Unien kuvantaminen neurokuvantamismenetelmien ja tekoälyn avulla
Mattila, Julius (2026-01-27)
Unien kuvantaminen neurokuvantamismenetelmien ja tekoälyn avulla
(27.01.2026)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2026020210494
https://urn.fi/URN:NBN:fi-fe2026020210494
Tiivistelmä
Tämän tutkielman tavoitteena on selvittää, miten eri neurokuvantamismenetelmät mahdollistavat aivotoiminnan mittaamisen unen aikana ja kuinka tätä dataa voidaan hyödyntää unen visuaalisen sisällön tulkitsemisessa tekoälyn avulla. Tutkimus on toteutettu kirjallisuuskatsauksena, jonka aineisto on kerätty PubMed-hakutietokannasta sekä tekoälyavusteisesta Keenious-hakupalvelusta. Keskeisimpinä lähteinä hyödynnettiin katsausartikkelia unen tutkimiseen käytetyistä neurokuvantamismenetelmistä sekä tutkimuksia unen visuaalisen sisällön tulkitsemisesta koneoppimismallien avulla.
Tutkielmassa vertailtiin aivosähkökäyrän (EEG), toiminnallisen magneettikuvauksen (fMRI), isotooppikuvausten (PET ja SPET) sekä toiminnallisen lähi-infrapunakuvauksen (fNIRS) soveltuvuutta unen tutkimiseen. Tulokset osoittavat, että fMRI on korkean avaruudellisen ja ajallisen erotuskykynsä ansiosta nykyisin tehokkain menetelmä unennäön aikaiseen aivotoiminnan paikantamiseen. Sen käyttöön liittyy kuitenkin merkittäviä haasteita, kuten laitteen kova melu ja vaatimus tutkittavan liikkumattomuudesta, mitkä häiritsevät luonnollista unta. EEG on menetelmänä edelleen välttämätön unen vaiheiden luotettavassa tunnistamisessa, ja usein paras lopputulos saavutetaan yhdistämällä kaksi edellä mainittua menetelmää.
Tekoälyn hyödyntämisen osalta työssä tarkasteltiin lineaarisen tukivektorikoneen (SVM) ja syvän konvoluutioneuroverkon (CNN) kykyä tulkita unenaikaista fMRI-kuvantamisdataa. Keskeisenä havaintona todetaan, että unennäön aikaiset aktiivisuuskuviot näköaivokuorella muistuttavat merkittävästi valveillaolon aikaisia näköhavaintoja. Koneoppimismallit pystyvät tunnistamaan unessa nähtyjä objektikategorioita ja hierarkkisia visuaalisia piirteitä tilastollisesti merkittävällä tarkkuudella. Vaikka menetelmät ovat lupaavia, mittausteknisten rajoitteiden ratkaiseminen ja erilaisten koneoppimismenetelmien hyödyntäminen ovat edellytyksiä unennäön tarkemman tulkitsemisen mahdollistamiseksi tulevaisuudessa.
Tutkielmassa vertailtiin aivosähkökäyrän (EEG), toiminnallisen magneettikuvauksen (fMRI), isotooppikuvausten (PET ja SPET) sekä toiminnallisen lähi-infrapunakuvauksen (fNIRS) soveltuvuutta unen tutkimiseen. Tulokset osoittavat, että fMRI on korkean avaruudellisen ja ajallisen erotuskykynsä ansiosta nykyisin tehokkain menetelmä unennäön aikaiseen aivotoiminnan paikantamiseen. Sen käyttöön liittyy kuitenkin merkittäviä haasteita, kuten laitteen kova melu ja vaatimus tutkittavan liikkumattomuudesta, mitkä häiritsevät luonnollista unta. EEG on menetelmänä edelleen välttämätön unen vaiheiden luotettavassa tunnistamisessa, ja usein paras lopputulos saavutetaan yhdistämällä kaksi edellä mainittua menetelmää.
Tekoälyn hyödyntämisen osalta työssä tarkasteltiin lineaarisen tukivektorikoneen (SVM) ja syvän konvoluutioneuroverkon (CNN) kykyä tulkita unenaikaista fMRI-kuvantamisdataa. Keskeisenä havaintona todetaan, että unennäön aikaiset aktiivisuuskuviot näköaivokuorella muistuttavat merkittävästi valveillaolon aikaisia näköhavaintoja. Koneoppimismallit pystyvät tunnistamaan unessa nähtyjä objektikategorioita ja hierarkkisia visuaalisia piirteitä tilastollisesti merkittävällä tarkkuudella. Vaikka menetelmät ovat lupaavia, mittausteknisten rajoitteiden ratkaiseminen ja erilaisten koneoppimismenetelmien hyödyntäminen ovat edellytyksiä unennäön tarkemman tulkitsemisen mahdollistamiseksi tulevaisuudessa.