Geleneksel makine öğrenimi algoritmaları, literatürdeki biyomedikal verilerin işlenmesi ve sınıflandırılmasında yaygın olarak kullanılmaktadır. Bununla birlikte, son yıllarda, verilerin çözünürlüğünde ve miktarındaki artış nedeniyle çok katmanlı bir öğrenme ağının kullanılması zorunlu hale gelmektedir. Derin öğrenme kavramı, özellikle çok boyutlu verilerin varlığı ve insan karar verme süreçlerinin yetersiz olması durumunda alt-sınıfları yüksek performansla ayıran tüm uygulama grubunu kapsamaktadır. Bu yöntemler, verilerin bölümler arası etkileşimlerini derinlemesine inceleme yeteneğine sahiptir. Derin öğrenme geleneksel makine öğrenme yöntemlerinden üstündür çünkü çok karmaşık gözlemlere dayanan çok fazla gözlemsel veri öğrenilir. Ek olarak, veri boyutu artırıldığında, geleneksel makine öğrenme yöntemlerine göre üstünlük farkı dikkat çekmektedir. Elektroensefalografi (EEG) verileri yüksek boyutlu, karmaşık ve mekansal alanlarda ifade edilebilir. Büyük veri setleriyle çalışma potansiyeline sahip olduklarından dolayı, derin öğrenme tabanlı ağlar kullanılarak yapılan analizler için uygundur. EEG sinyallerinin analizi için geliştirilen derin öğrenme modellerinin, birçok tekrarlayıcı bilişsel görevi otomatikleştirmesi beklenmektedir. Bu derleme makalesinde; biyomedikal ve nörobilim alanında kullanılan derin öğrenme mimarilerinin genel tanıtımı, bu mimarilerin EEG tabanlı analitik görevler üzerindeki uygulamaları, karşılaşılan olası zorluklar ve olası çözümler ele alınmaktadır. Ayrıntılı bir çalışmanın sonucunda, derin öğrenme yöntemlerinin klinik veya bilişsel verilerdeki karmaşık kalıpları çıkardığı ve farklı veri türleri arasındaki soyut ilişkileri saptamak için güçlü bir yöntem sunduğu görülmüştür. Bu çalışma, klinik uygulama ve nörobilimsel araştırmalarda, derin öğrenmeye dayalı uygulamaların gereksinimlerini ele almakta ve araştırmacılara, EEG sinyallerinin derin öğrenme temelli analiz metodolojisine ve gelecekteki araştırmalardaki potansiyel zorluklara genel bir bakış sunmayı amaçlamaktadır.

Conventional machine learning algorithms are widely used in the processing and classification of biomedical data in the literature. However, in recent years, it becomes a necessity to use a multi-layered learning network due to the increase in the resolution and quantity of the data. The concept of deep learning comprises the whole set of applications that separate sub-classes with high performance, especially in the case of the existence of multi-dimensional data and insufficient human-decision making processes. These methods have the ability to examine the inter-departmental interactions of data in depth. Deep learning is superior to conventional machine learning methods because too many observational data are learned based on increasingly complex patterns. In addition, when the data size is enhanced, superiority difference over conventional machine learning methods is remarkably increased. Electroencephalography (EEG) data can be expressed in high-dimensional, complex and spatial domains. It is suitable for analysis using deep learning-based networks as they have the potential to work with large datasets. Deep learning models developed for the analysis of EEG signals are expected to automate many repetitive cognitive tasks. This review article covers the general introduction of deep learning architectures used in the field of biomedical and neuroscience, the applications of these architectures on EEG-based analytical tasks, possible difficulties encountered and possible solutions. As a result of a detailed study, it has been seen that deep learning methods extract complex patterns in the clinical or cognitive data and present a strong method to determine the abstract relationships between different types of data.  This study addresses the needs of deep learning-based applications in clinical practice and neuroscientific research and aims to provide researchers with an overview of the deep learning-based analysis methodology of EEG signals and potential challenges in future research.