Bu çalışma, Chiari Malformasyonu Tip I bulunan kişilerde “beyin sapı sıkıntısı” olarak adlandırılan işlevsel durumu EEG sinyallerinden belirlemek amacıyla CSF-EEG FusionNet adlı bir analiz hattı önermektedir. Sistem; aralıklı ritmik delta etkinliği (IRDA), EEG karmaşıklığını temsil ettiği ileri sürülen bir entropi değeri ve delta-alfa faz-genlik eşleşmesi olmak üzere üç özellik hesaplamaktadır. IRDA değerinin 3’ten büyük, entropinin 0,45’ten küçük ve PAC değerinin 0,15’ten büyük olması durumunda kayıt “sıkıntı pozitif” olarak işaretlenmektedir.

Araştırmada yalnızca iki tek kanallı EEG kaydı değerlendirilmiştir. Birinci kayıt için IRDA 3,12, entropi 0,42 ve PAC 0,16 hesaplanarak pozitif; ikinci kayıt için sırasıyla 1,90, 0,65 ve 0,07 hesaplanarak negatif sınıflandırma yapılmıştır. Ancak bu sonuçlar bağımsız klinik tanılarla, görüntüleme bulgularıyla, hekim değerlendirmesiyle veya cerrahi sonuçlarla karşılaştırılmamıştır. Bu nedenle algoritmanın gerçekten beyin sapı işlev bozukluğunu belirlediği değil, yalnızca yazarın önceden seçtiği eşiklere göre iki kaydı ayırdığı gösterilmiştir.

Türkiye açısından değerlendirme: Yaklaşım, Türkiye’de EEG sinyal işleme, nöroşirürji, nöroloji ve biyomedikal mühendisliği ekiplerinin birlikte yürüteceği yöntem geliştirme çalışmalarına başlangıç fikri sağlayabilir. Fakat klinik kullanımdan önce etik kurul onaylı ve çok merkezli bir araştırma; açıkça tanımlanmış hasta ve kontrol grupları; çok kanallı EEG; MRI ve beyin-omurilik sıvısı akış ölçümleri; bağımsız uzman etiketleri; körlenmiş test grubu ve tanısal doğruluk ölçütleri gereklidir. Çalışmadan Türkiye’deki Chiari hastalarının tanısı, cerrahi gereksinimi, prognozu veya tedavi seçimi hakkında doğrudan sonuç çıkarılamaz.

Çalışmanın en önemli sınırlılığı yalnızca küçük örneklem değildir. “FusionNet” adı bir makine öğrenmesi ağı izlenimi oluşturmasına rağmen kullanılan yöntem, öğrenilebilir ağırlıkları bulunmayan üç eşikli bir mantık kuralıdır. Ayrıca entropi ve PAC kodlarının metinde tanımlanan ölçütleri güvenilir biçimde hesaplayıp hesaplamadığı belirsizdir. Çalışmanın görselleri ile sayısal sonuçları arasında da önemli uyumsuzluklar bulunmaktadır. Bu nedenle araştırma, klinik biyobelirteç kanıtı değil, yeniden tasarlanması ve bağımsız olarak doğrulanması gereken bir kavram gösterimi olarak değerlendirilmelidir.

Araştırmanın çözmeye çalıştığı sorun nedir?

Çalışma, Chiari Malformasyonu Tip I’de yapısal görüntüleme bulguları ile hastaların bildirdiği belirtiler arasında her zaman açık bir ilişki kurulamadığı varsayımından hareket etmektedir. Araştırmacı, MRI’ın anatomik yapıyı göstermesine karşılık EEG’nin sinir sistemindeki zamana bağlı işlevsel değişimleri ölçebileceğini ileri sürmektedir.

Bu çerçevede temel araştırma sorusu şöyledir: Tek kanallı bir EEG sinyalinden çıkarılan delta etkinliği, sinyal karmaşıklığı ve frekanslar arası eşleşme değerleri birleştirilerek Chiari Malformasyonu ile bağlantılı olduğu düşünülen bir “beyin sapı sıkıntısı” göstergesi oluşturulabilir mi?

Çalışma bu soruyu klinik tanı araştırması düzeyinde sınamamaktadır. Yöntem yalnızca iki EEG kaydında çalıştırılmış ve bağımsız doğruluk ölçümü yapılmamıştır. Dolayısıyla araştırma, yöntemin teknik uygulanabilirliğini göstermeye çalışmakta; gerçek klinik yararını veya tanısal geçerliliğini kanıtlamamaktadır.

EEG verileri nasıl tanımlanmıştır?

Araştırmacı, EEG kayıtlarının PhysioNet üzerinde bulunduğunu ve Chiari Malformasyonu Tip I olan kişilerden rutin klinik değerlendirme sırasında alındığını belirtmektedir. Örnekleme frekansı 256 Hz olarak verilmiş ve kayıtların MATLAB uyumlu .mat dosyalarında saklandığı ifade edilmiştir.

Her kayıt için yalnızca tek bir EEG kanalının kullanıldığı, bu kanalın “beyin sapıyla ilişkili etkinliği açık biçimde temsil ettiği” gerekçesiyle seçildiği yazılmıştır. Bununla birlikte aşağıdaki bilgiler sunulmamıştır:

• PhysioNet veri kümesinin tam adı, erişim numarası veya bağlantısı,
• kullanılan dosyaların ve kayıt bölümlerinin kimliği,
• elektrot veya kanal adı,
• referans elektrodu ve EEG montajı,
• kayıtların süresi,
• hastaların yaşı, cinsiyeti, belirtileri ve tedavi durumu,
• Chiari tanısının ve “beyin sapı sıkıntısı” etiketinin nasıl belirlendiği,
• artefaktların hangi ölçütlerle çıkarıldığı,
• etik kurul veya veri kullanım açıklaması.

Bu eksiklikler nedeniyle analiz edilen kayıtların yeniden bulunması ve sonuçların bağımsız olarak tekrarlanması yüklenen çalışmadaki bilgilerle mümkün değildir. Tek kanalın beyin sapına özgü bir sinyal sağladığı da kaynak içinde deneysel olarak gösterilmemiştir.

Ön işleme nasıl yapılmıştır?

Ham EEG sinyalleri önce görsel olarak incelenmiş, ardından sıfır fazlı dördüncü dereceden Butterworth bant geçiren filtreden geçirilmiştir. Geçiş bandı 0,5–40 Hz olarak belirlenmiştir:

\[ x_f(t)=\operatorname{filtfilt}\left(B_{0.5-40\ \mathrm{Hz}},x(t)\right) \]

Çift yönlü filtfilt işlemi, filtrenin faz gecikmesini azaltmak için kullanılmıştır. Ancak görsel artefakt incelemesini kimin yaptığı, göz hareketi, kas etkinliği, elektrot kopması veya hareket artefaktlarının hangi kurallarla reddedildiği belirtilmemiştir.

IRDA özelliği nasıl hesaplanmıştır?

Aralıklı ritmik delta etkinliğini belirlemek için kısa zamanlı Fourier dönüşümü uygulanmıştır. Kodda 512 örnekli Hamming penceresi, 400 örneklik örtüşme ve 1.024 noktalı Fourier dönüşümü kullanılmıştır. 256 Hz örnekleme hızında 512 örnek yaklaşık iki saniyelik pencereye karşılık gelmektedir.

Her zaman penceresinde 1–4 Hz aralığındaki spektral büyüklükler ortalanmıştır:

\[ D(k)= \frac{1}{N_\delta} \sum_{f=1\,\mathrm{Hz}}^{4\,\mathrm{Hz}} |S(f,k)| \]

IRDA puanı ise en yüksek delta büyüklüğünün zaman boyunca ortalama delta büyüklüğüne oranı olarak hesaplanmıştır:

\[ \mathrm{IRDA} = \frac{\max_k D(k)} {\operatorname{ortalama}_k D(k)} \]

Bu oran, kısa süreli yüksek delta etkinliğinin ortalama etkinliğe göre ne kadar belirgin olduğunu göstermeyi amaçlamaktadır. Bununla birlikte metin bu değeri “enerji” olarak adlandırsa da kodda spektral güç olan \(|S|^2\) yerine spektral büyüklük \(|S|\) kullanılmaktadır. Ayrıca IRDA eşiği olan 3 değerinin bağımsız bir eğitim veya doğrulama grubundan elde edildiği gösterilmemiştir.

Entropi gerçekten örneklem entropisi midir?

Metinde “sample entropy”, yani örneklem entropisi hesaplandığı belirtilmektedir. Örneklem entropisi normal olarak benzer sinyal örüntülerinin, belirli bir gömme boyutu ve tolerans içinde bir sonraki örnekte de benzer kalma olasılığına dayanır.

Ancak sunulan MATLAB kodu şu büyüklüğü hesaplamaktadır:

\[ E_{\mathrm{kod}} = -\ln \left[ \frac{1}{N-1} \sum_{n=1}^{N-1} \left| \frac{x_f(n+1)-x_f(n)} {x_f(n)} \right| \right] \]

Bu ifade standart örneklem entropisi değildir. Kodda örüntü uzunluğu, tolerans değeri veya benzer dizi sayımı bulunmamaktadır. Ayrıca EEG sinyali sıfıra yaklaştığında paydadaki \(x_f(n)\) nedeniyle çok büyük değerler, sonsuzluk veya sayısal kararsızlık oluşabilir.

Dolayısıyla çalışmada “entropi = 0,42” ve “entropi = 0,65” olarak bildirilen değerlerin standart örneklem entropisi şeklinde yorumlanması uygun değildir. Bu değerler yalnızca kaynak kodda tanımlanan özel dönüşümün çıktılarıdır.

Faz-genlik eşleşmesi nasıl tanımlanmıştır?

Çalışmada delta bandının genliği ile alfa bandının fazı arasındaki ilişki PAC olarak adlandırılmıştır. Önce EEG sinyali 1–4 Hz ve 8–12 Hz bantlarına ayrılmıştır. Hilbert dönüşümünden delta genliği \(A_\delta(n)\) ve alfa fazı \(\phi_\alpha(n)\) elde edilmiştir.

Kodun amaçladığı hesaplama yaklaşık olarak şöyledir:

\[ M_{\mathrm{kod}} = \left| \frac{1}{N} \sum_{n=1}^{N} A_\delta(n) e^{j\phi_\alpha(n)} \right| \]

Bu değer sinyal genliğine bağlıdır ve kodda olasılık dağılımına veya faz dilimlerine göre normalleştirilen standart bir modülasyon indeksi uygulanmamaktadır. “PAC > 0,15” eşiğinin farklı cihaz, kanal veya genlik ölçeklerinde aynı anlama geleceği gösterilmemiştir.

Ayrıca kodda alpha_phase' biçiminde bir transpozisyon bulunmaktadır. Delta genliği ile alfa fazı farklı satır-sütun yönelimlerinde olduğunda MATLAB’ın sürümüne bağlı olarak boyut uyuşmazlığı veya iki boyutlu bir matris oluşabilir. Bu durumda mi tek sayı yerine bir vektör hâline gelebilir ve daha sonraki && sınıflandırma işlemi çalışmayabilir. Kaynak, kullanılan veri yönelimini ve çalışan kod çıktısını paylaşmadığı için bu sorun çözülememektedir.

“FusionNet” gerçekten bir sinir ağı mıdır?

Hayır. Yüklenen çalışmada eğitilebilir katmanlar, nöronlar, ağırlıklar, kayıp fonksiyonu, optimizasyon algoritması, eğitim dönemi veya doğrulama kümesi bulunmamaktadır. Sınıflandırma aşağıdaki sabit mantık kuralıyla yapılmaktadır:

\[ \mathrm{Sıkıntı\ Bayrağı} = (\mathrm{IRDA}>3) \land (E<0{,}45) \land (\mathrm{PAC}>0{,}15) \]

Üç koşulun tamamı doğruysa sonuç pozitif, koşullardan biri bile sağlanmıyorsa negatif verilmektedir. Bu nedenle yöntem, makine öğrenmesi ağı değil, önceden tanımlanmış eşiklere dayalı kural tabanlı bir karar sistemidir.

Kod ayrıca “EEG Distress Index” değerini üç ham özelliğin aritmetik ortalaması olarak yazdırmaktadır:

\[ I_{\mathrm{ham}} = \frac{\mathrm{IRDA}+E+\mathrm{PAC}}{3} \]

Özellikler farklı ölçeklerde olmasına rağmen kodda normalleştirme veya ağırlıklandırma yapılmamıştır. IRDA sayısal olarak diğer özelliklerden daha büyük olduğu için ortalamayı doğal olarak baskılamaktadır. Metinde “ağırlıklı katkı” ve “normalize edilmiş özellikler” ifadeleri kullanılsa da sunulan kod bu işlemleri içermemektedir.

İki EEG kaydında hangi sonuçlar bildirilmiştir?

Birinci kayıttaki üç değer de önceden tanımlanan eşiklerin pozitif tarafında, ikinci kayıttaki üç değer de negatif tarafındadır. Bu nedenle kural, birinci kayda pozitif ve ikinci kayda negatif sonuç vermiştir.

Ancak araştırmada kayıtların gerçek klinik durumlarını gösteren bağımsız bir referans standart bulunmamaktadır. “Pozitif” ve “negatif” ifadeleri doktor tarafından verilmiş klinik tanılar değil, algoritmanın kendi eşik çıktılarıdır. Bu nedenle sonuçlardan doğruluk, duyarlılık, özgüllük, pozitif öngörü değeri, negatif öngörü değeri veya ROC eğrisi hesaplanamaz.

Sayfa 8 ve 9’daki görseller ne göstermektedir?

Sayfa 8’de sunulan ilk grafik, yaklaşık on saniyelik bir EEG dalga biçimini göstermektedir. Grafiğin başlığı açıkça “Simulated EEG with IRDA”, yani “IRDA içeren simüle EEG” şeklindedir. Şekil açıklamasında ise bunun ham EEG sinyalini temsil edeceği belirtilmiştir. Bu durum çalışmanın gerçek hasta kayıtları kullandığı yönündeki temel iddiayla uyuşmamaktadır.

Sayfa 9’daki spektrogram, yaklaşık 0–130 Hz frekans aralığını göstermekte ve düşük frekanslarda daha yüksek spektral büyüklük sergilemektedir. Ancak hangi hasta kaydına ait olduğu, hangi zaman aralığının kullanıldığı ve 0,5–40 Hz filtre uygulanmasına rağmen 40 Hz üzerindeki alanın neden gösterildiği açıklanmamıştır.

Aynı sayfadaki özellik katkı grafiğinde IRDA çubuğu yaklaşık 1,4, entropi çubuğu yaklaşık 2,5 ve PAC değeri sıfıra yakın görünmektedir. Bu değerler sonuç tablosundaki 3,12, 0,42 ve 0,16 değerleriyle eşleşmemektedir. Alt kısımdaki tablo ise metindeki iki kayıt değerlerini tekrar etmektedir.

Dolayısıyla görseller, analiz edilen gerçek iki kaydın doğrulanabilir çıktıları olarak kullanılamamaktadır. Grafikler ile sonuç tablosu arasındaki uyumsuzluk düzeltilmeden çalışmanın görsel kanıt zinciri tamamlanmış değildir.

Sonifikasyon ne amaçlamaktadır?

Çalışma, filtrelenmiş EEG sinyalini işitsel bir biçime dönüştürmeyi de önermektedir. EEG genliği 0–1 aralığına ölçeklenmekte, ardından 300–3.000 Hz arasındaki ses frekanslarına eşlenmektedir. Sınıflandırma pozitifse ayrıca 1.200 Hz’lik yarım saniyelik bir uyarı sesi oluşturulmaktadır.

Bu bölüm erişilebilirlik ve hızlı algılama açısından yaratıcı bir fikir sunmaktadır. Ancak ses dönüşümünün EEG özelliklerini güvenilir biçimde koruduğu, klinisyenlerin bu sesi ayırt edebildiği veya sonifikasyonun görsel analizden daha iyi sonuç verdiği test edilmemiştir. Sonifikasyon, çalışmanın tanısal doğruluğunu artıran doğrulanmış bir bileşen değildir.

Kod içindeki klinik yönlendirme neden sorunludur?

Pozitif sonuç alındığında kod şu anlama gelen bir mesaj üretmektedir: “Beyin sapı sıkıntısı olası; ileri görüntüleme veya dekompresyon görüşmesi düşünün.”

Bu öneri yalnızca üç deneysel eşiğe ve iki kayda dayanan bir sistem için desteklenmemektedir. Çalışma cerrahi gereksinimi, tedavi yararını veya dekompresyon kararını incelememiştir. Bu nedenle kodun klinik öneri üreten satırı araştırma amaçlı prototipten çıkarılmalı ve sistem herhangi bir hasta yönetimi kararında kullanılmamalıdır.

Çalışmanın desteklediği sonuçlar

• EEG sinyaline 0,5–40 Hz bant geçiren filtre, STFT ve Hilbert dönüşümü uygulanabilmektedir.
• Delta etkinliği, kodda tanımlanan özel entropi değeri ve delta-alfa eşleşmesi aynı analiz hattında hesaplanabilmektedir.
• Önceden tanımlanan üç eşik, verilen iki sayı dizisini biri pozitif, diğeri negatif olacak biçimde ayırmaktadır.
• EEG verisi görselleştirilebilir ve ses biçimine dönüştürülebilir.
• Yöntem daha kapsamlı bir klinik doğrulama araştırması için başlangıç prototipi olarak yeniden geliştirilebilir.

Çalışmanın kanıtlamadığı sonuçlar

• CSF-EEG FusionNet’in beyin sapı sıkıntısını doğru biçimde belirlediği kanıtlanmamıştır.
• IRDA, entropi ve PAC değerlerinin Chiari Malformasyonuna özgü olduğu gösterilmemiştir.
• “Pozitif” ve “negatif” kayıtlar bağımsız klinik referanslarla etiketlenmemiştir.
• Algoritmanın duyarlılığı, özgüllüğü veya yanlış pozitif oranı hesaplanmamıştır.
• Tek bir EEG kanalının beyin sapındaki işlevi özgül biçimde temsil ettiği gösterilmemiştir.
• Eşiklerin yeni hastalarda veya farklı EEG cihazlarında geçerli olduğu gösterilmemiştir.
• Yöntemin MRI’a tanısal katkı sağladığı karşılaştırmalı olarak test edilmemiştir.
• Algoritmanın hasta takibi, cerrahi seçimi veya tedavi kararı için kullanılabileceği kanıtlanmamıştır.
• Çalışmada eğitilmiş bir sinir ağı veya makine öğrenmesi modeli bulunmamaktadır.
• Sonifikasyonun klinik yorumlamayı iyileştirdiği gösterilmemiştir.

Çalışmanın olumlu yönleri nelerdir?

Araştırma, yapısal görüntüleme ile işlevsel sinyal analizini birlikte düşünmeye yönelik anlaşılır bir araştırma sorusu ortaya koymaktadır. Kullanılan filtre, STFT ve Hilbert dönüşümü gibi sinyal işleme adımları açık kod parçalarıyla sunulmuş, temel eşikler görünür biçimde belirtilmiştir.

Yöntemin basit olması, hangi koşulun pozitif sonuç ürettiğinin takip edilmesini kolaylaştırmaktadır. Çalışma ayrıca küçük veri kümesini ve daha büyük, çok kanallı veriyle doğrulama gereksinimini kendi sınırlılıkları arasında kabul etmektedir.

EEG’nin görsel ve işitsel temsillerinin birlikte düşünülmesi de gelecekte kullanıcı arayüzü veya eğitim araçları açısından araştırılabilecek bir fikir sunmaktadır.

Başlıca yöntemsel sınırlılıklar nelerdir?

En temel sınırlılık, yalnızca iki EEG kaydının bulunmasıdır. İki gözlemden bir sınıflandırıcının güvenilirliği veya genellenebilirliği ölçülemez. Veri seçimi ile eşik belirleme işlemlerinin aynı kayıtlar üzerinde yapılmış olması olasılığı da aşırı uyum riskini artırmaktadır.

İkinci sınırlılık, bağımsız klinik referans etiketlerinin bulunmamasıdır. Algoritma çıktısının gerçekten beyin sapı sıkıntısına karşılık gelip gelmediği bilinmemektedir. Pozitif ve negatif sınıflandırmalar, algoritmanın kendi kuralları kullanılarak oluşturulmuştur.

Üçüncü sınırlılık, veri kaynağının yeniden üretilebilir biçimde tanımlanmamasıdır. Veri kümesi erişim numarası, kanal, kayıt süresi ve dosya adı verilmediği için sonuçların başka bir araştırmacı tarafından aynı verilerle tekrarlanması mümkün değildir.

Dördüncü sınırlılık, metin ile kod arasındaki uyumsuzluktur. “Sample entropy” adı verilen işlem standart örneklem entropisi değildir. PAC hesabı normalleştirilmemiştir ve vektör boyutu sorunu içermektedir. “Ağırlıklı ve normalize edilmiş birleşik indeks” ifadesi de kodda karşılık bulmamaktadır.

Beşinci sınırlılık, sayfa 8–9’daki görsellerin sonuçlarla uyuşmamasıdır. Simüle EEG başlıklı grafik ve farklı özellik değerleri, gerçek veri analizi iddiasını desteklememektedir.

Son olarak çalışma, hakem değerlendirmesinden geçmemiş bir sağlık bilimleri preprintidir. Mevcut sonuçlar hasta tanısı veya tedavi kararı için kullanılabilecek kanıt düzeyinde değildir.

Çalışmanın Yöntemi ve Bulguları

Analiz hattının teknik özeti

Eşikler ve bildirilen sonuçlar

Listelenen değerler kodda verilen ham ortalama formülüne uygulanırsa birinci kayıt için yaklaşık 1,23, ikinci kayıt için yaklaşık 0,87 elde edilmektedir. Ancak bu ortalamalar farklı ölçeklerdeki özellikleri doğrudan topladığı için karşılaştırılabilir bir klinik indeks oluşturmaz. Çalışma da bu iki indeks için klinik eşik veya yorum aralığı tanımlamamıştır.

Tanısal doğrulama için eksik olan bileşenler

Daha güvenilir bir çalışma nasıl tasarlanmalıdır?

İlk olarak kullanılacak veri kümesi tam erişim numarası, hasta kodları, kayıt süreleri, kanal montajı ve klinik etiketleriyle açıklanmalıdır. EEG kayıtları yalnızca algoritmayı geliştiren kişi tarafından değil, algoritma sonucundan habersiz uzmanlar tarafından değerlendirilmelidir.

IRDA belirleme yöntemi bağımsız anotasyonlarla karşılaştırılmalı; örneklem entropisi standart matematiksel tanımıyla, açık gömme boyutu ve tolerans parametreleriyle hesaplanmalıdır. PAC için faz ve genlik bantlarının yönü, faz dilimleri, normalleştirme yöntemi ve sıfır dağılımına karşı anlamlılık testi açık biçimde verilmelidir.

Eşikler eğitim grubunda belirlenmeli ve değiştirilmeden bağımsız test grubuna uygulanmalıdır. Sonuçlarda duyarlılık, özgüllük, yanlış pozitif ve yanlış negatif oranları, ROC-AUC, güven aralıkları ve kalibrasyon ölçütleri raporlanmalıdır.

Son olarak EEG sonuçları yalnızca MRI yapısıyla değil; belirtiler, nörolojik muayene, beyin-omurilik sıvısı akış değerlendirmesi ve takip sonuçları gibi bağımsız klinik bilgilerle karşılaştırılmalıdır. Böyle bir doğrulama yapılıncaya kadar sistem tanı aracı olarak değil, deneysel bir sinyal işleme prototipi olarak kalmalıdır.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı:CSF-EEG FusionNet: A Novel EEG-Based Algorithm for Detecting Brainstem Distress in Chiari Malformation Patients

Yazar: Rajendra Nath Dasari.

Eş birinci yazar veya eş katkı bilgisi: Çalışma tek yazarlıdır; eş katkı bilgisi bulunmamaktadır.

Sorumlu yazar: Resmî SSRN kaydında Rajendra Nath Dasari iletişim yazarı olarak gösterilmektedir. Yüklenen çalışmada e-posta adresi verilmemiştir.

Kurumsal bağlantı: Başlık sayfasında Wake Early College of Health and Sciences yazmaktadır. Resmî SSRN kaydında Wake Tech Community College bilgisi yer almaktadır. Kurum bilgilerindeki farklılık çalışma içinde açıklanmamıştır.

DOI: 10.2139/ssrn.7192158.

SSRN kayıt tarihi: 29 Temmuz 2026.

Yayın platformu: SSRN.

Dergi: Yüklenen sürüm için kabul edilmiş veya yayımlanmış bir hakemli dergi bilgisi yer almamaktadır.

Özgün yayınevi: Bulunmamaktadır. SSRN erken aşama araştırmaların paylaşıldığı bir preprint platformudur; hakemli dergi veya makale yayınevi değildir.

Yayın yılı: 2026.

Kaynak türü: EEG sinyal işleme, eşik tabanlı sınıflandırma ve sonifikasyon içeren yöntem preprinti.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Sağlıkla ilgili sonuçları kesin veya klinik olarak uygulanabilir bulgular şeklinde değerlendirilmemelidir.

Resmî kaynak bağlantısı:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7192158

Yazar katkıları: Tek yazarlı olmasına rağmen ayrı bir CRediT katkı bildirimi sunulmamıştır.

Fon desteği: Yüklenen çalışmada fon desteği bilgisi yer almamaktadır.

Çıkar çatışması: Yüklenen çalışmada çıkar çatışması bildirimi yer almamaktadır.

Etik ve veri kullanımı: Etik kurul, bilgilendirilmiş onam, veri kullanım izni veya anonimleştirme prosedürü hakkında ayrı bir açıklama bulunmamaktadır. Kamuya açık bir PhysioNet veri kümesinin kullanıldığı belirtilmekte, fakat veri kümesi erişim numarası verilmemektedir.

Kod ve veri erişimi: MATLAB kod parçaları metin içinde verilmiştir; çalışan kod paketi, sürüm bilgisi, bağımlılıklar, kullanılan gerçek veri dosyaları veya kamuya açık depo bağlantısı sunulmamıştır.

Bu Türkçe inceleme, yüklenen çalışmanın 11 sayfası; yöntem açıklamaları, MATLAB kodu, sonuç tablosu, sayfa 8’deki EEG grafiği, sayfa 9’daki spektrogram ve özellik katkı grafiği, tartışma, sonuç ve kaynakça değerlendirilerek hazırlanmıştır. Bilimsel açıklama çalışmanın kendi içeriğine dayandırılmış; dış kaynaklar yalnızca başlık, yazar, DOI, SSRN kayıt tarihi, iletişim yazarı ve yayın statüsünün bibliyografik doğrulanması amacıyla kullanılmıştır.

Çalışmanın başlıca sınırlılıkları; yalnızca iki kaydın değerlendirilmesi, bağımsız klinik referans etiketinin bulunmaması, veri kaynağının yeniden üretilebilir biçimde açıklanmaması, standart olmayan entropi hesabı, PAC kodundaki boyut ve normalleştirme sorunları, makine öğrenmesi modeli bulunmaması ve görsel sonuçların tablo değerleriyle uyuşmamasıdır.

Çalışmadaki pozitif sınıflandırma, klinik beyin sapı işlev bozukluğu tanısı değildir. Kodun ileri görüntüleme veya dekompresyon görüşmesi öneren bölümü doğrulanmış bir klinik karar desteğine dayanmamaktadır ve hasta bakımında kullanılmamalıdır.

Kaynakçada bazı çalışmalar iki kez listelenmiş ve atıf biçimleri tutarsız kullanılmıştır. Bu durum bibliyografik düzenleme yapılması gerektiğini göstermektedir; ancak yüklenen çalışma, atıf yapılan kaynakların DOI veya resmî bağlantılarını sunmadığından bütün kaynakların kimliği yalnızca çalışma içinden doğrulanamamaktadır.