EEG analizi ile öğrenme biçimlerinin tanımlanması
Identifying learning styles through EEG analysis
- Tez No: 1000427
- Danışmanlar: PROF. DR. SERAL ÖZŞEN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Eğitim, bir bireyin değil, toplumun başarısı ve gelişimi için oldukça önemlidir. Eğitimde kişiselleştirilmiş içeriklerin hazırlanması bu bağlamda oldukça önemli bir parametredir. Kişiselleştirilmiş içeriklerin hazırlanabilmesi için öncelikle bireylerin öğrenme stillerinin objektif bir şekilde belirlenmesi gerekmektedir. Öğrenme stillerinin hatalı belirlenmesi veya bu farkın hiç dikkate alınmaması bireylerin öğrenme güçlüğü çekmesine, akademik başarısızlığa, asosyalleşmesine ve eğitimden uzaklaşmasına neden olabilir. Elektroensefalogram (EEG) sinyalleri, değiştirilemez olması ve kişinin beyanından bağımsız olması nedeniyle bu amaç için kullanılabilir. Bu çalışma, öğrenme stillerinin tarafsız bir şekilde belirlenmesi için hibrit derin öğrenme modeli önermektedir. Modele, Kısa Zamanlı Fourier Dönüşümü (STFT), Sürekli Dalgacık Dönüşümü (CWT), Hilbert-Huang Dönüşümü (HHT) ve Wigner-Willie Dağılımı (WWD) her bir spektral analiz çıktısının görselleri kanal bazlı birleştirilerek girdi olarak verilmiştir. Modelin giriş bloğu çok kanallı ve kanal bazlı özellik çıkarımı gerçekleştirecek şekilde tasarlanmıştır. Bu sayede öğrenme gibi beynin en karmaşık işlevi bile en yüksek doğrulukla gerçekleştirilmiştir. Çalışmada model öncelikle LSEEG veri setiyle eğitilmiş ve test edilmiştir. Eğitim ve test aşaması çok aşamalı olarak gerçekleştirilmiş ve modelin performansı bu değerlerin ortalaması alınarak belirlenmiştir. Hibrit model, HHT spektral analiz sonucu elde edilen görsel veriler kullanılarak gerçekleştirilen analizlerde %99,89 doğruluk, %99,88 kesinlik, %99,92 duyarlılık ve %99,90 F1-skor olarak elde edilmiştir. Sonraki aşamada modelin güvenilirliğinin ve genelleme yeteneğinin test edilmesi için ayrıca MAEEG ve MIEEG veri setleri kullanılmıştır. Veri setlerinde Kısa Zamanlı Fourier Dönüşümü (STFT) ve Sürekli Dalgacık Dönüşümü (CWT) spektral analiz yöntemleriyle görsel çıktılar oluşturulmuştur. Bu aşamada ayrıca model performansının daha da artırılabilmesi için kanal ve zamansal dikkat katsayılarının tek bir adımda hesaplandığı dikkat mekanizması tasarlanmıştır. Hibrit modelin ve dikkat mekanizmasının kullanıldığı, MAEEG veri setinde CWT spektral analiz sonucu elde edilen görsel veriler üzerinde gerçekleştirilen analizlerde %96,48 doğruluk, %96,97 kesinlik, %97,27 duyarlılık ve %97,11 F1-skor olarak elde edilmiştir. Dikkat mekanizması sayesinde sınıflama doğruluğu %5 oranında artmıştır. MIEEG veri setinde ise CWT spektral analiz sonucu elde edilen görsel veriler üzerinde gerçekleştirilen analizlerde %89,24 doğruluk, %90,64 kesinlik, %93,02 duyarlılık ve %91,82 F1-skor olarak elde edilmiştir. Dikkat mekanizması sayesinde bu veri setinde de sınıflama doğruluğunda %6 oranında artış sağlanmıştır. Bu sayede modelin güvenilirliği, genelleme yeteneği ve farklı amaçlar için kullanılabilirliği gösterilmiştir. Geliştirilen hibrit modelin ve dikkat mekanizmasının performansı, gelecek çalışmalar için öncü ve umut vericidir.
Özet (Çeviri)
Education is essential not only for individuals but also for the success and development of society. In this context, preparing personalised content is a highly important factor. To create personalised content, it is first necessary to objectively identify individuals' learning styles. Incorrectly identifying learning styles or ignoring these differences can lead to learning difficulties, academic failure, social withdrawal, and disengagement from education. Electroencephalogram (EEG) signals can be used for this purpose because they are unchangeable and independent of the person's statements. This study proposes a hybrid deep learning model for unbiased determination of learning styles. The Short-Time Fourier Transform (STFT), Continuous Wavelet Transform (CWT), Hilbert-Huang Transform (HHT), and Wigner-Willie Distribution (WWD) were combined as input by transforming each spectral analysis output into images on a channel-by-channel basis. The model's input block is designed to perform multi-channel and channel-based feature extraction. This allows even the brain's most complex function, learning, to be analysed with the highest accuracy. In this study, the model was first trained and tested using the LSEEG dataset. The training and testing stages were conducted in multiple phases, and the overall performance was calculated by averaging these results. The hybrid model achieved 99.89% accuracy, 99.88% precision, 99.92% sensitivity, and 99.90% F1-score in analysis using visual data from HHT spectral analysis. In the next phase, the MAEEG and MIEEG datasets were also used to evaluate the model's reliability and generalisation ability. Visual outputs in these datasets were generated using spectral analysis methods such as STFT and CWT. An attention mechanism was also developed, in which channel and temporal attention coefficients were calculated simultaneously to further improve performance. Using the hybrid model and attention mechanism, analyses performed on visual data obtained from CWT spectral analysis in the MAEEG dataset yielded 96.48% accuracy, 96.97% precision, 97.27% sensitivity, and 97.11% F1-score. Thanks to the attention mechanism, classification accuracy increased by 5%. In the MIEEG dataset, analyses performed on visual data obtained from CWT spectral analysis yielded 89.24% accuracy, 90.64% precision, 93.02% sensitivity, and 91.82% F1-score. Thanks to the attention mechanism, a 6% increase in classification accuracy was achieved in this dataset as well. This demonstrates the reliability, generalisation ability, and usability of the model for different purposes. The performance of the developed hybrid model and attention mechanism is pioneering and promising for future studies.
Benzer Tezler
- Farklı öğrenme antrenmanlarının basketbolcularda oluşturduğu merkezi sinir sistemi yanıtlarının incelenmesi
Investigation of central nervous system responses of differential exercises in basketball players
ELİF BAHADIR
Yüksek Lisans
Türkçe
2019
SporMarmara ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADİL DENİZ DURU
- A hybrid deep neural network classification for schizophrenia detection in EEG recordings
EEG kayıtlarında şizofreni tespiti için hibrit derin sınır ağı sınıflandırması
ZEKERİYA EDAHIL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA KAYHAN
- EEG sinyalleri ile duygu tanımada transfer öğrenme yöntemlerinin karşılaştırmalı performans analizi
Comparative performance analysis of transfer learning methods in emotion recognition using EEG signals
SELİME TUBA PESEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ALTUNCU
- EEG sinyallerinin zaman-frekans gösterimlerinin derin öğrenme ile analizi sonucu alzheimer hastalığının tespiti
Detection of alzheimer disease through deep learning analysis of EEG signals' time-frequency representations
MERAL ASLAN DİL
Yüksek Lisans
Türkçe
2024
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
PROF. DR. AYDIN AKAN