Yapay Zeka ile Beyin-Bilgisayar Arayüzleri Eğitimi

Eğitim Hakkında

Bu eğitim, beyin sinyallerini makine öğrenmesi ve derin öğrenme yöntemleriyle çözümleyerek iletişim, rehabilitasyon ve kontrol amaçlı beyin-bilgisayar arayüzleri geliştirmek isteyen Ar-Ge ekipleri için tasarlanmış ileri düzey bir programdır. Katılımcılar EEG ön işleme, Riemann ve derin öğrenme tabanlı dekodlama, gerçek zamanlı sistem mimarisi ve nöroetik boyutları uygulamalı olarak ele alır.

Neden Bu Eğitim?

Sinyalden Karara. Ham EEG kaydından artefakt temizliği, özellik çıkarımı ve dekodlamaya uzanan eksiksiz bir hat kurun.

Gerçek Zamanlı Sistemler. Lab Streaming Layer ve kapalı döngü geri bildirimle çevrim dışı modelleri çalışan arayüzlere dönüştürün.

Sorumlu Nöroteknoloji. Nöro veri mahremiyeti, KVKK, tıbbi cihaz mevzuatı ve nöroetik ilkeleri Ar-Ge sürecine baştan dahil edin.

“İyi bir beyin-bilgisayar arayüzü, sinyali doğru çözmekle kalmaz; kullanıcısının mahremiyetine ve özerkliğine de saygı gösterir.”

Ön Koşullar

Sinyal İşleme — Fourier dönüşümü, filtreleme ve örnekleme kavramlarını lisans düzeyinde bilmek.
Python ve Veri — NumPy, SciPy ve Matplotlib ile zaman serisi verisi işleyebilmek ve not defteri kullanmak.
Makine Öğrenmesi — scikit-learn ile sınıflandırma yapmış olmak ve PyTorch ile temel model eğitimine aşinalık.
Çalışma Ortamı — MNE-Python kurulabilen, en az 16 GB belleğe sahip bir bilgisayar veya GPU erişimli bulut ortamı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiBCI türlerini ve uygulama alanlarını tanımak, beyin sinyallerinin nörofizyolojik kaynağını kavramak, kayıt teknolojilerini karşılaştırmak ve BCI paradigmalarını öğrenmek.

Modül 1

Beyin-Bilgisayar Arayüzlerine Giriş

BCI tanımı: beyin sinyalinden komuta kapalı döngü
İnvaziv, yarı invaziv ve invaziv olmayan yaklaşımlar
Aktif, reaktif ve pasif BCI türleri
Kullanım alanları: iletişim, rehabilitasyon ve protez
Nöroteknoloji ekosistemi ve güncel klinik araştırmalar
Vaka: Felçli hastalarda konuşma dekodlama çalışmaları

Modül 2

Beyin Sinyallerinin Nörofizyolojisi

Kortikal organizasyon: motor, görsel ve işitsel alanlar
Postsinaptik potansiyeller ve EEG sinyalinin kaynağı
Frekans bantları: delta, teta, alfa, beta ve gama
Olaya ilişkin potansiyeller (ERP) ve P300 bileşeni
Olaya ilişkin senkronizasyon ve desenkronizasyon
Laboratuvar: MNE-Python ile örnek EEG verisini inceleme

Modül 3

Nöral Kayıt Teknolojileri

EEG: elektrot tipleri, 10-20 sistemi ve empedans
ECoG ve intrakortikal mikroelektrot dizileri
fNIRS ve MEG yöntemlerinin karşılaştırılması
Araştırma sınıfı ve açık donanım EEG cihazları: OpenBCI
Uzamsal ve zamansal çözünürlük ödünleşimleri
Demo: OpenBCI ile canlı EEG kaydı ve sinyal kalitesi

Modül 4

BCI Paradigmaları ve Deney Tasarımı

Motor imgeleme (motor imagery) paradigması
P300 heceleyici (speller) ve oddball deney deseni
Durağan durum görsel uyarılmış potansiyel (SSVEP)
Pasif BCI: dikkat, zihinsel iş yükü ve yorgunluk
Deney tasarımı: uyaran sunumu, zamanlama ve etiketleme
Günün değerlendirmesi ve sinyal işleme gününe köprü

Günün hedefiEEG verisini standart formatlarda yönetmek, filtreleme ve epoklama ile ön işlemek, ICA ile artefaktları temizlemek ve zaman-frekans ile uzamsal filtre özellikleri çıkarmak.

Modül 1

Veri Formatları ve Ön İşleme

EDF, BDF ve FIF formatları ile BIDS-EEG standardı
Bant geçiren ve çentik filtreler, faz gecikmesi
Yeniden referanslama, yeniden örnekleme ve kanal seçimi
Epoklama, taban çizgisi düzeltme ve olay işaretleri
Kötü kanal tespiti ve interpolasyon
Laboratuvar: MNE-Python ile ön işleme hattı

Modül 2

Artefakt Tespiti ve Temizleme

Göz kırpma, kas, kalp ve hareket artefaktları
Bağımsız bileşen analizi (ICA) ile artefakt ayrıştırma
ICLabel ile otomatik bağımsız bileşen sınıflandırma
Artefakt alt uzay rekonstrüksiyonu (ASR) yöntemi
autoreject kütüphanesiyle otomatik epok reddi
Laboratuvar: ICA ile göz artefaktlarının temizlenmesi

Modül 3

Zaman-Frekans Analizi ve Özellikler

Welch yöntemiyle güç spektral yoğunluğu
Kısa zamanlı Fourier ve dalgacık (wavelet) dönüşümü
Bant gücü, spektral entropi ve Hjorth parametreleri
Bağlantısallık özellikleri: koherans ve faz kilitleme
ERP genlik ve gecikme özelliklerinin çıkarılması
Laboratuvar: Motor imgelemede mu ve beta ritmi analizi

Modül 4

Uzamsal Filtreleme Yöntemleri

Uzamsal filtrelerin sinyal-gürültü oranına katkısı
Ortak uzamsal örüntüler (CSP) ve filtre bankası CSP
xDAWN uzamsal filtresi ile ERP iyileştirme
Kanonik korelasyon analizi (CCA) ile SSVEP tespiti
Laboratuvar: CSP ile motor imgeleme özellikleri
Günün özeti ve nöral dekodlama gününe hazırlık

Günün hedefiKlasik, Riemann geometrisi tabanlı ve derin öğrenme dekoderlerini kurmak, bunları MOABB ile tekrarlanabilir biçimde kıyaslamak ve değerlendirme tuzaklarından kaçınmak.

Modül 1

Klasik Sınıflandırıcılarla Dekodlama

Doğrusal diskriminant analizi (LDA) ve shrinkage LDA
Destek vektör makineleri ve lojistik regresyon
scikit-learn pipeline ile BCI sınıflandırma hatları
Oturum ve denek bazlı çapraz doğrulama
Metrikler: doğruluk, kappa ve bilgi aktarım hızı (ITR)
Laboratuvar: BCI Competition IV 2a verisinde LDA

Modül 2

Riemann Geometrisi Yaklaşımları

Kovaryans matrisleri ve pozitif tanımlı matris uzayı
Riemann ortalaması ve teğet uzay projeksiyonu
Minimum Riemann mesafesi (MDM) sınıflandırıcısı
pyRiemann ile motor imgeleme ve P300 dekodlama
Oturumlar arası yeniden merkezleme ile uyarlama
Laboratuvar: pyRiemann ile teğet uzay sınıflandırma

Modül 3

Derin Öğrenme ile EEG Dekodlama

EEG için evrişimli ağlar: EEGNet ve ShallowConvNet
Braindecode ile uçtan uca derin öğrenme hattı
Transformer tabanlı ve zamansal evrişimli modeller
Az veri, aşırı öğrenme ve EEG veri artırma teknikleri
Öz denetimli öğrenme ve EEG temel modelleri
Laboratuvar: Braindecode ile EEGNet eğitimi

Modül 4

Kıyaslama ve Tekrarlanabilirlik

MOABB ile açık veri setlerinde standart kıyaslama
Denek içi, denekler arası ve oturumlar arası değerlendirme
Veri sızıntısı ve yanıltıcı yüksek doğruluk tuzakları
İstatistiksel anlamlılık ve şans düzeyi hesaplama
Laboratuvar: MOABB ile dekoder yöntemleri karşılaştırması
Günün değerlendirmesi ve gerçek zamanlı BCI gününe köprü

Günün hedefiKalibrasyon yükünü aktarım öğrenmesiyle azaltmak, LSL tabanlı gerçek zamanlı BCI mimarisi kurmak, invaziv sinyal dekodlamayı incelemek ve hibrit uygulamaları tasarlamak.

Modül 1

Aktarım Öğrenmesi ve Kalibrasyon

Denekler arası değişkenlik ve BCI verimsizliği sorunu
Kalibrasyon süresini azaltan aktarım öğrenmesi
Alan uyarlama (domain adaptation) yöntemleri
Çevrimiçi uyarlanabilir sınıflandırıcılar
Kullanıcı ve sistemin birlikte uyarlanması
Laboratuvar: Denekler arası model aktarımı deneyi

Modül 2

Gerçek Zamanlı BCI Mimarisi

Lab Streaming Layer (LSL) ile veri akışı ve senkronizasyon
Kayan pencere işleme ve gecikme bütçesi
PsychoPy ile uyaran sunumu ve olay işaretleme
Geri bildirim tasarımı ve kullanıcı eğitimi
BrainFlow ve Timeflux gibi açık kaynak araçlar
Laboratuvar: LSL ile kapalı döngü SSVEP arayüzü

Modül 3

İnvaziv Sinyaller ve İleri Dekodlama

Diken sıralama (spike sorting) ve yerel alan potansiyelleri
Kalman filtresi ile imleç ve robot kolu kontrolü
Tekrarlayan sinir ağlarıyla hareket dekodlama
Konuşma ve el yazısı dekodlamada derin öğrenme
Uzun süreli implant kayıtlarında sinyal kararsızlığı
Vaka: İntrakortikal BCI ile metin üretimi çalışmaları

Modül 4

Hibrit ve Uygulamalı BCI Sistemleri

EEG ile EMG, göz takibi ve fNIRS sinyallerinin füzyonu
Nörorehabilitasyonda motor imgeleme ve FES entegrasyonu
Tekerlekli sandalye ve robot kontrolünde paylaşımlı kontrol
Pasif BCI ile operatör iş yükü ve uyanıklık izleme
Demo: EEG tabanlı robot kolu komut arayüzü
Günün özeti ve etik ile proje gününe hazırlık

Günün hedefiNöroetik ve nöro veri mahremiyeti konularını değerlendirmek, tıbbi cihaz ve veri koruma mevzuatını tanımak, Ar-Ge'den ürüne geçişi planlamak ve dekoder projesini sunmak.

Modül 1

Nöroetik ve Zihinsel Mahremiyet

Zihinsel mahremiyet ve nöro veri kavramı
Bilişsel özgürlük, kişisel kimlik ve özerklik tartışmaları
Bilgilendirilmiş onam ve kırılgan kullanıcı grupları
OECD sorumlu nöroteknoloji tavsiyesi ve etik çerçeveler
Çift kullanım (dual use) ve güvenlik riskleri
Tartışma: Tüketici nöroteknolojisinde veri kullanımı

Modül 2

Regülasyon, Güvenlik ve Veri Koruma

KVKK'da sağlık verisi ve özel nitelikli kişisel veri
AB Tıbbi Cihaz Tüzüğü (MDR) ve yazılım olarak tıbbi cihaz
EU AI Act'te duygu tanıma ve yüksek riskli sistemler
IEC 62304 yazılım yaşam döngüsü ve ISO 14971 risk yönetimi
Nöro verinin takma adlandırılması ve güvenli saklanması
Uygulama: BCI prototipi için uyum kontrol listesi

Modül 3

Ar-Ge'den Ürüne Geçiş

Araştırma prototipi, klinik sistem ve tüketici ürünü farkı
Kullanıcı merkezli tasarım ve kullanılabilirlik testleri
Donanım seçimi: kanal sayısı, kuru elektrot, taşınabilirlik
Uç cihazda gerçek zamanlı dekodlama ve güç tüketimi
İş birliği: hastaneler, üniversiteler ve fon programları
Atölye: Kurumsal BCI Ar-Ge yol haritası taslağı

Modül 4

Dekoder Projesi ve Kapanış

Grup projesi: açık veri setiyle uçtan uca BCI dekoderi
Ön işleme, model ve çevrimiçi simülasyon sonuç raporu
Proje sunumları ve teknik geri bildirim oturumu
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar materyallerinin teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Nörofizyoloji Bilgisi — EEG ritimleri, ERP bileşenleri ve BCI paradigmalarını dekodlama problemine uygun şekilde yorumlayabileceksiniz.
Sinyal Ön İşleme — MNE-Python ile filtreleme, epoklama ve ICA tabanlı artefakt temizliği içeren tekrarlanabilir hatlar kurabileceksiniz.
Özellik Çıkarımı — Zaman-frekans analizi, CSP, xDAWN ve CCA ile paradigmaya özgü ayırt edici özellikler üretebileceksiniz.
Riemann Yöntemleri — pyRiemann ile kovaryans tabanlı sınıflandırıcılar kurup oturumlar arası uyarlama uygulayabileceksiniz.
Derin Dekodlama — Braindecode ve EEGNet gibi modelleri eğitip MOABB ile adil ve tekrarlanabilir biçimde kıyaslayabileceksiniz.
Gerçek Zamanlı Sistem — Lab Streaming Layer ile veri akışını yöneten, geri bildirim veren kapalı döngü bir BCI prototipi kurabileceksiniz.
Nöroetik ve Uyum — KVKK, MDR ve EU AI Act gerekliliklerini ve nöro veri mahremiyetini tasarım kararlarına yansıtabileceksiniz.
Ar-Ge Planlaması — Kurumunuz için donanım, kullanıcı ve mevzuat boyutlarını kapsayan gerçekçi bir BCI Ar-Ge yol haritası çizeceksiniz.

Kimler İçin Uygundur?

Biyomedikal mühendisler
nöroteknoloji ve Ar-Ge ekipleri
sinyal işleme ve makine öğrenmesi uzmanları
robotik ve rehabilitasyon teknolojisi geliştiricileri ile akademisyenler.

Sıkça Sorulan Sorular

Yapay Zeka ile Beyin-Bilgisayar Arayüzleri Eğitimi kimler için uygundur?

Program; biyomedikal mühendisler, nöroteknoloji ve Ar-Ge ekipleri, sinyal işleme ve makine öğrenmesi uzmanları, robotik ve rehabilitasyon teknolojisi geliştiricileri ile bu alanda çalışan akademisyenler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 5 tam gün ve 20 modülden oluşur. BCI ve nörofizyoloji temelleri, EEG sinyal işleme, makine öğrenmesi ile dekodlama, gerçek zamanlı ve invaziv BCI ile son gün nöroetik, regülasyon ve dekoder projesi sunumları işlenir.

Katılım için sinirbilim geçmişi gerekli mi?

Sinirbilim geçmişi zorunlu değildir; gerekli nörofizyoloji kavramları ilk gün anlatılır. Fourier dönüşümü ve filtreleme gibi sinyal işleme temelleri, Python ile veri işleme ve scikit-learn ile sınıflandırma deneyimi beklenir.

Laboratuvarlarda hangi araçlar ve veri setleri kullanılıyor?

MNE-Python, pyRiemann, Braindecode, MOABB, scikit-learn, PyTorch, Lab Streaming Layer, BrainFlow ve PsychoPy kullanılır. Uygulamalar BCI Competition IV gibi açık veri setleriyle yürütülür; canlı kayıt demoları OpenBCI ile gösterilir.

Eğitim sonunda sertifika veriliyor mu, içerik uyarlanabilir mi?

Evet. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Kurumun rehabilitasyon, savunma, iletişim teknolojileri veya tüketici nöroteknolojisi odağına göre paradigmalar ve proje senaryoları uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE BEYİN-BİLGİSAYAR ARAYÜZLERİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Beyin-Bilgisayar Arayüzlerine Giriş

Beyin Sinyallerinin Nörofizyolojisi

Nöral Kayıt Teknolojileri

BCI Paradigmaları ve Deney Tasarımı

Veri Formatları ve Ön İşleme

Artefakt Tespiti ve Temizleme

Zaman-Frekans Analizi ve Özellikler

Uzamsal Filtreleme Yöntemleri

Klasik Sınıflandırıcılarla Dekodlama

Riemann Geometrisi Yaklaşımları

Derin Öğrenme ile EEG Dekodlama

Kıyaslama ve Tekrarlanabilirlik

Aktarım Öğrenmesi ve Kalibrasyon

Gerçek Zamanlı BCI Mimarisi

İnvaziv Sinyaller ve İleri Dekodlama

Hibrit ve Uygulamalı BCI Sistemleri

Nöroetik ve Zihinsel Mahremiyet

Regülasyon, Güvenlik ve Veri Koruma

Ar-Ge'den Ürüne Geçiş

Dekoder Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi