Bilim insanları uzun yıllardır beynimizin alfa dalgalarının (~10 Hz) gereksiz duyusal bilgileri engelleyerek dikkat mekanizmasına yardım ettiğini düşünüyordu. Ancak eLife Sciences'da yayınlanan yeni bir çalışma, bu yaygın görüşü sorgulayan sonuçlar ortaya koyuyor. EEG ve MEG teknolojilerini kullanan araştırmacılar, alfa dalgalarının erken duyusal işlemleri engelleme rolünü incelediler. Çalışmada katılımcılara görsel ipuçları verilerek görsel veya işitsel ayrım gerektiren görevler sunuldu. Beklenmedik şekilde, alfa aktivitesinin klasik inhibisyon teorisiyle tam olarak örtüşmediği gözlemlendi. Bu bulgular, dikkat mekanizmalarının çalışma şeklini yeniden düşünmemizi gerektirebilir.

Çok modlu büyük dil modelleri, bilgi üretirken bazen gerçek dışı bilgiler sunabiliyor veya güncel olmayan verilerle çalışabiliyor. Bu sorunları çözmek için geliştirilen RAG sistemleri, dış kaynaklardan bilgi alarak modellerin performansını artırıyor. Ancak mevcut sistemler, aldıkları verilerin gerçekten yanıtın özünü destekleyip desteklemediğini yeterince iyi ayırt edemiyor. Araştırmacılar, bu problemi çözmek için MEG adlı yeni bir ölçüt geliştirdi. Bu sistem, sadece yüzeysel benzerlik yerine, anlamsal açıdan önemli bilgi parçalarına odaklanarak kanıtların kalitesini değerlendiriyor. MEG-RAG çerçevesi sayesinde, yapay zeka sistemleri artık aldıkları bilgileri daha doğru şekilde sıralayıp değerlendirebilecek.

Araştırmacılar, EEG ve MEG gibi invaziv olmayan beyin görüntüleme yöntemlerinin doğruluğunu artıran yeni bir yaklaşım geliştirdi. Geometric Basis Functions (GBF) adı verilen bu yöntem, her bireyin korteks yüzeyinin benzersiz geometrisini dikkate alarak beyin aktivitesinin haritalanmasında çığır açıcı iyileştirmeler sağlıyor. Geleneksel yöntemlerin aksine, GBF kişiye özel anatomik kısıtlamaları kullanarak nöral kaynak lokalizasyonunda daha yüksek doğruluk elde ediyor. Meta-Source Benchmark, görev temelli veriler, dinlenme durumu ağları, intrakraniyal stimülasyon ve epilepsi verilerinde test edilen yöntem, beyin dinamiklerinin geometrik organizasyonuyla uyumlu kaynak tahminleri üretiyor. Bu gelişme, nörolojik hastalıkların tanısından beyin araştırmalarına kadar geniş bir alanda uygulanabilir.

Bilim insanları, beyin aktivitesini haritalamak için kullanılan EEG ve MEG teknolojilerinde devrim niteliğinde bir yaklaşım geliştirdi. Yeni iki aşamalı uzamsal filtreleme yöntemi, beynin hangi bölgelerinin aktif olduğunu daha doğru şekilde tespit edebiliyor. Geleneksel yöntemlerin aksine, bu teknik önceden hedef kaynak kovaryans matrisi bilgisine ihtiyaç duymadığı için pratik uygulamalarda çok daha kullanışlı. Araştırma, beyin fonksiyonlarını anlama konusunda önemli bir adım olarak değerlendiriliyor. MNE-Python yazılımına entegre edilen bu yöntem, nöroloji ve beyin araştırmaları alanında çalışan bilim insanlarının işini kolaylaştıracak. Bu gelişme, beyin hastalıklarının teşhisi ve tedavisinde yeni olanaklar sunabilir.

Araştırmacılar, beyin aktivitesini ölçen EEG ve MEG verilerini kapsamlı şekilde analiz edebilen yeni bir açık kaynak araç seti geliştirdiler. MLE-Toolbox adlı bu MATLAB tabanlı platform, ham veri işlemeden makine öğrenmesi tabanlı sınıflandırmaya kadar tüm analiz sürecini tek bir kullanıcı dostu arayüzde birleştiriyor. Araç seti, beyin görüntüleme alanında yaygın kullanılan Brainstorm ve FieldTrip gibi platformlardan ilham alınarak tasarlandı. Otomatik artefakt temizleme, çoklu kaynak lokalizasyon yöntemleri, anatomik görselleştirme ve spektral güç analizi gibi gelişmiş özellikler sunuyor. Bu tür entegre platformlar, nörobilim araştırmalarının hızlanması ve standardizasyon açısından kritik öneme sahip.