SIU) · DOI
- 2020 EEG Based Mental Workload Estimation System Signal Processing and Communications Applications Conference (SIU) · DOI
- 2020 Estimation of Emotion Status Using IAPS Image Data Set Signal Processing and Communications Applications Conference (SIU) · DOI
- 2020 EEG-based emotion recognition with deep convolutional neural networks Biomedizinische Technik/Biomedical Engineering · DOI
- 2020 Intrinsic Synchronization Analysis of Brain Activity in Obsessive–compulsive Disorders International Journal of Neural Systems · DOI
- 2020 Epileptic seizure classifications using empirical mode decomposition and its derivative BioMedical Engineering OnLine · DOI
- 2019 Emotional state detection based on common spatial patterns of EEG Signal Image and Video Processing · DOI
- 2019 Comparison of IMF Selection Methods in Classification of Multiple Sclerosis EEG Data Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Control of Serious Games Designed for Alzheimer's and Dementia Patients by EEG Signals Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Designing an Obstacle Detection and Alerting System for Visually Impaired People on Sidewalks Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Desıgn of Brain-Computer Interface for Controlling A Virtual Keyboard Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 EEG based Emotional State Estimation using 2-D Deep Learning Technique Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Emotion Recognition with Multi-Channel EEG Signals Using Auditory Stimulus Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Emotion Recognition with Multi-Channel EEG Signals Using Visual Stimulus Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Frontal Synchronization Biases in Obsessive-Compulsive Disorders Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Investigation of Emotional Changes Using Features of EEG-Gamma Band and Different Classifiers Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Real Time Emotion Recognition from Facial Expressions Using CNN Architecture Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Selection of Intrinsic Mode Functions for Epileptic EEG Classification Using Ensemble Empirical Mode Decomposition Medical Technologies Congress (TIPTEKNO) · DOI
- 2019 Synchrosqueezing transform based feature extraction from EEG signals for emotional state prediction Biomedical Signal Processing and Control · DOI
Araştırmacılar
Berkay İlber Tunakan
Araştırma Görevlisi, Yüksek Lisans Öğrencisi 2024 yılında İzmir Ekonomi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümünden mezun oldu. Lisans bitirme projesinde uçak gürültüsünün dikkat ve bilişsel performans üzerindeki etkilerini elektroensefalografi (EEG) kullanarak inceledi. Yüksek lisans çalışmalarını, marka güveni algısının sinirsel bağıntılarının EEG sinyalleri üzerinden araştırılması üzerine sürdürmektedir. Computational Neuroscience Laboratory bünyesinde bilişsel sinirbilim, nöromühendislik ve biyomedikal sinyal işleme alanlarında çalışmalar yürütmektedir. EEG tabanlı deneylerin tasarlanması ve uygulanması, elektrofizyolojik verilerin toplanması, ön işlenmesi ve analizi süreçlerinde görev almaktadır. Araştırmalarında EEG sinyallerinden öznitelik çıkarımı, makine öğrenmesi ve derin öğrenme yöntemleriyle bilişsel ve duygusal süreçlerin modellenmesine odaklanmaktadır. Ayrıca Python kullanarak deneysel paradigmalar, uyaran sunum sistemleri ve davranışsal veri toplama arayüzleri geliştirmektedir. berkay.tunakan@ieu.edu.trberkay.tunakan@std.ieu.edu.trtunakanmvp@gmail.comLaboratuvardaki yayınları (3)
- 2026 Investigation of the Effect of Product Mascot Gender on Consumer Emotions Using EEG Signals Medical Technologies Congress (TIPTEKNO)
- 2026 Analysis of Human Emotions for Different Taste Stimuli Using EEG Signals International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2025 Design of a Smart Infusion Pump with Decision Support TIPTEKNO 2025 - Medical Technologies Congress, Proceedings -- 2025 Medical Technologies Congress, TIPTEKNO 2025 -- 26 October 2025 through 28 October 2025 -- Gazi Magusa -- 217812 · DOI
Nilsu Çağla Hepsev
Yüksek Lisans Öğrencisi İzmir Ekonomi Üniversitesi Mekatronik Mühendisliği ve Elektrik-Elektronik Mühendisliği çift anadal programlarından mezun oldu. Laboratuvarımız bünyesinde tat algısına yönelik nörofizyolojik tepkilerin EEG sinyalleri üzerinden makine öğrenmesi yöntemleriyle değerlendirilmesi üzerine çalışmalar yürüttü. Araştırmalarını bilişsel sinirbilim, duygusal bilgi işleme ve biyomedikal sinyal analizi alanlarında sürdürmektedir. Yüksek lisans tezi kapsamında, Türk müziğindeki farklı makamların uyandırdığı algılanan ve hissedilen duyguların ayrıştırılmasını EEG sinyalleri, makine öğrenmesi ve derin öğrenme yöntemleriyle araştırmaktadır. nilsu.hepsev@std.ieu.edu.trnncagla@gmail.comLaboratuvardaki yayınları
Henüz yayın eklenmedi.
Uğur Emin Baynal
Yüksek Lisans Öğrencisi İzmir Ekonomi Üniversitesi Bilgisayar Mühendisliği ve Elektrik-Elektronik Mühendisliği çift anadal programlarından mezun oldu. Lisans eğitimi sırasında IEEE Öğrenci Kolu yönetiminde görev aldı ve üniversite bünyesinde elektrikli araç, otonom sistemler ve rover geliştirme projelerinde çalıştı. Araştırmalarını nöromühendislik, biyomedikal cihaz tasarımı, gömülü sistemler ve yapay zekâ uygulamaları üzerine sürdürmektedir. Yüksek lisans tezi kapsamında, geleneksel alın bölgesi odaklı ölçümlerin ötesine geçerek kafa derisinin farklı bölgelerinden veri toplayabilen, genişletilmiş uzamsal kapsama sahip bir fonksiyonel yakın kızılötesi spektroskopi (fNIRS) sistemi geliştirmektedir. Çalışmasında donanım ve yazılım entegrasyonu ile gömülü yapay zekâ yöntemlerinin nörofizyolojik veri işleme süreçlerinde kullanılmasına odaklanmaktadır. ugur.baynal@ieu.edu.trugur.baynal@std.ieu.edu.trLaboratuvardaki yayınları
Henüz yayın eklenmedi.
Burak Akbuğday
Araştırma Görevlisi EEG sinyallerinin makine ve derin öğrenme yöntemleriyle analizi üzerine çalışmaktadır. burak.akbugday@ieu.edu.trburak.akbugday@std.ieu.edu.trÖzgeçmişin tamamı
Çalışmaları, EEG sinyallerinin makine öğrenmesi ve derin öğrenme yöntemleriyle analizi üzerinde yoğunlaşmaktadır. Nöropazarlama uygulamalarına yönelik olarak koku uyaranlarının EEG'den tespiti ve koku karşısında oluşan duygusal tepkilerin sınıflandırılması üzerine bir dizi çalışmada yer almıştır. EEG öznitelik haritaları ve derin öğrenme kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu (DEHB) ile Alzheimer demansının tespiti, çevre koşulları ve gürültünün dikkat ve zihinsel görevler üzerindeki etkisi, sınıf ortamında anlık duygu durumunun belirlenmesi ve sürdürülebilir ürün ambalajının tüketici davranışına etkisi de çalıştığı konular arasındadır.
Laboratuvardaki yayınları (13)
- 2026 Investigating the Effect of Sustainable Product Packaging on Consumer Behavior Using EEG Signals International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2025 Classification of Emotions Under Multiple Olfactory Stimuli Using EEG Signals and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Decoding Olfactory EEG Signals Using Multi-Domain Features and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Investigating the Effect of Noise Levels on Mental Tasks Using Artificial Intelligence Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Vital Signs Monitoring Ecosystem for Children Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Detection of Alzheimer's Dementia by Using EEG Feature Maps and Deep Learning European Signal Processing Conference (EUSIPCO) · DOI
- 2024 Detection of Olfactory Stimulus in Electroencephalogram Signals Using Machine and Deep Learning Methods Istanbul University - Journal of Electrical & Electronics Engineering · DOI
- 2023 Detection of the Effects of Environmental Condition on Attention/Memory Using EEG Signals Medical Technologies Congress (TIPTEKNO) · DOI
- 2023 Combinations of EEG Topographic Feature Maps for the Classification of ADHD European Signal Processing Conference (EUSIPCO) · DOI
- 2023 Detection of Attention Deficit Hyperactivity Disorder by Using EEG Feature Maps and Deep Learning European Signal Processing Conference (EUSIPCO) · DOI
- 2022 An Assessment of Linear and Nonlinear Features for Detecting Olfactory Stimulus in EEG Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Realtime Determination of Mood in Classroom Environment Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Detection of Olfactory Stimulus from EEG Signals for Neuromarketing Applications Signal Processing and Communications Applications Conference (SIU) · DOI
Sude Pehlivan Akbuğday
Araştırma Görevlisi EEG tabanlı biyomedikal sinyal işleme ve nöropazarlama üzerine çalışmaktadır. sude.pehlivan@ieu.edu.trsude.pehlivan@std.ieu.edu.trÖzgeçmişin tamamı
Çalışmaları EEG tabanlı biyomedikal sinyal işleme ve nöropazarlama üzerinde yoğunlaşmaktadır. Koku uyaranlarının EEG'den tespiti, çok alanlı öznitelikler ve makine öğrenmesiyle koku EEG'sinin çözümlenmesi ve koku karşısında oluşan duyguların sınıflandırılması üzerine çalışmalarda yer almıştır. EEG topografik öznitelik haritaları ve derin öğrenmeyle DEHB ve Alzheimer demansının tespiti, dinamik mod ayrışımı ile epileptik EEG sınıflandırması ve çevre koşullarının dikkat ve bellek üzerindeki etkisi de çalıştığı konular arasındadır.
Laboratuvardaki yayınları (14)
- 2025 Classification of Emotions Under Multiple Olfactory Stimuli Using EEG Signals and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Decoding Olfactory EEG Signals Using Multi-Domain Features and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Investigating the Effect of Noise Levels on Mental Tasks Using Artificial Intelligence Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Detection of Alzheimer's Dementia by Using EEG Feature Maps and Deep Learning European Signal Processing Conference (EUSIPCO) · DOI
- 2024 Detection of Olfactory Stimulus in Electroencephalogram Signals Using Machine and Deep Learning Methods Istanbul University - Journal of Electrical & Electronics Engineering · DOI
- 2023 Detection of the Effects of Environmental Condition on Attention/Memory Using EEG Signals Medical Technologies Congress (TIPTEKNO) · DOI
- 2023 Combinations of EEG Topographic Feature Maps for the Classification of ADHD European Signal Processing Conference (EUSIPCO) · DOI
- 2023 Detection of Attention Deficit Hyperactivity Disorder by Using EEG Feature Maps and Deep Learning European Signal Processing Conference (EUSIPCO) · DOI
- 2022 An Assessment of Linear and Nonlinear Features for Detecting Olfactory Stimulus in EEG Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Realtime Determination of Mood in Classroom Environment Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Detection of Olfactory Stimulus from EEG Signals for Neuromarketing Applications Signal Processing and Communications Applications Conference (SIU) · DOI
- 2020 A Dynamic Mode Decomposition Based Approach for Epileptic EEG Classification European Signal Processing Conference (EUSIPCO) · DOI
- 2020 Classification of Epileptic EEG Signals Using Dynamic Mode Decomposition Signal Processing and Communications Applications Conference (SIU) · DOI
- 2019 Designing an Obstacle Detection and Alerting System for Visually Impaired People on Sidewalks Medical Technologies Congress (TIPTEKNO) · DOI
Dr. Rıza Sadıkzade
Dr. Öğretim Üyesi İzmir Ekonomi Üniversitesi Uygulamalı Yönetim Bilimleri Yüksekokulu'nda nöropazarlama ve tüketici sinirbilimi üzerine çalışmaktadır. riza.sadikzade@ieu.edu.trriza@taimaksan.comÖzgeçmişin tamamı
İzmir Ekonomi Üniversitesi Uygulamalı Yönetim Bilimleri Yüksekokulu'nda görev yapmaktadır. Laboratuvarımızda nöropazarlama ve tüketici sinirbilimi alanındaki çalışmalarda yer almaktadır. Koku uyaranlarının EEG'den tespiti ve koku kaynaklı duyguların tanınması, ürün maskotunun cinsiyetinin ve sürdürülebilir ambalajın tüketici duyguları ve davranışı üzerindeki etkisi ile yüz ifadelerinden gerçek zamanlı duygu tanıma çalıştığı konular arasındadır.
Laboratuvardaki yayınları (8)
- 2026 Investigation of the Effect of Product Mascot Gender on Consumer Emotions Using EEG Signals Medical Technologies Congress (TIPTEKNO)
- 2026 Investigating the Effect of Sustainable Product Packaging on Consumer Behavior Using EEG Signals International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
- 2025 Olfactory Emotion Recognition Using EEG Spectral Topographic Heatmaps and CNNs Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Decoding Olfactory EEG Signals Using Multi-Domain Features and Machine Learning Medical Technologies Congress (TIPTEKNO) · DOI
- 2024 Detection of Olfactory Stimulus in Electroencephalogram Signals Using Machine and Deep Learning Methods Istanbul University - Journal of Electrical & Electronics Engineering · DOI
- 2022 An Assessment of Linear and Nonlinear Features for Detecting Olfactory Stimulus in EEG Medical Technologies Congress (TIPTEKNO) · DOI
- 2022 Detection of Olfactory Stimulus from EEG Signals for Neuromarketing Applications Signal Processing and Communications Applications Conference (SIU) · DOI
- 2019 Real Time Emotion Recognition from Facial Expressions Using CNN Architecture Medical Technologies Congress (TIPTEKNO) · DOI
Dr. Faezeh Yeganli
Dr. Öğretim Üyesi İzmir Ekonomi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü'nde EEG tabanlı duygu tanıma ve derin öğrenme üzerine çalışmaktadır. faezeh.yeganli@ieu.edu.trÖzgeçmişin tamamı
İzmir Ekonomi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü'nde görev yapmaktadır. Laboratuvarımızda koku uyaranlarına verilen EEG tepkilerinin analizi üzerine çalışmaktadır. EEG sinyallerini frekans bantlarına özgü topografik ısı haritalarına dönüştürüp evrişimli sinir ağlarıyla koku kaynaklı duyguları tanıyan hafif bir yöntem geliştirmiş, çok alanlı öznitelikler ve makine öğrenmesiyle koku EEG'sinin çözümlenmesi üzerine çalışmalarda da yer almıştır.
Yayınlar
Laboratuvar üyelerimizce yayımlanan çalışmalar.
2026
Investigation of the Effect of Product Mascot Gender on Consumer Emotions Using EEG Signals
Medical Technologies Congress (TIPTEKNO)
2026
Deep Model Families for EEG-Based Multi-Class Dementia Classification
International Journal of Neural Systems · DOI
2026
Analysis of Human Emotions for Different Taste Stimuli Using EEG Signals
International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
2026
Investigating the Effect of Sustainable Product Packaging on Consumer Behavior Using EEG Signals
International Conference on Control, Decision and Information Technologies (CoDIT) · DOI
2025
Analysis of Dementia EEG Signals Using Empirical Mode Decomposition Variants and Deep Learning
Medical Technologies Congress (TIPTEKNO) · DOI
Altyapı
Deneylerimizde kullandığımız kayıt ve analiz donanımı.
Bitbrain Kayıt Sistemi
Deney tasarımı ve kayıt için Bitbrain SennsLab kullanıyoruz.
Bitbrain Versatile EEG 32
32 kanallı, su bazlı EEG başlığı.
Ürün ve görsel kaynağı · Bitbrain
Bitbrain Ring GSR/BVP
Deri iletkenliği, kan hacmi nabzı ve hareket kaydı için giyilebilir sensör.
Ürün ve görsel kaynağı · BitbrainiMotions Çoklu Ölçüm Sistemi
Sistem, EEG, ekran tabanlı göz izleme ve elektrodermal aktivite ölçümünü bir araya getiriyor. Yazılım paketi iMotions Core, Screen-Based Eye Tracking, Affectiva, GSR ve EEG modüllerini içeriyor.
Neuroelectrics Enobio 20
20 kanallı kablosuz EEG sistemi.
Ürün ve görsel kaynağı · iMotions
Smart Eye AI-X 60 Hz
Ekran tabanlı göz izleme cihazı.
Ürün ve görsel kaynağı · iMotions
Shimmer3R GSR+ Kit
Deri iletkenliği ölçümü için giyilebilir sensör.
Ürün ve görsel kaynağı · iMotionsYazılımlar
- Bitbrain SennsLab: Bitbrain cihazlarıyla birlikte kullandığımız deney yazılımı. Deneyi tasarlamayı, uyaranları sırayla sunmayı ve EEG, GSR gibi fizyolojik sinyalleri uyaranlarla zaman olarak eşleşmiş biçimde kaydetmeyi tek bir ortamda yapıyoruz.
- iMotions: Farklı sensörlerden gelen verileri aynı zaman ekseninde toplayan çoklu ölçüm platformu. EEG, göz izleme ve deri iletkenliğini aynı anda kaydedip birlikte analiz edebiliyoruz. Paketimizde Core, Screen-Based Eye Tracking, Affectiva yüz ifadesi analizi, GSR ve EEG modülleri var.
- Neuroelectrics NIC2: Enobio 20 için cihaz kontrolü, sinyal kalitesinin izlenmesi ve EEG kaydı. Lab Streaming Layer (LSL) desteği sayesinde kaydı kendi yazdığımız deney arayüzleriyle eşzamanlayabiliyoruz.
- Python ve web tabanlı araçlar: Deney ortamlarını ve görev arayüzlerini kendimiz geliştiriyoruz. Biyosinyal işleme, veri analizi ve makine öğrenmesinde ağırlıklı olarak açık kaynak Python kütüphaneleri kullanıyoruz.
Açık Kaynak Python Kütüphaneleri
Bu alana başlamak isteyenlere önerdiğimiz temel kütüphaneler:
- NumPy: Sayısal hesaplamanın temeli. Sinyalleri çok boyutlu diziler olarak tutup hızlıca işlemeyi sağlar.
- SciPy: Filtre tasarımı, Fourier dönüşümü, spektral analiz ve istatistik gibi bilimsel hesaplama araçları.
- pandas: Tablo biçimindeki verileri, örneğin deney kayıtlarını ve çıkarılan özellikleri düzenlemek ve analiz etmek için.
- Matplotlib: Sinyalleri, spektrumları ve sonuçları görselleştirmek için temel çizim kütüphanesi.
- MNE-Python: EEG ve MEG verisi için en kapsamlı açık kaynak araç. Veri okuma, ön işleme, ICA ile artefakt temizleme, epoklama ve topografik haritalar.
- NeuroKit2: EKG, deri iletkenliği (EDA/GSR) ve solunum gibi fizyolojik sinyallerin işlenmesi ve özellik çıkarımı.
- scikit-learn: Sınıflandırma, regresyon, çapraz doğrulama ve model değerlendirme için klasik makine öğrenmesi kütüphanesi.
- XGBoost: Gradyan artırmalı karar ağaçlarının hızlı ve yaygın kullanılan uygulaması.
- PyTorch: Derin öğrenme modellerini kurmak ve eğitmek için.
- Lab Streaming Layer: Farklı cihazlardan ve yazılımlardan gelen veri akışlarını ve olay işaretlerini aynı zaman ekseninde toplamak için.
- PsychoPy: Zamanlaması hassas deney ve uyaran sunumu arayüzleri hazırlamak için.
Haberler
İzmir Ekonomi Üniversitesi’nden laboratuvarımız ve ekibimizle ilgili haberler.
Proje Çağrıları Ve Araştırma Duyuruları
Son kontrol: 6 Kasım 2026
Açık Çağrılar
- TÜBİTAK 2209-A ve 2209-B. Ön lisans ve lisans öğrencileri için araştırma ve sanayi odaklı proje destekleri. Çevrim içi başvuru 11 Kasım 2026, 17.30; kurum yetkilisi e-imzası 23 Kasım 2026. Resmî çağrı
- İZKA 2026 Teknik Destek. Sanayide Yeşil Dönüşüm ve İzmir Çalışmaları programlarının KAYS son başvuru tarihi 30 Aralık 2026. Başvuru sahipleri ve destek konuları programa göre değişiyor. Resmî çağrı ve rehberler
- Ufuk Avrupa 2027 Sağlık Kümesi. Yapay zekâ ile öngörücü biyobelirteçler ve nörodejeneratif hastalıklara yönelik klinik araştırmalar, duyurulan konular arasında. HaDEA duyurusuna göre ilk başvuru tarihi 17 Şubat 2027, 17.00 Brüksel saati. Başvurmadan önce konu sayfasındaki takvimi kontrol edin. HaDEA duyurusu ve konu bağlantıları
İEÜ İçi Duyurular
- İEÜ BAP. Kurum içi araştırma desteğine uygun İEÜ mensupları, proje başvuru formunu PGTTO’ya iletebilir. Başvuru usulü ve uygunluk koşulları üniversitenin sayfasında. İEÜ BAP ve PGTTO bilgileri
- Mühendislik Fakültesi FENG 497. 2026–2027 güz döneminde bitirme projesi önerisinin teslim tarihi 13 Kasım 2026. İEÜ proje takvimi
Etkinlikler Ve İkinci Aşama
- Ufuk Avrupa Sağlık Kümesi. Çevrim içi proje pazarı 24–25 Kasım 2026, Sağlık Kümesi Bilgi Günü 26 Kasım 2026. Etkinlik ve kayıt bilgileri
- IHI 13. Yalnızca ikinci aşamaya davet edilen konsorsiyumlar için tam teklif son tarihi 21 Nisan 2027, 17.00 Brüksel saati. IHI 13 çağrı sayfası
Program Ve Başvuru Kaynakları
Laboratuvardan Haberler
Web sitemiz yayında
Laboratuvarımızın Türkçe ve İngilizce web sitesi açıldı.
Computational Neuroscience Lab’in web sitesi yayında. Araştırmalarımızı, ekibimizi ve yayınlarımızı buradan takip edebilirsiniz.
EEG101 COST Aksiyonu'na katıldık
Laboratuvarımız, açık ve güvenilir EEG bilimini geliştirmeyi amaçlayan Avrupa ağı EEG101 COST Aksiyonu'na kabul edildi.
Laboratuvarımız, EEG101: Fundamentals of Open & Rigorous EEG Science (CA24148) COST Aksiyonu’na kabul edildi.
EEG101, EEG sinyalinin keşfinden 101 yıl sonra başlatılan bir Avrupa araştırma ağı. Amacı, laboratuvarlar arasında farklılık gösteren kayıt, analiz ve raporlama yöntemlerini standartlaştırmak, büyük veri setlerini bir araya getirmek ve EEG araştırmalarının tekrarlanabilirliğini artırmak. Ağ bu amaçla ortak araçlar ve protokoller geliştiriyor, yaz okulları düzenliyor ve araştırmacılar arası kısa süreli ziyaretleri destekliyor.
Ağa katılmamız, Avrupa’daki EEG laboratuvarlarıyla iş birliği yapmamız ve çalışmalarımızı uluslararası standartlarla uyumlu hale getirmemiz için önemli bir fırsat.
İEÜ BAP altyapı projemiz kabul edildi
İzmir Ekonomi Üniversitesi Bilimsel Araştırma Projeleri kapsamında hazırladığımız altyapı projesi kabul edildi.
İzmir Ekonomi Üniversitesi Bilimsel Araştırma Projeleri (BAP) kapsamında hazırladığımız altyapı projesi kabul edildi.
Proje, laboratuvarımızın deneysel kayıt altyapısını güçlendirecek ve çok kipli biyosinyal çalışmalarımızı genişletmemize olanak sağlayacak. Desteği için İzmir Ekonomi Üniversitesi’ne teşekkür ederiz.
TÜSEB-B çağrısından ön kabul aldık
2026 TÜSEB-B çağrısına sunduğumuz, geliştirilmiş bir fNIRS cihazı üzerine kurulu projemiz ön değerlendirmeden geçti. Ayrıntılı değerlendirme sonucu 18 Aralık'ta açıklanacak.
Türkiye Sağlık Enstitüleri Başkanlığı’nın (TÜSEB) 2026 yılı B grubu proje çağrısına sunduğumuz projemiz ön kabul aldı.
Projede geliştirilmiş bir fNIRS cihazı üzerinde çalışıyoruz. fNIRS (fonksiyonel yakın kızılötesi spektroskopi), kafa derisinden gönderilen zararsız yakın kızılötesi ışıkla beyindeki kan oksijenlenmesindeki değişimleri ölçen, taşınabilir bir beyin görüntüleme yöntemi. Hedefimiz, cihaz üzerinde çalışan yapay zekâ ile kayıt kalitesini ve kapsamını artırmak.
Projenin ayrıntılı değerlendirme sonucu 18 Aralık 2026‘da açıklanacak. Sonucu buradan paylaşacağız.
Blog
Laboratuvardan kısa yazılar, deney notları ve düşünceler.
Stadyumun Dışından Tezahürat Dinlemek, EEG Neyi Ölçer?
Beynimizde yaklaşık 86 milyar nöron var ve EEG bunların hiçbirini tek tek duyamıyor. Peki o zaman neyi kaydediyoruz?
Beynimizde yaklaşık 86 milyar nöron bulunuyor. Bir futbol stadyumunun dışında durduğunuzu düşünün. İçeride on binlerce kişi var. Tek tek kimin ne konuştuğunu duyamazsınız. Ama gol olduğunda, ya da bütün tribün aynı anda tezahürata başladığında, dışarıdan bile net bir uğultu duyarsınız.
Dışarıdan tek tek sesleri değil, kalabalığın toplam uğultusunu duyarız. EEG tam olarak böyle çalışır. Beynimizdeki nöronlar birbirleriyle küçük elektriksel sinyallerle haberleşir. Tek bir nöronun sinyali kafatasının dışından ölçülemeyecek kadar zayıftır. Ama binlerce nöron aynı anda, aynı ritimde çalıştığında, ortaya çıkan toplam sinyal kafa derisine yerleştirdiğimiz elektrotlara kadar ulaşır. EEG’de gördüğümüz dalgalar, beynin bu “toplu tezahüratlarıdır”.
Tek bir taraftarın sesi gibi tek bir nöronun sinyali de kaybolur. Binlercesi aynı anda çalıştığında elektrotlara ulaşan bir sinyal oluşur. Ritimler
Bu toplu etkinlik belirli hızlarda dalgalanma eğilimindedir. Bunlara frekans bantları diyoruz:
- Delta (0,5–4 Hz): Derin uykunun yavaş dalgaları.
- Teta (4–8 Hz): Uykuya dalarken, hayal kurarken, bazı hafıza süreçlerinde.
- Alfa (8–13 Hz): Gözlerinizi kapatıp rahatladığınızda belirginleşir. En kolay gözlenen ritimdir.
- Beta (13–30 Hz): Uyanık, odaklanmış ve düşünürken.
- Gama (30 Hz ve üstü): Bilgilerin birleştirildiği yoğun işlem anlarıyla ilişkilendirilir.
Bunlar kesin sınırları olan “durumlar” değil. Beyin her an bu ritimlerin bir karışımını üretir, biz de hangisinin ne kadar baskın olduğuna bakarız.
Yukarıdan aşağıya yavaştan hızlıya: EEG sinyali farklı hızlardaki ritimlerin bir karışımıdır. Güçlü Ve Zayıf Yanları
EEG’nin en büyük gücü hızıdır. Beynin bir uyarana verdiği tepkiyi milisaniye düzeyinde yakalar. Bir logoyu gördüğünüz anla beyninizin buna tepki verdiği an arasındaki farkı ölçebiliriz.
Zayıf yanı ise konumdur. Stadyum örneğine dönersek, uğultunun hangi tribünden geldiğini kabaca tahmin edebilirsiniz, ama hangi koltuktan geldiğini söyleyemezsiniz. Beynin derinliklerinde olan bitenin kesin yerini bulmak için fMRI gibi başka yöntemler gerekir.
Hızlı, taşınabilir, görece ucuz ve tamamen zararsız olması, EEG’yi gündelik kararları incelemek için ideal kılıyor.
Kaynaklar
- Azevedo, F. A. C. ve ark. (2009). Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, 513(5), 532–541. DOI: 10.1002/cne.21974
Parmağınıza El Feneri Tutmak, fNIRS Neyi Ölçer?
Işıkla beyne bakmak kulağa bilim kurgu gibi geliyor. Oysa fNIRS, karanlıkta parmağınıza tuttuğunuz el fenerinin kırmızı parıltısıyla aynı fikre dayanıyor.
Karanlık bir odada el fenerini parmağınızın ucuna bastırın. Parmağınız kırmızı kırmızı parlar. Işığın bir kısmı deriden, kemikten ve kandan geçip öbür taraftan çıkar. Hastanelerde parmağa takılan nabız oksimetresi de bu basit gözleme dayanır: kandaki oksijeni, içinden geçen ışığa bakarak ölçer.
Işık deriyi, kemiği ve kanı geçip öbür taraftan çıkar. fNIRS Bunu Nasıl Yapıyor?
fNIRS (fonksiyonel yakın kızılötesi spektroskopi) aynı fikri kafaya uygular. Kafa derisine küçük ışık kaynakları ve onların birkaç santim yanına ışık dedektörleri yerleştiririz. Kaynaktan çıkan ışık doku içinde saçılır, bir kısmı beynin yüzeyine kadar inip geri döner ve dedektöre ulaşır. Dönen ışığın ne kadar azaldığına bakarak, o bölgedeki kanda neler olduğunu anlarız.
Solda: kaynaktan çıkan ışık dokuda saçılır. Sağda: ışığın bir kısmı kavisli bir yol izleyip dedektöre (mavi) geri döner. Neden Yakın Kızılötesi?
Görünür ışığın çoğu dokuya girer girmez yutulur. Ama yaklaşık 700–1000 nanometre arasındaki yakın kızılötesi ışık için biyolojik doku şaşırtıcı derecede “şeffaftır”. Bu “optik pencereyi” 1977’de Frans Jöbsis fark etti ve ışığın kafatasından geçip beyindeki oksijen değişimlerini gösterebildiğini gösterdi.
Bu pencerede işe yarayan asıl şey hemoglobindir. Oksijen taşıyan hemoglobin (HbO) ile oksijenini bırakmış hemoglobin (HbR) ışığı farklı dalga boylarında farklı miktarda yutar. İki ayrı dalga boyunda ölçüm yapınca, ikisinin miktarındaki değişimi ayrı ayrı hesaplayabiliriz.
Çalışan Bölge Kan İster
Beyin, enerji deposu olmayan bir organdır. Bir bölge çalışmaya başladığında oraya hızla taze, oksijenli kan gönderilir. Buna nörovasküler eşleşme diyoruz. Bunu yoğun saatte bir mahalleye ekstra otobüs seferi koyan bir belediye gibi düşünebilirsiniz: kalabalık artınca servis de artar, hatta ihtiyaçtan biraz fazlası gelir.
Sonuç olarak aktif bölgede oksijenli hemoglobin artar, oksijensiz hemoglobin azalır. fNIRS bu karşıt hareketi yakalar. Yani fNIRS nöronları doğrudan dinlemez, nöronların “sipariş verdiği” kanı izler.
Muz Şeklinde Bir Yol
Işık kaynaktan dedektöre düz bir çizgiyle gitmez. Dokuda saçılarak, muz şeklinde kavisli bir yol izler. Kaynakla dedektör arasındaki mesafe arttıkça bu muz daha derine iner ama dönen ışık da azalır. Pratikte yetişkinlerde yaklaşık 3 santimlik bir mesafeyle beynin dış yüzeyine, yani korteksin üst birkaç milimetresine ulaşırız. Daha derindeki yapılar fNIRS’in menzili dışındadır.
Çıktı Nasıl Görünür?
Her kaynak–dedektör çifti bir kanal oluşturur. Şekildeki S1-D1 gibi etiketler, hangi kaynakla hangi dedektörün eşleştiğini gösterir. Her kanal bize zaman içinde değişen iki eğri verir: oksijenli ve oksijensiz hemoglobindeki değişim.
Bu eğrileri görev sırasındaki belli bir zaman aralığında ortalayıp dinlenme anıyla karşılaştırınca, kafanın üzerinde bir renk haritası elde ederiz. Kırmızı bölgeler, görev sırasında oksijenli hemoglobinin belirgin biçimde arttığı, yani daha çok “kan sipariş eden” bölgelerdir. Mavi bölgelerde artış yoktur ya da azalma vardır.
Temsili bir fNIRS çıktısı: görev sırasında oksijenli hemoglobin değişiminin kafa üzerindeki dağılımı. EEG İle Karşılaştırınca
EEG stadyumdan gelen tezahüratı dinler: elektriksel etkinliği milisaniyeler içinde yakalar ama sesin tam olarak nereden geldiğini söylemekte zorlanır. fNIRS ise stadyuma giden otobüs trafiğini izler: kan akışındaki değişim birkaç saniyede ortaya çıkar, buna karşılık hangi bölgenin “kalabalıklaştığı” daha net görünür.
Bu yüzden ikisi rakip değil, tamamlayıcıdır. Birçok çalışmada EEG ve fNIRS aynı başlıkta birlikte kullanılır: biri “ne zaman”, diğeri “nerede” sorusuna daha iyi cevap verir.
Güçlü Ve Zayıf Yanları
Artıları:
- Taşınabilir ve sessizdir. Kişi bir tüpün içine yatmak zorunda kalmaz, masa başında, yürürken ya da alışveriş yaparken ölçüm alınabilir.
- fMRI’a göre harekete daha toleranslıdır ve çok daha ucuzdur.
- Bebeklerde ve çocuklarda rahatlıkla kullanılabilir.
Eksileri:
- Yalnızca beynin yüzeyini görür.
- Işık önce kafa derisinden geçtiği için deri altındaki kan akışı da sinyale karışır. Bunu ayıklamak için kısa mesafeli ek kanallar ve sinyal işleme yöntemleri kullanılır.
- Koyu ve gür saç ışığı engelleyebilir, optotları yerleştirmek sabır ister.
Laboratuvarda fNIRS
İnsan beyninde ilk fonksiyonel fNIRS ölçümleri 1992’de yapıldı. O günden bu yana tek kanallı cihazlardan bütün başı kaplayan, kablosuz sistemlere geçildi. Bizim laboratuvarımızda da tüm başı kaplayan, cihaz üzerinde yapay zeka çalıştırabilen geliştirilmiş bir fNIRS sistemi üzerinde çalışıyoruz. Bu çalışmanın son durumu için TÜSEB haberimize göz atabilirsiniz.
Kaynaklar
- Jöbsis, F. F. (1977). Noninvasive, infrared monitoring of cerebral and myocardial oxygen sufficiency and circulatory parameters. Science, 198(4323), 1264–1267. doi:10.1126/science.929199
- Ferrari, M., Quaresima, V. (2012). A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. NeuroImage, 63(2), 921–935. doi:10.1016/j.neuroimage.2012.03.049
Blogumuz Açıldı
Laboratuvarda neler yaptığımızı, deneylerin perde arkasını ve öğrendiklerimizi buradan kısa yazılarla paylaşacağız.
Yayınlarımız çalışmalarımızın sonucunu anlatıyor, ama oraya giden yolu pek göstermiyor. Bu blogda o yolu paylaşmak istiyoruz: bir deneyin nasıl tasarlandığını, kayıt sırasında karşılaştığımız sorunları, bir analiz yönteminin neden işe yaradığını ya da yaramadığını.
Yazılar kısa olacak ve ekibin farklı üyelerinden gelecek. Okumak, merak ettiklerinizi sormak ya da birlikte çalışmak isterseniz bize her zaman yazabilirsiniz.
Konferanslar
Laboratuvar üyelerinin sunum yaptığı konferanslar, en yeniden en eskiye.
- 2026 Tıp Teknolojileri Kongresi (TIPTEKNO) 1 bildiri
- International Conference on Control, Decision and Information Technologies (CoDIT) 2 bildiri
- 2025 Tıp Teknolojileri Kongresi (TIPTEKNO) 4 bildiri
- International Conference on Control, Decision and Information Technologies (CoDIT) 1 bildiri
- Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU) 1 bildiri
- 2024 Tıp Teknolojileri Kongresi (TIPTEKNO) 3 bildiri
İletişim
Bize ulaşın ya da laboratuvarı ziyaret edin.
- Ortak projeler ve iş birlikleri
- Prof. Dr. Aydın Akan
akan.aydin@ieu.edu.tr - Site ve genel bilgi
- Berkay İlber Tunakan
berkay.tunakan@ieu.edu.tr - Adres
- İzmir Ekonomi Üniversitesi
Sakarya Cad. No:156, 35330 Balçova / İzmir
Birlikte Çalışalım
EEG, biyosinyal işleme veya makine öğrenmesi alanında yüksek lisans ya da doktora yapmak isteyen öğrencilerle görüşmeye açığız. Ortak projeler ve profesyonel iş birlikleri için akademisyenlerle de birlikte çalışmaktan memnuniyet duyarız.
Bize yazın