EEG tabanlı bilişsel iş yükü ve yorgunluk tespiti ile beyin-bilgisayar arayüzü performansının değerlendirilmesi
EEG-based detection of cognitive workload and fatigue and evaluation of brain-computer interface performance
- Tez No: 1011779
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR ERDEM KORKMAZ, DR. ÖĞR. ÜYESİ TOLGA TURAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Beyin Bilgisayar Arayüzü, Bilişsel İş Yükü, Olay İlişkili Potansiyel, EEG Mart 2026, 90 Sayfa, Brain–Computer Interface, Cognitive Workload, Event-Related Potential, EEG. March 2026, 90 Pages
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasının amacı, bilişsel iş yükünü elektroensefalografi verileri aracılığıyla belirlemek ve değişen bilişsel iş yükünün beyin-bilgisayar arayüzü temelli heceleme sisteminin performansı üzerindeki etkisini incelemektir. Çalışma iki temel araştırma bileşeninden oluşmaktadır: (i) hedef ve hedef olmayan olayla ilişkili potansiyel sinyallerinin yüksek doğrulukla ayrıştırılabilirliğinin değerlendirilmesi ve bloklar ilerledikçe performans değişiminin incelenmesi; (ii) uyanık, orta düzey zihinsel yük ve yorgunluk durumlarının çok sınıflı yapıda sınıflandırılabilirliğinin araştırılması. Yöntem: Çalışma 23 katılımcı ile yürütülmüştür. Deney protokolü dört heceleme bloğu ve üç matematik temelli bilişsel iş yükü bloğundan oluşmuştur. Heceleme oturumunda hedef ve hedef olmayan uyaranlara ait epoklardan olayla ilişkili potansiyel sinyalleri elde edilmiştir. Kanal bazlı ve bölgesel analizler gerçekleştirilmiş, yapay sinir ağları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Bilişsel iş yükü oturumunda ise elektroensefalografi verileri bant geçiren filtreleme sonrası beş saniyelik kaydırmalı pencerelere ayrılmış, frekans bant güçleri, bant oranları ve zaman alanı öznitelikleri çıkarılmıştır. Elde edilen öznitelikler rastgele orman, en yakın komşu, doğrusal ayırıcı analiz ve çok katmanlı yapay sinir ağı yöntemleri ile sınıflandırılmıştır. Değerlendirme sürecinde beş katlı çapraz doğrulama ve tekrarlı analiz uygulanmıştır. Bulgular: Heceleme oturumunda hedef ve hedef olmayan epoklar yüksek doğrulukla ayrıştırılmıştır. Tüm kanalların birlikte kullanıldığı Grup4 elektrot konfigürasyonunda ortalama %97,12 ± 2,18 sınıflandırma doğruluğu elde edilmiştir. Pariyetal bölge elektrotları tek başına yüksek performans göstermiştir. Blok bazlı analizlerde birinci bloktan dördüncü bloğa doğru sınıflandırma doğruluğunda kademeli bir azalma gözlenmiştir. Bilişsel iş yükü oturumunda NASA-TLX sonuçları bloklar ilerledikçe öznel iş yükünün arttığını göstermiştir. Elektroensefalografi temelli üç sınıflı problemde uyanık, orta düzey yük ve yorgunluk durumları ayrıştırılmıştır. Sentral bölge elektrotları ve yapay sinir ağı yöntemi en yüksek performansı sağlamıştır. Tüm kanallar birlikte kullanıldığında tüm katılımcılarda %100'e yakın sınıflandırma doğruluğu elde edilmiştir. Sonuçlar: Elde edilen bulgular, bilişsel iş yükünün elektroensefalografi verileri kullanılarak yüksek doğrulukla belirlenebildiğini ve bilişsel durum değişimlerinin heceleme temelli beyin-bilgisayar arayüzü performansını doğrudan etkilediğini göstermektedir. Hedef uyaran ayrımı ile zihinsel durum ayrımının birlikte yüksek performansla gerçekleştirilebilmesi, bilişsel duruma duyarlı adaptif beyin-bilgisayar arayüzü sistemlerinin geliştirilmesi için güçlü bir deneysel temel sunmaktadır.
Özet (Çeviri)
The aim of this thesis is to determine cognitive workload through electroencephalography data and to examine the effect of changing cognitive workload on the performance of a brain–computer interface based spelling system. The study consists of two main research components: (i) evaluation of the separability of target and non-target event-related potential signals with high accuracy and investigation of performance changes as the blocks progress; (ii) investigation of the classifiability of alert, moderate mental workload, and fatigue states within a multi-class structure. Method: The study was conducted with 23 participants. The experimental protocol consisted of four spelling blocks and three mathematics-based cognitive workload blocks. In the spelling session, event-related potential signals were obtained from epochs belonging to target and non-target stimuli. Channel-based and regional analyses were performed, and classification was carried out using artificial neural networks. In the cognitive workload session, electroencephalography data were segmented into five-second sliding windows after band-pass filtering, and frequency band powers, band ratios, and time-domain features were extracted. The extracted features were classified using random forest, k-nearest neighbor, linear discriminant analysis, and multilayer artificial neural network methods. Five-fold cross-validation and repeated analysis were applied during the evaluation process. Results: In the spelling session, target and non-target epochs were separated with high accuracy. In the Group4 electrode configuration, where all channels were used together, an average classification accuracy of 97.12% ± 2.18 was obtained. Parietal region electrodes alone demonstrated high performance. In the block-based analyses, a gradual decrease in classification accuracy was observed from the first block to the fourth block. In the cognitive workload session, NASA-TLX results indicated that subjective workload increased as the blocks progressed. In the electroencephalography-based three-class problem, alert, moderate workload, and fatigue states were separated. Central region electrodes and the artificial neural network method provided the highest performance. When all channels were used together, classification accuracy close to 100% was obtained for all participants. Conclusion: The findings demonstrate that cognitive workload can be reliably detected using electroencephalography signals and that changes in mental state significantly influence the performance of spelling-based brain-computer interface systems. The ability to accurately classify both target responses and cognitive states provides a strong experimental foundation for the development of cognitively adaptive brain-computer interface systems.
Benzer Tezler
- Türkiye'de serebral hareket bozukluklarının etiyolojisi epidemiyolojisi ve bazı klinik özellikleri
Başlık çevirisi yok
AŞER BENSUSAN
Tıpta Uzmanlık
Türkçe
1986
İstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
Yükleniyor...
- Dönemsel yayınlarımızda reklamcılık işlevi ve basının kamuoyu oluşturma görevi ile ilişkisi
Başlık çevirisi yok
NEYLAN GÖNLÜYÜCE
- Amorf silisyum karbür filmlerinin hazırlanması ve çeşitli fiziksel özelliklerinin ölçümü
Başlık çevirisi yok
RAMAZAN ESEN