Üniversitemiz bünyesinde faaliyet gösteren Nöroteknoloji ve Biyoinformatik Laboratuvarı; biyolojik sinyallerin, mühendislik ve bilgisayar bilimleri yöntemleriyle işlenerek analiz edildiği, sinirbilim ve biyo-bilişim kesişiminde yer alan ileri düzey bir araştırma ve uygulama merkezidir.
Nöroteknoloji ve Biyoinformatik Laboratuvarı Nedir? / Amacı Nedir?
Temel Amaç: Nöroteknoloji ve Biyoinformatik Laboratuvarı'nın temel amacı; sinirbilim (neuroscience) alanında gerçekleştirilecek olan bilimsel çalışmalarda öğrencilere doğrudan ve uygulamalı bir deneyim alanı sunmaktır. Laboratuvar, karmaşık biyolojik ve nörolojik sistemlerden elde edilen verilerin, modern mühendislik yöntemleri kullanılarak anlamlandırılmasını ve farklı disiplinlerdeki problemlerin teknik algoritmalarla çözülmesini hedeflemektedir.
Laboratuvarda Bulunan Cihazlar ve Teknik Donanımlar
Öne Çıkan Özellikler: Laboratuvar altyapısı; beyin-bilgisayar arayüzleri (BCI), nörolojik veri toplama ve biyoinformatik modelleme süreçlerinin yüksek doğrulukla yürütülebilmesi için özel yazılımsal ve donanımsal geliştirme kitleri ile yapılandırılmıştır.
- EEG Emotiv Epoc Neuroheadset SDK: Beynin bio-elektrik faaliyetlerini kablosuz olarak kaydeden, ham EEG (Elektroensefalografi) verilerinin toplanmasını ve gerçek zamanlı sinyal aktarımını sağlayan yazılım geliştirme kitine (SDK) sahip çok kanallı nöro-başlık sistemi.
- Sinyal İşleme ve Veri Analiz Üniteleri: Toplanan ham verilerin gürültü temizleme, frekans filtreleme ve sınıflandırma öncesi istatistiksel analiz süreçlerini yürüten yüksek performanslı hesaplama altyapısı.
Araştırma Alanları ve Uygulama Alanları
Akademik Katkı: Laboratuvarda yürütülen projeler ve uygulamalı eğitimler, sinir sisteminden elde edilen ham verilerin yapay zeka ve mühendislik tabanlı algoritmalarla işlenmesine dayanmaktadır. Laboratuvarın ana araştırma ve uygulama alanları şunlardır:
- Ham EEG Verisi Toplama ve İşleme: Katılımcılardan veya deneysel süreçlerden EEG Emotiv Epoc sistemi kullanılarak anlık ve yüksek doğruluklu nörolojik verilerin elde edilmesi.
- Sinyal Gürültü Temizleme (Artifact Removal): Toplanan ham EEG verilerindeki kas hareketleri, göz kırpma veya çevresel elektromanyetik etkenlerden kaynaklanan gürültülerin ileri düzey filtreleme adımları ile temizlenmesi.
- Özellik Çıkarma Yöntemleri (Feature Extraction): Temizlenen sinyal verilerinin anlamlı hale getirilmesi ve sınıflandırma (classification) aşamasına hazırlanması için sinyale ait ayırt edici niteliklerin matematiksel yöntemlerle ortaya çıkarılması.
- Mühendislik Yöntemleri ve Optimizasyon Algoritmaları: Sinyal sınıflandırma performansını en üst düzeye çıkarmak amacıyla modern optimizasyon algoritmalarının test edilmesi ve farklı disiplinlerdeki karmaşık problemlere uygulanması.
Öğrencilere ve Sektöre Sağladığı Katkılar
- Pratik Uygulama Fırsatı: Öğrenciler, sinirbilim ve biyoinformatik teorik derslerinde gördükleri soyut kavramları, EEG Emotiv Epoc Neuroheadset SDK gibi endüstriyel ve akademik standartlardaki cihazlarla doğrudan pratik yaparak pekiştirirler.
- Disiplinler Arası Problem Çözme Yetkinliği: Mühendislik, bilgisayar bilimleri ve sinirbilim yöntemlerini bir arada kullanan öğrenciler, farklı disiplinlerdeki karmaşık problemlerin analitik yöntemlerle çözümü üzerine çalışma vizyonu kazanırlar.
- Algoritma Geliştirme ve Performans Optimizasyonu: Sınıflandırma performansını artırmaya yönelik optimizasyon algoritmaları üzerinde çalışan araştırmacılar, yeni nesil yapay zeka ve makine öğrenmesi modellerinin altyapısına hakim olurlar.
