Karanlık bir odada duvarda asılı bir tablo var ve elinizde küçük bir el feneri. Tablonun tamamını aynı anda göremiyorsunuz. Feneri sol üst köşeden başlayıp yavaş yavaş gezdiriyorsunuz. Her seferinde küçük bir parça aydınlanıyor: burada bir çizgi, şurada bir kıvrım, ötede bir renk geçişi. Sonunda bu parçaları kafanızda birleştirip “bu bir yüz portresi” diyorsunuz.
Evrişimli sinir ağları (CNN, Convolutional Neural Network) resimlere tam olarak böyle bakar. Bu fikrin bugünkü biçimini kazanmasında LeCun ve arkadaşlarının 1998 çalışması bir dönüm noktasıydı.
Küçük Şablonlar
CNN’in elinde fener yerine küçük şablonlar var. Her şablon tek bir şeyi aramakta uzmanlaşmış durumda. Biri dikey çizgileri arar, biri yatay olanları, biri belli bir renk geçişini. Ağ, her şablonu resmin üzerinde baştan sona gezdirir ve “aradığım şey burada var mı, ne kadar var?” diye not alır. Bu gezdirme işlemine evrişim deniyor.
İşin güzel tarafı, bu şablonları kimse elle tasarlamıyor. Ağ, binlerce örnek gördükçe hangi şablonların işe yaradığını kendisi öğreniyor.
Katman Katman Anlam
İlk katmandaki şablonlar çok basit şeyler bulur: kenarlar, köşeler. İkinci katman, ilk katmanın bulduklarını birleştirir. Birkaç kenar yan yana gelince bir göz şekli olur. Daha üst katmanlar bu şekilleri birleştirir: iki göz, bir burun ve bir ağız birlikteyse, büyük ihtimalle bir yüz vardır.
Arada bir de özetleme (pooling) adımı var. Tabloya bir adım geri çekilip bakmak gibi düşünebilirsiniz. Ayrıntıların bir kısmı kaybolur, ama “burada bir göz var” bilgisi kalır. Bu sayede ağ, gözün tam olarak hangi pikselde olduğuna takılmadan çalışabilir.
Peki EEG İle Ne Alakası Var?
EEG bir resim değil, zaman içinde değişen bir sinyal. Ama bu sinyali, zamanla hangi frekansların güçlenip zayıfladığını gösteren renkli bir haritaya, yani zaman-frekans görüntüsüne dönüştürebiliyoruz. Bu harita artık bir resim. CNN’ler de bu resimlerde, örneğin bir duygu durumuna ya da bir hastalığa özgü desenleri bulmakta oldukça başarılı. Laboratuvarımızdaki birçok çalışma, örneğin epilepsi, demans ve beğeni üzerine olanlar, tam olarak bu fikre dayanıyor.
Bir sonraki yazıda, sırayla gelen veriyi “hatırlayarak” işleyen LSTM’lere bakacağız.
Kaynaklar
- LeCun, Y., Bottou, L., Bengio, Y., Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. DOI: 10.1109/5.726791
- Epileptic EEG Classification by Using Time-Frequency Images for Deep Learning (2021). International Journal of Neural Systems. DOI: 10.1142/s012906572150026x
- Classification of Dementia EEG Signals by Using Time-Frequency Images for Deep Learning (2023). IEEE ASYU. DOI: 10.1109/asyu58738.2023.10296777
- Liking State Estimation Using Time-Frequency Image Representation of EEG Signals (2025). IEEE SIU. DOI: 10.1109/siu66497.2025.11112167