Bu çalışma, çocukluk çağı migren hastalarında elektroensefalografi (EEG) verilerinin ışıklı stimülasyon altında analiz edilerek migren tanısında kullanılabilirliğini değerlendirmeyi amaçlamaktadır. Çalışmada, 6–18 yaş aralığında migren tanısı almış 20 çocuk ve 18 sağlıklı kontrol olgusunun EEG verileri incelenmiştir. EEG kayıtları OpenBCI Cyton+Daisy cihazı kullanılarak elde edilmiş ve 2–16 Hz arasında artan frekanslarda ışıklı stimülasyon uygulanmıştır. Veriler dalgacık dönüşümü yöntemiyle analiz edilmiş, FP1, FP2, T5 ve T6 kanallarında anlamlı uyarılma paternleri tespit edilmiştir. Destek Vektör Makineleri (SVM) ve Çok Katmanlı Yapay Sinir Ağı (ANN) algoritmaları kullanılarak yapılan sınıflandırmalarda, SVM yöntemi 6 Hz frekansında %76,35 doğruluk oranı ile en iyi sonucu verirken, ANN yöntemi 12 Hz frekansında %79,05 doğruluk sağlamıştır. Bulgular, çocukluk çağı migren hastalarında EEG verilerinin farklı frekans ve kanallarda anlamlı paternler oluşturabileceğini göstermiştir. Ayrıca, elde edilen sonuçlar, yetişkin migren çalışmalarındaki bulgularla kısmen uyum göstermekte, ancak çocuk hastalarda 6 Hz ve 12 Hz frekanslarının öne çıkması çalışmanın özgün katkısı olarak değerlendirilmektedir. Bu çalışma, çocukluk çağı migreninin erken tanı ve izlenmesinde EEG tabanlı yapay zeka yöntemlerinin potansiyelini vurgulamakta ve literatüre yeni bir perspektif sunmaktadır.
This study aims to evaluate the usability of electroencephalography (EEG) data obtained under photic stimulation in diagnosing pediatric migraine. EEG data from 20 children diagnosed with migraine and 18 healthy controls aged 6–18 years were analyzed. EEG recordings were acquired using the OpenBCI Cyton+Daisy system, and photic stimulation at increasing frequencies between 2–16 Hz was applied. Data were analyzed using the wavelet transform method, and significant arousal patterns were detected in FP1, FP2, T5, and T6 channels. Classification with Support Vector Machine (SVM) and Multilayer Artificial Neural Network (ANN) algorithms revealed that the SVM method achieved the highest accuracy (76.35%) at 6 Hz, while the ANN method achieved 79.05% accuracy at 12 Hz. The findings suggest that EEG data can reveal distinct patterns at different frequencies and channels in pediatric migraine patients. The results align partially with adult migraine studies, yet the prominent response at 6 Hz and 12 Hz in children highlights the study’s unique contribution. This research underscores the potential of EEG-based artificial intelligence methods for early diagnosis and monitoring of pediatric migraine, offering a novel perspective to the literature.
