EEG artefaktları ve filtreleme araçları hakkında her şey

Elektroensefalografik (EEG) verilerle çalışırken karşılaşılan en büyük zorluklardan biri, kaydedilen sinyallerin temiz olmasını ve yüksek sinyal-gürültü oranına (SNR) sahip olmasını sağlamaktır. EEG amplitüdleri genellikle mikrovolt aralığında olduğundan, genellikle artefakt olarak adlandırılan çeşitli kirletici kaynaklara karşı oldukça hassastır.

Bu istenmeyen sinyaller, altta yatan sinirsel aktiviteyi gizleyebilir ve verilerin kalitesini bozabilir, bu da doğru analiz ve güvenilir uygulamalar için artefakt tespiti ve giderilmesini zorunlu kılar. Bu blog yazımızda, en yaygın EEG artefakt türlerini ve bunların etkisini en aza indirgemek ve anlamlı beyin sinyallerini kurtarmak için kullanılan temel teknik ve araçları inceliyoruz.

EEG artefaktı nedir?

Nöronlar elektrik sinyalleri üreterek iletişim kurar, ancak tek bir nöronun aktivitesi kafa derisinden ölçülemeyecek kadar zayıftır. Sadece milyonlarca nöron eşzamanlı olarak ateşlendiğinde, ortaya çıkan elektrik alanı doku, kemik ve saçtan geçip EEG elektrotlarına ulaşacak kadar güçlü hale gelir, ancak yine de önemli ölçüde zayıflamış olur (Sörnmo & Laguna, 2005; Nunez & Srinivasan, 2006).

EEG artefaktı, sinirsel aktiviteden kaynaklanmayan herhangi bir kaydedilmiş sinyaldir. Buna fizyolojik kaynaklar (göz hareketleri, kas aktivitesi ve kalp atışları gibi) ve elektriksel parazit, elektrot sorunları ve hareket artefaktları gibi fizyolojik olmayan kaynaklar dahildir (Urigüen & Garcia-Zapirain, 2015). Artefaktlar, beyin sinyallerini enjekte ederek EEG kayıtlarını bozar, bu da gerçek sinirsel aktiviteyi taklit edebilir veya gizleyebilir ve sinyal kalitesini önemli ölçüde düşürebilir (Xiong, 2024).

‘’Artefaktlar, EEG tarafından kaydedilen ancak beyin tarafından üretilmeyen sinyallerdir. Bazı artefaktlar, gerçek epileptiform anormallikleri veya nöbetleri taklit edebilir. Gerçek EEG anormalliklerinin mantıksal topografik dağılım alanının bilinmesi, artefaktları beyin dalgalarından ayırt etmek için önemlidir. Fizyolojik artefaktlar hastadan kaynaklanırken, fizyolojik olmayan artefaktlar hastanın çevresinden kaynaklanır.” (EEG Artefaktları, Springer)’’

EEG Artefaktları ve Sinyal Temizleme ile ilgili sıkla sorulan sorular:

S: EEG verileriyle çalışmayı zorlaştıran nedir?

EEG sinyalleri mikrovolt değerinde ölçülür ve kirlenmeye karşı son derece hassastır. Bu onların, vücut içi süreçlerden veya dış parazitlerden kolayca etkilenebilecekleri ve dolayısıyla artefakt olarak bilinen gürültüye yol açabileceği anlamına gelir.

S: EEG artefaktı nedir?

Artefakt, beyinden kaynaklanmayan EEG sinyalinin herhangi bir bileşenidir. Bunlar fizyolojik (örneğin, göz kırpma, kas aktivitesi) veya fizyolojik olmayan (örneğin, kablo hareketi, AC paraziti) bileşenler olabilir.

S: Artefaktların giderilmesi neden önemlidir?

Artefaktlar, gerçek sinir sinyallerini bozabilir veya maskeleyebilir. Bu, veri kalitesini düşürmekle kalmaz, yanlış yorumlamalara ve hatta hatalı klinik teşhislere yol açabilir.

EEG artefaktlarının türleri

Artefakt türlerini tanımlamak, onları etkili bir şekilde ortadan kaldırmanın ilk adımıdır. EEG artefaktları genellikle kaynaklarına göre sınıflandırılır:

Fizyolojik artefaktlar (vücuttan kaynaklanan):

• Göz aktivitesi: Göz kırpma veya hareketleri, korneo-retinal potansiyeller ve göz kapağı etkileri yoluyla kafa derisi kayıtlarını bozar.
• Kas aktivitesi: Yüz veya boyun kaslarının kasılması, EEG frekanslarını (20–300 Hz) örtüşen geniş bantlı gürültü üretir.
• Kalp aktivitesi ve balistik kardiyogram (BCG): Kalpten veya EEG–fMRI düzeneklerinden gelen pulsatil sinyaller ritmik artefaktlara neden olabilir.
• Solunum ve terleme: Solunum veya terleme nedeniyle oluşan yavaş sapmalar veya elektrot empedans değişiklikleri EEG’yi kontamine edebilir.

Fizyolojik olmayan (teknik) artefaktlar:

• Elektrot çıkıntısı ve kablo hareketi: Ani empedans değişiklikleri geçici ani artışlara neden olur.
• Yanlış referans yerleştirme veya zayıf temas: Baz çizgisinde kaymalara veya aşırı gürültüye neden olur.
• AC gücü ve elektromanyetik girişim: Korumasız ortamlarda yaygın olarak görülen 50/60 Hz ortam bağlantısı.
• Denek hareketi: Baş veya vücut hareketleri büyük, doğrusal olmayan gürültü patlamalarına neden olabilir.

Bitbrain’in 0,5–30 Hz’de filtrelenmiş Bitbrain’in 16 kanallı sistemi gibi modern EEG kayıtları, bu artefaktları büyük ölçekte tespit etmek ve izole etmek için genellikle Bağımsız Bileşen Analizi (ICA) veya derin öğrenme CNN–LSTM modellerine dayanır. Bu artefaktların doğru bir şekilde tanımlanması ve kaldırılması çok önemlidir (Amin, 2023; Zhang, 2025). Bu süreçteki başarısızlıklar, veri yorumlamasını önyargılı hale getirebilir, sinir sinyallerini belirsizleştirebilir ve hattalı klinik teşhislere yol açabilir (örneğin, artefaktları epileptiform aktivite veya uyku ritimleri ile karıştırmak).

Fizyolojik artefaktlar

Fizyolojik artefaktlar vücudun kendi aktivitesinden kaynaklanır ve beyin sinyalleriyle ilgili değildir, ancak EEG kayıtlarını sıklıkla kontamine ederler. Aşağıda bunların en yaygın kaynakları, kökenleri, etkileri ve zaman ve frekans alanlarındaki izlerini görebilirsiniz.

Göz aktivitesi (EOG Artefaktı)

• Kökeni: Göz, kornea ve retina arasındaki yük farkı nedeniyle elektriksel bir dipol gibi davranır. Göz hareket ettiğinde, bu dipol kayar ve kafa derisinde ölçülebilen bir alan bozukluğu oluşturur.
• EEG’yi neden etkiler: Elektrookülogram (EOG) olarak adlandırılan bu bozukluk, genellikle 100–200 µV’ye ulaşır ve çoğu zaman EEG sinyallerinden bir miktar daha büyüktür.
• Tipik nedenler: Göz kırpma, sakkadlar, yanal bakış hareketleri.
• Zaman alanı etkisi: Keskin, yüksek genlikli sapmalar, özellikle frontal elektrotlar üzerinde (örn. Fp1, Fp2). Yanal hareketler şakakların yakınındaki elektrotları etkiler. Artefakt genliği, bakış açısı ile orantılıdır.
• Frekans alanı etkisi: Düşük frekanslarda, özellikle delta (0,5–4 Hz) ve teta (4–8 Hz) bantlarında baskındır ve potansiyel olarak bilişsel süreçleri taklit edebilir.

Fizyolojik Artefaktlar: Göz Kırpmaları

Şekil. Özellikle ön elektrotları (F7, Fpz, F8) etkileyen yüksek genlikli voltaj piklerini (göz kırpmakar) ve düşük frekanslarda (delta ve teta bantları) daha yüksek gücü görebilirsiniz.

Fizyolojik Artefaktlar: Yana Dönük Göz Hareketi

Şekil. F7 ve F8’de, sensörlerdeki gözün oluşturduğu dipolün sonucu olarak genlikte hızlı değişiklikler ve farklı yönlerdeki etkiyi görebilirsiniz (bu artefakt, faz değişimini taklit edebileceğinden faz tersine çevirme olarak da adlandırılır). Düşük frekanslarda (delta ve teta bantları) daha yüksek güç.

Kas aktivitesi (EMG Artefaktı)

• Kökeni: Kas kasılmaları, Elektromiyografi (EMG) olarak kaydedilen elektrik sinyalleri üretir.
• EEG’yi neden etkiler: MG sinyalleri geniş bantlı ve yüksek frekanslıdır, genellikle EEG ritimleriyle çakışır ve önemli miktarda gürültüye neden olur.
• Tipik nedenler: Çene sıkma, boyun gerginliği, yutma, çiğneme, konuşma, kaş çatma, koklama ve hatta hıçkırma.
• Zaman alanı etkisi: EEG üzerine üst üste binen yüksek frekanslı gürültü, genliği kasılma gücüne orantılıdır.
• Frekans alanı etkisi: Artefaktlar beta (13–30 Hz) ve gama (>30 Hz) aralıklarında baskındır ve önemli bilişsel ve motor aktivite sinyallerini maskeler.

Fizyolojik Artefaktlar: Çene Sıkma

Şekil. Çeneyi sıkarken ortaya çıkan yüksek frekanslı artefaktı görebilirsiniz. Bu örnekte en büyük etki C3’te gözlemlenebilir. Yüksek frekanslarda (beta ve gama bantları) daha yüksek güç.

Kalp aktivitesi (EKG veya Nabız Artefaktı)

• Kökeni: Kalbin elektrik sinyali veya Elektrokardiyogram (EKG), bazen kafa derisi EEG’sinde görünür.
• EEG’yi neden etkiler: Genellikle zayıf olsa da, EKG artefaktları vücut şekline, elektrot konumuna veya amplifikatör hassasiyetine bağlı olarak görünür hale gelir.
• Tipik nedenler: Kalp atışları (nabız artefaktı).
• Zaman alanı etkisi: Kalp atış hızında tekrarlanan ritmik dalga formları, genellikle merkezi veya boyuna yakın kanallarda görülür.
• Frekans alanı etkisi: EKG, birkaç EEG bandıyla çakışır ve kanallar arası analiz veya EKG referansı olmadan tespit edilemeyebilir.

Fizyolojik Artefaktlar: Kalp Aktivitesi

Şekil. (Sol) EEG’de EKG sinyalinin etkisi. Kaynak: Correa. et al., 2007 (Sağ) EKG kanalıyla ilgili ICA bileşeni. Kaynak: Repairing artifacts with ICA – MINE 0.20.0 documentation

Terleme (Ter Artefaktı)

• Kökeni: Ter bezlerinin aktivitesi, lokal elektrot empedansını değiştirir ve potansiyel kaymaları oluşturur.
• EEG’yi neden etkiler: Terleme, özellikle fiziksel aktivite sırasında veya yüksek sıcaklıklarda, elektrotlar arasında yavaş baz çizgisi kaymalarına veya kısa devrelere neden olur.
• Tipik nedenler: Isı, stres ve uzun süreli kayıtlar.
• Zaman alanı etkisi: Uzun dönemlerde belirgin olan yavaş potansiyel kaymaları.
• Frekans alanı etkisi: Delta ve teta bantlarını bozar, uyku ve düşük frekanslı bilişsel değerlendirmeleri olumsuz etkiler.

Fizyolojik Artefaktlar: Terleme

Şekil. Gerçek EEG sinyali ile üst üste gelen yavaş dalgayı görebilirsiniz. Düşük frekanslarda yüksek güç (üst üste gelen delta ve teta bantları)

Solunum

• Kökeni: Solunum sırasında, özellikle yatarken göğüs ve başın hareketleri.
• EEG’yi neden etkiler: Solunum, özellikle uyku çalışmalarında elektrot-cilt temasını değiştirir.
• Tipik nedenler: Derin nefes alma ve uyku solunum döngüleri.
• Zaman alanı etkisi: Solunum hızıyla senkronize yavaş dalga formları (örneğin, dakikada 12-20 nefes).
• Frekans alanı etkisi: Çoğunlukla düşük frekans bantlarını etkiler, delta ve teta ritimleriyle gelir.

Fizyolojik Artefaktlar: Solunum

Şekil. Nefes alırken veya verirken EEG sinyal ile çakışan yavaş dalgayı görebilirsiniz. Düşük frekanslarda yüksek güç (üst üste gelen delta veya teta bantları).

Fizyolojik Olmayan (Teknik) EEG Artefaktları

Fizyolojik artefaktların aksine, teknik artefaktlar donanım arızaları, çevresel parazitler veya yanlış kurulum gibi harici veya mekanik kaynaklardan kaynaklanır. Bunlar, genellikle sinirsel aktiviteyle karıştırılan önemli bozulmalara neden olabilir.

Elektrot Kopması

• Kökeni: Elektrot ile kafa derisi arasındaki temasta geçici bir kesintiye bağlı olarak ortaya çıkar. Bu durum, sensörle fiziksel temas, kablo hareketi veya genellikle jelin kuruması veya ter birikimi nedeniyle cilt-elektrot empedansında anlık yaşanan değişiklikler sonucu ortaya çıkabilir.
• EEG’yi neden etkiler: Temas potansiyelindeki ani değişiklikler, beyin aktivitesiyle ilgisi olmayan geçici voltaj dalgalanmalarına yol açar.
• Tipik nedenler: Kapağa dokunma, baş hareketleri, elektrot kablosunu çekme veya elektrolit jelin kuruması.
• Zaman alanı etkisi: Genellikle tek bir kanalda izole olan ani, yüksek genlikli geçici dalgalanmalar olarak görülür. Morfoloji, keskin dalgalanmalardan karmaşık dalga formu bozulmalarına kadar değişebilir.
• Frekans alanı etkisi: Elektrot kopaları geniş bantlı, sabit olmayan gürültü ürettiği için tutarlı bir şekilde karakterize edilmesi zordur. Düzensizlikleri hem manuel hem de otomatik algılama yöntemlerini zorlaştırır.

Fizyolojik olmayan / Teknik Artefaktlar: Elektrot Kopması

Şekil. Sensöre dokunulmasıyla F3’te oluşan bozulmayı görebilirsiniz. Zaman ve frekanstaki etki, kopmanın türüne (dokunma, kendiliğinden oluşma vb.) bağlıdır. Bu durumda, F3’te dokunma artefaktının frekanslarını görebiliriz.

Kablo Hareketi

• Kökeni: Katılımcının hareketi, gevşek konektörler veya kablolarla dış temas nedeniyle kayıt sırasında elektrot veya amplifikatör sistemi kablolarının yerinden oynamasıyla ortaya çıkar.
• EEG’yi neden etkiler: Hareket, elektromanyetik parazite neden olabilir ve özellikle yüksek empedanslı sistemlerde kafa derisi elektrotlarının empedansını değiştirebilir.
• Tipik nedenler: Kabloların çekilmesi veya sürtünmesi, katılımcının pozisyonunun değişmesi veya elektrot kablolarıyla dış temas.
• Zaman alanı etkisi: Oldukça değişken. Hareket ritmik ise, ortaya çıkan artefaktlar sinir salınımlarını veya göz kırpmalarını taklit eden tekrarlayan dalga formları oluşturabilir. Ritmik olmayan kablo kaymaları genellikle ani sapmalar veya sapmalar yaratır.
• Frekans alanı etkisi: Hareketin periyodikliğine bağlı olarak, kablo artefaktları düşük veya orta frekanslarda yapay spektral pikler oluşturabilir ve bu pikler delta veya alfa ritimleri ile karıştırılabilir.

Fizyolojik olmayan / Teknik Artefaktlar: Kablo hareketi

Şekil. 16 kanallı Bitbrain EEG Versatile ile toplanan EEG, 0,5 ile 30 Hz arasında bant geçidi filtrelemesi yapılmıştır. Lojistik infomax ICA algoritması kullanılarak bağımsız bileşenler çıkarılmıştır (Bell & Sejnowskş, 1995). Bu örnekte, kablolar hareket ettirildiğinde Cz veya Pz’da bir bozulma ortaya çıkmaktadır. Daha önce de belirtildiği gibi, zaman ve frekanstaki etki, kablo hareketine ve kafa derisi sensörü temasındaki değişikliklere bağlı olarak büyük ölçüde değişebilir. Bu örnekte, Pz kanalında EEG ile ilgili olmayan anormal frekanslar bulabiliriz.

Yanlış Referans Yerleşimi

• Kökeni: Referans elektrot yerleştirilmediğinde, yanlış bağlandığında veya kafa derisiyle teması zayıf olduğunda ortaya çıkar.
• EEG’yi neden etkiler: Tüm EEG kanalları referansa göre ölçüldüğünden, hatalı bir referans, gerçek beyin aktivitesini yansıtmayan, bunun yerine tüm kanallarda gürültüyü veya baz çizgisi sapmasını amplifiye eden sinyallere neden olur.
• Tipik nedenler: Referans elektrotun eksik olması, iletken jelin kuruması, gevşek bağlantılar veya referans bölgesinde aşırı empedans.
• Zaman alanı etkisi: Tüm kanallarda ani, yüksek genlikli kaymalara neden olur. Referans kayıt sırasında düzeltildiğinde, sinyaller genellikle filtreleme ve stabilizasyon süreci nedeniyle kademeli olarak normal değerlere geri döner.
• Frekans alanı etkisi: Tüm kanallarda anormal derecede yüksek güç üretir ve genellikle gerçek EEG aktivitesiyle ilgisi olmayan fizyolojik olmayan zirveler ile birlikte görülür.

Fizyolojik olmayan / Teknik Artefaktlar: Yanlış Referans Yerleşimi

Şekil. Referans geri çekildiğinde tüm kanallarda görülen yüksek genlikli ani değişiklikleri görebilirsiniz; bunlar tekrar yerleştirildiğinde yavaşça gerçek EEG’ye yaklaşır. Tüm frekanslarda çok yüksek güç ve tüm kafayı kaplayan mantıklı bir topografik dağılım alanı.

AC Elektriksel ve Elektromanyetik Girişim

• Kökeni: Yakındaki alternatif akım (AC) güç hatları, elektrikli cihazlar veya elektromanyetik alan yayan kablolar tarafından üretilir.
• EEG’yi neden etkiler: Elektrot kabloları uygun şekilde korunmadığında veya kayıtlar elektriksel gürültü bulunan ortamlarda yapıldığında, ortamdaki elektromanyetik radyasyon EEG sistemine girerek sinyali bozabilir.
• Tipik nedenler: Floresan ışıklar, monitörler, güç adaptörleri, korumasız EEG kabloları veya AC şebeke kablolarına yakınlık.
• Zaman alanı etkisi: EEG sinyalini kaplayan, bazen yakındaki cihazların aktivitesiyle modüle olan kalıcı yüksek frekanslı gürültü olarak görünür.
• Frekans alanı etkisi: Yerel elektrik şebekesi standardına bağlı olarak (örneğin, Avrupa’da 50 Hz, Kuzey Amerika’da 60 Hz) 50 Hz veya 60 Hz’de keskin, dar bir spektral tepe üretir. Bu genellikle hat gürültüsü veya güç hattı artefaktı olarak adlandırılır.

Fizyolojik olmayan / Teknik Artefaktlar: Güç Hattı Paraziti

Şekil. Tüm EEG kanallarıyla çakışan yüksek frekanslı sinyali görebilirsiniz. 50 Hz’de belirgin bir tepe noktası görülmektedir. EEG İspanya’da kaydedilmiştir ve elektrik hattı frekansı 50 Hz’dir.

Vücut Hareketleri

• Kökeni: Kaba motor aktivite, özellikle baş hareketlerinden kaynaklanır, ama kol sallama, yürüme veya duruş değişikliklerini de içerir.
• EEG’yi neden etkiler: En ufak hareketler bile elektrot-cilt arayüzünü bozarak temas empedansını değiştirebilir ve EEG sinyalini bozabilir. Mobil veya ambulatuvar EEG sistemlerinde, hareket artefaktları yaygındır ve diğer sinyallerden ayırt edilmesi zordur.
• Tipik nedenler: Kayıt sırasında başın eğilmesi, baş sallama, kol hareketleri, yürüme veya koşma.
• Zaman alanı etkisi: Genellikle fiziksel hareketin ritmiyle ilişkili olan yavaş, geçici dalga formları olarak ortaya çıkar. Bu artefaktlar, doğru şekilde tanımlanmazsa sinirsel yavaş dalgalara benzeyebilir.
• Frekans alanı etkisi: Öncelikle düşük frekans bantlarını etkiler, delta (0,5–4 Hz) ve teta (4–8 Hz) aktivitesiyle çakışır ve uyku, yorgunluk veya bilişsel işlemeyle ilgili sinyalleri gizleyebilir.

Fizyolojik olmayan / Teknik Artefaktlar: Vücut Hareketleri

Şekil. Tüm kanallarda EEG verileriyle çakışan baş hareketinin etkisini görebilirsiniz. Hareketlerin etkisi, EEG’nin düşük frekanslarıyla çakışmaktadır.

EEG Artefakt Filtreleme Teknikleri (Veri Odaklı Yaklaşımlar)

EEG verilerini işlerken, anlamlı sinir sinyallerini elde etmek için artefaktları etkili bir şekilde yönetmek çok önemlidir. Analiz hedeflerine bağlı olarak, genellikle dört ana strateji kullanılır:

1. EEG Artefaktı Reddi

Bu yöntem, artefakt içeren tüm EEG segmentlerini (epoch) tanımlayıp hariç tutmayı içerir. Geleneksel olarak, kalıplar uzmanlar tarafından manuel olarak tespit edilir veya zaman veya frekans alanındaki istatistiksel sapmalara dayalı otomatik algoritmalar tarafından işaretlenir. Son zamanlarda geliştirilen LSTEEG yaklaşımı, EEG artefaktlarını yüksek hassasiyetle tespit etmek ve düzeltmek için LSTM’leri kullanan derin öğrenme tabanlı bir otomatik kodlayıcı mimarisi sunmaktadır (Aquilué-Llorens & Soria-Frisch, 2025). Bu yaklaşımın, artefakt tespiti ve düzeltme görevlerinde konvolüsyonel otomatik kodlayıcılardan daha iyi performans gösterdiği kanıtlanmıştır.

• Güçlü yönleri: Kirlenmeyi gidermede oldukça etkilidir.
• Kısıtlamalar: Hem yapay hem de değerli EEG verileri ortadan atıp, özellikle veri korumanın çok önemli olduğu kısa veya seyrek kayıtları verimsiz hale getirir.

EEG Artefakt Filtreleme Teknikleri (Veri Analizi ile)

Reddetme

Şekil. 16 kanallı Bitbrain EEG Versatile ile toplanan EEG, 0,5 ile 60 Hz arasında bant geçiren filtreden geçirilmiştir. Bu örnekte, göz kırpma artefaktlarıyla kirlenmiş kayıt örnekleri bir uzman tarafından seçilmiş ve reddedilmiştir.

2. Filtreleme

Filtreleme teknikleri, altta yatan EEG’yi korurken belirli artefakt frekanslarını veya sinyal özelliklerini ortadan kaldırmayı amaçlar. Bu teknikler şunlardır:

• Güç hattı gürültüsünü (örneğin, 50/60 Hz artefaktları) ortadan kaldırmak için doğrusal bant durdurma filtreleri.
• Referans kanallarını kullanarak EOG veya EKG gibi bilinen artefakt kaynaklarını çıkaran regresyon tabanlı filtreler.
• Göz hareketi veya kalp atışı gibi bir referans sinyali ile uyarlanabilir filtreleme.
• Dinamik gürültü giderme için Wiener filtreleri ve Bayes filtreleri.

Bu yöntemler, EEG sinyalinin sinirsel aktivite ve yapılandırılmış gürültünün bir karışımı olduğunu varsayar. Örneğin, bir EOG kanalı kullanılarak, bir regresyon modeli artefaktın her bir EEG kanalı üzerindeki etkisini tahmin eder ve buna göre çıkarır.

• Güçlü yönü: EEG içeriğinin büyük bir bölümünü korur.
• Kısıtlamalar: Artefakt, ilgilenilen EEG bantlarıyla büyük ölçüde çakışıyorsa veya referans sinyalleri eksikse, performans düşebilir.

EEG Artefakt Filtreleme Teknikleri (Veri Analizi ile)

Filtreleme

Şekil. (Sol) EEG ve referans EOG sinyalleri (Yatay ve dikey). (Sağ) Doğrusal regresyon uygulandıktan sonra filtrelenmiş sinyal. Af3 kanalında etkiyi gözlemleyebiliriz. Wallstorm et al., 2004’ten uyarlanmıştır.

3. Kör Kaynak Ayırma (BSS)

Kör Kaynak Ayırma yöntemleri, kaydedilen sinyalin altta yatan bileşenlerin doğrusal bir karışımı olduğunu varsayarak, çok kanallı EEG’yi bağımsız veya ortogonal kaynaklara ayırır. En yaygın yöntem, EEG’yi bağımsız bileşenlere ayıran ve EOG veya EMG gibi artefaktların gerçek beyin aktivitesinden izole edilmesini sağlayan Bağımsız Bileşen Analizi (ICA) (Choi et al., 2005) yöntemidir.

Ancak son bulgular, ICA’nın derin öğrenme tabanlı kod çözme görevleri için faydalarının mütevazı olabileceğini ve yararlılığının veri kümesi boyutu, kanal sayısı ve sınıflandırıcı türüne bağlı olabileceğini göstermektedir (Kang et al., 2024). Buna karşılık, daha yeni algoritmalar gerçek zamanlı artefakt düzeltmeye odaklanmaktadır:

Hızlı, sürekli bir BSS algoritması, sürekli EEG’de göz, kalp, kas ve çizgisel gürültü artefaktlarının yaklaşık %88’ini başarıyla ortadan kaldırarak gerçek zamanlı BCI uygulamaları için umut vaat etmektedir (Ille et al., 2024).

Son zamanlarda geliştirilen transformatör tabanlı derin bir model olan Artifact Removal Transformer (ART), ICA dahil olmak üzere birçok artefakt türüne karşı en gelişmiş yöntemlerden daha üstün performans gösterdi (Chuang et al., 2025).

Artefakt yüklü bileşenler manuel olarak atılabilir veya MARA, iMARA (bebek EEG’si için, %75’in üzerinde uzman onayı ile), ICLabel veya derin öğrenme sınıflandırıcıları gibi araçlar kullanılarak otomatik olarak sınıflandırılabilir, böylece daha temiz EEG rekonstrüksiyonu sağlanabilir.

• Avantajları: Yardımcı kanallar olmadan birden fazla artefakt türünü ortadan kaldırır; yüksek yoğunluklu EEG için çok uygundur; acil gerçek zamanlı BSS teknikleri kullanılabilirliği artırır.
• Dezavantajları: Sınırlı kanal sayısı veya kısa oturumlarda performans düşer; artefakt sınıflandırması yanlışsa sinir sinyallerinin ortadan kaldırılması olasılığı vardır.

Kör Kaynak Ayırma‘nın avantajı, referans kanallara veya artefaktların doğası hakkında önceden bilgiye ihtiyaç duymadan çalışmasıdır. Bu, özellikle tek bir adımda birden fazla kontaminasyon türünü ortadan kaldırmak için çok yönlü olmasını sağlar.

Ancak, asıl sınırlaması, ICA gibi BSS tekniklerinin küresel çok kanallı ayrıştırmaya dayanmasıdır; kanal bazında filtreleme yapmak yerine tam EEG veri matrisini analiz ederler. Sonuç olarak, düşük yoğunluklu EEG sistemleri kullanıldığında veya veri kümesi kısa veya eksik olduğunda performansları düşme eğilimindedir, bu da bağımsız kaynakların ayrılmasını daha az güvenilir hale getirir.

EEG Artefakt Filtreleme Teknikleri (Veri Analizi ile)

Kör Kaynak Ayırma

Şekil. (Sol üst) ICA matematiksel süreci. ICA ayrıştırması ve bileşen analizinden (Sağ üst) Özellikle frontal bölgeleri etkileyen göz kırpma ile ilgili bileşen. (Alt) Göz kırpma bileşeninin (kaynak) kaldırılması ve EEG’nin yeniden yapılandırılmasının etkisi.

4. Kaynak Ayrıştırma Yöntemleri

Bu teknikler, her bir EEG kanalını temel dalga formlarına ayırarak, temiz sinyali yeniden oluşturmadan önce artefaktlarla kirlenmiş bileşenlerin seçici olarak kaldırılmasını sağlar. En yaygın yaklaşım Dalgacık Ayrıştırma (Issa, 2019) iken, daha yeni ancak daha az yaygın olarak kullanılan varyantlar arasında Ampirik Mod Ayrıştırma (EMD) (Rakhmatulin, 2024) ve Doğrusal Olmayan Mod Ayrıştırma (NMD) (Iatsenko et al., 2015) bulunmaktadır.

Wavelet ayrıştırmada, EEG sinyali, seçilen bir “ana” wavelet temelinde çeşitli frekans ölçeklerini ve sapmaları temsil eden katsayılara dönüştürülür. Artefakt filtreleme, bu katsayıların eşik değeri belirlenerek ve ardından sinyal yeniden yapılandırarak yapılır.

• Avantajları: Kanal düzeyinde artefaktların giderilmesini sağlar ve uzamsal özgüllüğü korur.
• Kısıtlamaları: Temel fonksiyonların (ör. dalgacıklar veya modlar) doğru seçilmesini gerektirir ve yanlış ayrıştırma, gerçek EEG verilerinin kaybına neden olabilir. Bu yöntemler ayrıca hesaplama açısından daha yoğundur ve hala aktif olarak geliştirilmektedir.

EEG Artefakt Filtreleme Teknikleri (Veri Analizi ile)

Kaynak Ayrıştırma Yöntemleri

Şekil. Uyarılmış EEG sinyallerinin Dalgacık filtrelemesinin örneği. Safieddine et al., 2012’den uyarlanmıştır.

EEG Artefakt Filtreleme Teknikleri: Çevrimiçi ve Çevrimdışı Yaklaşımlar

EEG artefakt filtrelemede dikkate alınması gereken önemli bir husus, tekniğin çevrimiçi mi yoksa çevrimdışı mı çalıştığıdır (Ille, 2024; Longo, 2025).

Çevrimdışı yöntemler genellikle manuel müdahale ve uzman gözetimi gerektirir, bu da onların gerçek zamanlı veya otonom uygulamalar için uygun olmadığı anlamına gelir. Yaygın örnekler arasında gürültülü EEG segmentlerini reddetmek için görsel inceleme veya ayrıştırma sonrası artefaktla ilgili bileşenlerin manuel olarak seçilmesi sayılabilir. Bu yaklaşımlar doğru olmakla birlikte zaman alıcıdır ve ölçeklenebilir değildir.

Buna karşılık, çevrimiçi yöntemler otomatiktir ve gerçek zamanlı sistemlere entegre edilebilir. Regresyon tabanlı filtreleme veya referans sinyallerini (örn. EOG, EKG) kullanan uyarlanabilir filtreler gibi teknikler çevrimiçi çalışmaya çok uygundur. Kör Kaynak Ayırma (ör. ICA) ve Dalgacık veya Mod Ayrıştırma gibi daha gelişmiş yöntemler de, istatistiksel eşiklere veya temiz EEG verilerinden önceden öğrenilmiş şablonlara dayalı otomatik artefakt algılama ile birleştirildiğinde çevrimiçi olarak çalıştırılabilir.

Gerçek zamanlı çalışmayı mümkün kılan çevrimiçi filtreleme, beyin-bilgisayar arayüzleri (BCI’lar), nöro-geri bildirim ve sürekli sinyal işleme gerektiren diğer uygulamalar için çok önemlidir.

EEG Artefakt Yazılımı

EEG sinyal filtreleme için çeşitli toolbox’lar ve kütüphaneler mevcuttur. Burada, bu metnin yazıldığı tarihte muhtemelen en çok kullanılanların küçük bir alt kümesine odaklanacağız. Bunların tümü, verileri toplayan EEG sisteminden bağımsız olarak kullanılabilen yazılım kütüphaneleridir:

1. EEGLAB (EEGLAB, EEGLAB Wiki): Bu, sürekli ve olayla ilişkili EEG, MEG ve diğer elektrofizyolojik verileri işlemek için kullanılan etkileşimli bir Matlab toolbox’ıdır. Bağımsız bileşen analizi (ICA) veya artefakt reddi gibi filtreleme tekniklerini içerir ve toolbox’ın potansiyelini artırmak için çeşitli filtreleme eklentileri indirilebilir. Ayrıca zaman/frekans analizi, olayla ilişkili istatistikler ve ortalama ve tek deneme verilerinin çeşitli görselleştirme modlarını da içerir. EEGLAB, Windows, Mac OS X, Linux ve Unix üzerinde çalışır.
2. FieldTrip (FieldTrip toolbox): Bu, MEG, EEG, iEEG ve NIRS analizi için bir MATLAB toolbox’ıdır. Zaman-frekans analizi veya dipol kullanarak kaynak rekonstrüksiyonu gibi ön işleme teknikleri ve analiz yöntemleri sunar. Tüm büyük MEG sistemlerinin ve en popüler EEG, iEEG ve NIRS sistemlerinin veri formatlarını destekler ve yeni veri formatları kolayca eklenebilir. FieldTrip üst düzey işlevlerini kullanarak MATLAB komut dosyasında kendi analiz protokollerinizi uygulayabilirsiniz. FieldTrip, GNU genel kamu lisansı altında açık kaynaklı bir yazılımdır.
3. MNE (MNE — MNE 0.20.0 dokümantasyon): İnsan nörofizyolojik verilerini keşfetmek, görselleştirmek ve analiz etmek için açık kaynaklı Python yazılımı: MEG, EEG, sEEG, ECoG ve daha fazlası. Yazılımın arkasında büyüyen bir topluluk vardır ve grafik kullanıcı arayüzü, otomatik hatalı kanal algılama ve enterpolasyon, bağımsız bileşen analizi (ICA), bağlantı analizi, MEG/EEG sinyallerinin genel amaçlı istatistiksel analizi veya EEG verileri için Preprocessing Pipeline (PREP) python uygulaması eklemek için çeşitli python paketleri geliştirilmiştir.

Diğer mevcut alternatifler aşağıda belirtilmiştir:

AnEEG: LSTM tabanlı GAN mimarisi kullanan, derin öğrenme tabanlı bir artefakt giderme aracıdır. Geleneksel yöntemlerden önemli ölçüde daha üstün performans gösterir ve çok kanallı EEG’yi gerçek zamanlı ortamlarda işler.

EEG-Denoise / DTP-Net: Zaman-frekans alanında tek kanallı EEG artefakt giderme için tasarlanmış, çok ölçekli CNN otomatik kodlayıcının açık kaynaklı TensorFlow uygulamasıdır. Yüksek kalitede temiz sinyalleri yeniden oluşturur.

Artifact Removal Transformer (ART): Birden fazla artefakt türü ve veri kümesi üzerinde ICA dahil olmak üzere geleneksel yöntemlerden daha iyi performans gösteren, dönüştürücü tabanlı uçtan uca bir model.

Edge-ready Autoencoder (ör. Arduino, Coral): Gerçek zamanlı, kablosuz EEG sistemleri için “kenarda” (gömülü donanım) artefaktları kaldırabilen verimli bir derin otomatik kodlayıcı.

BEST Toolbox: Mayo Clinic tarafından uzun süreli invaziv ve non-invaziv EEG işleme için geliştirilen bir Python paketi. Uyku evrelemesi ve özellik çıkarma ile birlikte artefakt giderme (ör. DBS, hareket) modülleri içerir.

SleepEEGpy: Özellikle uyku EEG’sinde ön işleme ve artefakt tespiti için geliştirilmiş bir Python çerçevesi olup, ham verilerden temizlenmiş, uykuya hazır sinyallere kadar entegre iş akışlarını destekler.

Chronux: Gelişmiş zaman serisi işlemeye odaklanan MATLAB/C paketi — artefaktları tanımlamak ve azaltmak için araçlarla çoklu taper spektral analizi destekler.

NeuroKit2: EOG, EKG, EMG artefakt algılama ve giderme dahil olmak üzere fizyolojik sinyal işleme için, çeşitli modalitelerde yaygın olarak kullanılan bir Python kütüphanesi.

Hangisini Seçmelisiniz?

Her kullanım durumu için önerilen yazılımlar:

Uçtan uca gürültü giderme: AnEEG, ART, DTP-Net

Kenar bilişim: Kenar uyumlu otomatik kodlayıcılar (Arduino, Coral)

Uzun süreli izleme: BEST Toolbox, SleepEEGpy

Sonuçlar

EEG artefaktlarıyla başa çıkmak sadece bir ön işleme adımı değil, veri kalitesi, güvenilirliği ve sonraki aşamadaki yorumlamanın kritik bir belirleyicisidir. Göz kırpma ve kas gerginliği gibi fizyolojik kaynaklardan, zayıf referanslama veya AC gürültüsü gibi teknik parazitlere kadar, artefaktlar beyin sinyallerini önemli ölçüde bozabilir ve hem araştırma bulgularını hem de klinik kararları tehlikeye atabilir.

Neyse ki, bu alan manuel reddetmenin çok ötesine geçmiştir. Günümüzün EEG iş akışları, uyarlanabilir filtreler ve regresyon modellerinden ICA, dalgacık ayrıştırma ve LSTM otomatik kodlayıcılar ve dönüştürücü tabanlı gürültü gidericiler gibi en son teknoloji derin öğrenme araçlarına kadar, giderek daha fazla gelişmiş, otomatikleştirilmiş çözümlere dayanmaktadır. Bu teknolojiler, artefakt algılama ve gidermeyi iyileştirmekle kalmaz, aynı zamanda taşınabilir ve gömülü sistemlerde gerçek zamanlı EEG temizlemeyi de mümkün kılar.

Önemli nokta nedir? Etkili artefakt yönetimi, sinir sinyallerinin korunması ile istenmeyen gürültünün ortadan kaldırılması arasında denge kuran, özel olarak tasarlanmış bir strateji gerektirir. BCI tasarımı, uyku çalışmaları veya bilişsel durumların analizi gibi alanlarda, EEG verilerinin tam potansiyelini ortaya çıkarmak için doğru teknik ve araç kombinasyonunu seçmek çok önemlidir.

Referanslar

https://www.bitbrain.com/blog/eeg-artifacts

Amin U, Nascimento FA, Karakis I, Schomer D, Benbadis SR. (2023) Normal variants and artifacts: Importance in EEG interpretation. Epileptic Disord. Oct;25(5):591-648. doi: 10.1002/epd2.20040.

Aquilué-Llorens, D., & Soria-Frisch, A. (2025). EEG artifact detection and correction with deep autoencoders. arXiv preprint. https://doi.org/10.48550/arXiv.2502.08686

Choi, S., Cichocki, A., Park, H. M., & Lee, S. Y. (2005). Blind source separation and independent component analysis: A review. Neural Information Processing—Letters and Reviews, 6(1), 1–57.

Chuang, C. H., Chang, K. Y., Huang, C. S., & Bessas, A. M. (2025). Augmenting brain-computer interfaces with ART: An artifact removal transformer for reconstructing multichannel EEG signals. NeuroImage, 310, 121123. https://doi.org/10.1016/j.neuroimage.2025.121123

Iatsenko, D., McClintock, P. V. E., & Stefanovska, A. (2015). Nonlinear mode decomposition: A noise-robust, adaptive decomposition method. Physical Review E, 92(3), 032916.https://doi.org/10.1103/PhysRevE.92.032916

Ille, N., Nakao, Y., Yano, S., Taura, T., Ebert, A., Bornfleth, H., Asagi, S., Kozawa, K., Itabashi, I., Sato, T., Sakuraba, R., Tsuda, R., Kakisaka, Y., Jin, K., & Nakasato, N. (2024). Ongoing EEG artifact correction using blind source separation. Clinical Neurophysiology, 158, 149 158. https://doi.org/10.1016/j.clinph.2023.12.133

Issa, M. F., & Juhasz, Z. (2019). Improved EOG artifact removal using wavelet enhanced independent component analysis. Brain Sciences, 9(12), 355. https://doi.org/10.3390/brainsci9120355

Kang, T., Chen, Y., & Wallraven, C. (2024). I see artifacts: ICA-based EEG artifact removal does not improve deep network decoding across three BCI tasks. Journal of Neural Engineering, 21(6). https://doi.org/10.1088/1741-2552/ad788e

Longo, L., & Reilly, R. B. (2025). onEEGwaveLAD: A fully automated online EEG wavelet-based learning adaptive denoiser for artefacts identification and mitigation. PLoS ONE, 20(1), e0313076. https://doi.org/10.1371/journal.pone.0313076

Miran, S., Akram, S., Sheikhattar, A., Simon, J. Z., Zhang, T., & Babadi, B. (2018). Real-time tracking of selective auditory attention from M/EEG: A Bayesian filtering approach. Frontiers in Neuroscience, 12, 262. https://doi.org/10.3389/fnins.2018.00262

Nunez, P. L., & Srinivasan, R. (2006). Electric fields of the brain: The neurophysics of EEG (2nd ed.). Oxford University Press. ISBN 9780199865673

Panych, L. P., Wada, J. A., & Beddoes, M. P. (1989). Practical digital filters for reducing EMG artefact in EEG seizure recordings. Electroencephalography and Clinical Neurophysiology, 72(4), 268–276.

Rakhmatulin, I. (2024). Encoder with the empirical mode decomposition (EMD) to remove muscle artefacts from EEG signal. arXiv preprint. https://arxiv.org/pdf/2409.14571

Ronca, V., Capotorto, R., Di Flumeri, G., Giorgi, A., Vozzi, A., Germano, D., Virgilio, D. V., Borghini, G., Cartocci, G., Rossi, D., Inguscio, B. M. S., Babiloni, F., & Aricò, P. (2024). Optimizing EEG signal integrity: A comprehensive guide to ocular artifact correction. Bioengineering, 11(10), 1018. https://doi.org/10.3390/bioengineering11101018

Rosanne, O., Albuquerque, I., Cassani, R., Gagnon, J. F., Tremblay, S., & Falk, T. H. (2021). Adaptive filtering for improved EEG-based mental workload assessment of ambulant users. Frontiers in Neuroscience, 15, 611962. https://doi.org/10.3389/fnins.2021.611962

Sazgar, M., & Young, M. G. (2019). EEG artifacts. In Absolute epilepsy and EEG rotation review (pp. 107–114). Springer. https://doi.org/10.1007/978-3-030-03511-2_8

Sörnmo, L., & Laguna, P. (2005). Bioelectrical signal processing in cardiac and neurological applications. Elsevier Science & Technology. ISBN 9780124375529

Urigüen, J. A., & Garcia-Zapirain, B. (2015). EEG artifact removal—State-of-the-art and guidelines. Journal of Neural Engineering, 12(3), 031001. https://doi.org/10.1088/1741-2560/12/3/031001

Węsierski, D., Rufuie, M. R., Milczarek, O., Ziembla, W., Ogniewski, P., Kołodziejak, A., & Niedbalski, P. (2023). Rating by detection: An artifact detection protocol for rating EEG quality with average event duration. Journal of Neural Engineering, 20(2). https://doi.org/10.1088/1741-2552/acbabe

Xiong, W., Ma, L., & Li, H. (2024). A general dual-pathway network for EEG denoising. Frontiers in Neuroscience, 17, 1258024. https://doi.org/10.3389/fnins.2023.1258024

Zhang, G., & Luck, S. J. (2025). Assessing the impact of artifact correction and artifact rejection on the performance of SVM- and LDA-based decoding of EEG signals. NeuroImage, 316, 121304. https://doi.org/10.1016/j.neuroimage.2024.1