Bu proje, modern nörobilim araştırmalarında kullanılan üç temel analitik disiplini (Davranışsal Testler, Sinyal İşleme ve Makine Öğrenmesi) birleştiren bir araç setidir. Amaç, insan bilişsel fonksiyonlarını (Dikkat, İnhibisyon, Uyanıklık) hem davranışsal veriler hem de EEG sinyal özellikleri üzerinden analiz ederek Hesaplamalı Nörobilim alanında pratik yeterlilik kazanmaktır.
Bu depo, bir Yazılım Mühendisi'nin biyomedikal ve nöroteknoloji alanına geçişini gösteren güçlü bir portfolyo görevi görür.
Araçlar: HTML/CSS/JavaScript (Frontend), Python (Veri Kayıt ve Analiz), Flask (Backend)
Testler: Stroop Testi ve Go/No-Go Testi uygulamaları sıfırdan kodlanmıştır.
Ölçülen Etki (Stroop): Uygulamanın kendi app.py/reaction_time_test.html arayüzüyle toplanan gerçek bir pilot oturumda (30 deneme, tek katılımcı) uyumsuz denemelerde reaksiyon süresi (RT) ortalama 599.89ms daha uzun ölçüldü (uyumlu: 1185.11ms, uyumsuz: 1785.00ms). analyze_data.py artık gerçek bir Welch t-testi ve Cohen's d etki büyüklüğü hesaplıyor: t(27) = 2.271, p = 0.0321, Cohen's d = 0.650 (anlamlı, orta-büyük etki büyüklüğü).
Ölçülen Etki (Go/No-Go): Testin ilk sürümünde Go denemeleri için yanıt süresi sınırsızdı (her basış otomatik "doğru" sayılıyordu) ve No-Go oranı çok yüksekti (%40) — bu yüzden ilk pilot denemelerde %100 doğruluk çıkıyordu, gerçek bir inhibisyon ölçümü yapılmıyordu. Kod düzeltildi: Go yanıt penceresi 500ms'ye indirildi, No-Go oranı literatür standardına (SART benzeri, ~%25) çekildi. Düzeltme sonrası toplanan pilot veride (17 deneme, 1 katılımcı, 12 Go + 5 No-Go) 14 doğru, 1 kaçırılan Go, 2 yanlış alarm (%82,4 doğruluk) ölçüldü — artık test gerçekten hata üretebiliyor.
Analiz Detayı:
- Reaksiyon zamanı (RT) dağılımı
- Uyumlu/Uyumsuz denemelerdeki doğruluk oranları
- Hata tipi analizi (Kelime hatası, Renk hatası)
- Detaylı zaman kaydı (saat, dakika, saniye, milisaniye)
Araçlar: MNE-Python
Veri Seti: Auditory Oddball (İşitsel Tekillik) veri seti kullanılmıştır.
Filtreleme: Ham EEG sinyali (Gürültülü veri), 0.1 Hz Yüksek Geçiren ve 40 Hz Düşük Geçiren filtreler uygulanarak temizlenmiştir.
Bulgu (ERP): Nadir (Oddball) ve Standart uyaranlara verilen Olayla İlişkili Potansiyeller (ERP) çıkarılmıştır. Bu analiz, beynin dikkat ve bilgi güncelleme sürecini temsil eden P300 dalgasının varlığını görsel olarak kanıtlamıştır.
Özellikler:
- Epoklama (Epoching) - Uyaran etrafında zaman pencereleri
- ERP hesaplama ve karşılaştırma
- P300 Kanıtı - Tek grafikte Oddball vs Standart karşılaştırması
- Topografik haritalar (Topomap)
- Joint plot görselleştirmesi
- Parietal bölge odaklı P300 analizi
Araçlar: Python, Pandas, Scikit-learn, Makine Öğrenmesi Kütüphaneleri
Özellik Mühendisliği: EEG sinyalinden frekans tabanlı özellikler (Delta, Theta, Alpha, Beta, Gamma band güçleri) çıkarılmıştır.
Model ve Yorumlama: Bir Makine Öğrenmesi modeli (Random Forest) eğitilmiş ve tahmin için hangi özelliklerin kritik olduğu analiz edilmiştir.
Biyobelirteç Tespiti: Modelin, bilişsel durumu tahmin ederken en çok Theta-Beta Oranı ile Theta Gücüne odaklandığı tespit edilmiştir. Bu bulgu, DEHB ve uyanıklık çalışmalarında kullanılan temel nöral biyobelirteçleri yansıtmaktadır.
- Python 3.8+
- İnternet bağlantısı (ilk çalıştırmada MNE örnek veri seti indirilecek)
- Repository'yi klonlayın:
git clone https://github.com/senaayy/Computational-Cognitive-Lab.git
cd Computational-Cognitive-Lab- Sanal ortam oluşturun (önerilir):
python -m venv venv
# Windows:
venv\Scripts\activate
# Linux/Mac:
source venv/bin/activate- Bağımlılıkları yükleyin:
pip install -r requirements.txtBackend'i başlatın:
python app.pyTest arayüzünü açın:
reaction_time_test.htmldosyasını tarayıcıda açın- Stroop veya Go/No-Go testini seçin ve testi başlatın
- Veriler otomatik olarak
data/klasörüne CSV formatında kaydedilir
Veri analizi:
# Stroop Etkisi analizi
python analyze_data.py
# Hata tipi analizi
python analyze_errors.pyBasit EEG yükleme:
python load_eeg_data.pyGelişmiş EEG analizi:
python eeg_analysis_example.pyFiltreleme ve görselleştirme:
python eeg_filtering_analysis.pyEpoklama ve ERP analizi:
python eeg_epoching_erp.pyBu script şunları içerir:
- Olay tespiti (find_events)
- Epoklama (Epoching) - uyaran etrafında zaman pencereleri
- ERP hesaplama (Event-Related Potentials)
- P300 Kanıtı - Tek grafikte karşılaştırmalı görselleştirme
- Oddball vs Standart karşılaştırması
- P300 dalgası analizi
- Topografik haritalar (Topomap)
- Joint plot görselleştirmesi
Yapay Zeka destekli teşhis (Demo):
python eeg_ai_diagnosis.pyComputational-Cognitive-Lab/
├── reaction_time_test.html # Ana test arayüzü
├── app.py # Flask backend (veri kayıt)
├── analyze_data.py # Stroop Etkisi analizi
├── analyze_errors.py # Hata tipi analizi
├── load_eeg_data.py # Basit EEG yükleme
├── eeg_analysis_example.py # Gelişmiş EEG analiz örnekleri
├── eeg_filtering_analysis.py # EEG filtreleme ve görselleştirme
├── eeg_epoching_erp.py # Epoklama ve ERP analizi
├── eeg_ai_diagnosis.py # AI destekli teşhis (demo)
├── update_github_repo.py # GitHub repository güncelleme scripti
├── requirements.txt # Python bağımlılıkları
├── README.md # Bu dosya
├── GITHUB_SETUP.md # GitHub kurulum kılavuzu
├── data/ # CSV veri dosyaları (otomatik oluşturulur)
└── results/ # Analiz grafikleri (otomatik oluşturulur)
- ✅ Stroop Testi (Renk-kelime uyumsuzluğu)
- ✅ Go/No-Go Testi (Dikkat ve inhibisyon)
- ✅ Otomatik veri kaydı (CSV)
- ✅ Detaylı zaman kaydı (saat, dakika, saniye, milisaniye)
- ✅ Hata tipi sınıflandırması
- ✅ Gerçek zamanlı istatistikler
- ✅ Veri yükleme ve filtreleme
- ✅ Epoklama (Epoching)
- ✅ ERP hesaplama
- ✅ P300 Kanıtı - Tek grafikte Oddball vs Standart karşılaştırması
- ✅ P300 dalgası analizi ve tespiti
- ✅ Topografik haritalar (Topomap)
- ✅ Joint plot görselleştirmesi
- ✅ Frekans bantları analizi
- ✅ Parietal bölge odaklı analiz
- ✅ Özellik çıkarımı (14 özellik)
- ✅ Random Forest modeli
- ✅ Olasılık tabanlı teşhis
- ✅ Özellik önemi analizi
-
Canlı EEG Entegrasyonu: Geliştirilen bilişsel testler (Stroop/GoNoGo) için kendi EEG kaydını alarak bu projeyi canlı bir sisteme dönüştürmek.
-
Gelişmiş Yapay Zeka: CNN, RNN gibi derin öğrenme algoritmaları kullanarak EEG sinyalinden otomatik teşhis yapabilen bir model geliştirmek.
-
Gerçek Klinik Veri: Gerçek klinik veri setleri ile modeli eğitmek ve validasyon yapmak.
-
Web Arayüzü: Tüm analizleri web üzerinden yapabilen interaktif bir platform geliştirmek.
-
Real-time Analiz: Canlı EEG verisi üzerinden gerçek zamanlı analiz yapabilme.
- MNE-Python: https://mne.tools/stable/index.html
- Stroop Testi: Stroop, J. R. (1935). Studies of interference in serial verbal reactions.
- P300 Dalgası: Polich, J. (2007). Updating P300: An integrative theory of P3a and P3b.
- DEHB ve EEG: Loo, S. K., & Makeig, S. (2012). Clinical utility of EEG in attention-deficit/hyperactivity disorder.
- Tıbbi Teşhis: Bu proje sadece eğitim ve araştırma amaçlıdır. Gerçek tıbbi teşhis için kullanılamaz.
- Veri: AI teşhis sistemi sentetik veri ile eğitilmiştir. Gerçek klinik uygulamalar için doğrulanmış veri setleri gerekir.
- Etik: EEG verisi kullanırken etik kurallara ve gizlilik yönetmeliklerine uyulmalıdır.
Bu proje eğitim amaçlıdır. Öneriler ve geri bildirimler için issue açabilirsiniz.
Bu proje eğitim ve araştırma amaçlıdır. Ticari kullanım için izin gerekebilir.
Sena Ay
- GitHub: @senaayy
- Portfolio: Computational Cognitive Lab
⭐ Bu projeyi beğendiyseniz yıldız vermeyi unutmayın!