A progressive investigation of eeg-based fatigue detection: From spectral and spatial features to riemannian-transformer fusion
Eeg tabanlı yorgunluk tespitinin aşamalı bir incelemesi: Spektral ve uzamsal özelliklerden riemann-transformer füzyonuna
- Tez No: 1024905
- Danışmanlar: ASSISTANT PROFESSOR (DR.) AYSA JAFARI FARMAND
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Biyomühendislik, Electrical and Electronics Engineering, Bioengineering
- Anahtar Kelimeler: Derin öğrenme, EEG, Riemann manifoldu, Yorgunluk, Deep learning, Riemann manifold, Fatigue
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Bilgi Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektroensefalogram (EEG) tabanlı yorgunluk tespiti, yorgunluğa ilişkin sinirsel aktivitenin spektral, uzamsal, zamansal ve kovaryans tabanlı gösterimler arasında dağılmış olması nedeniyle önemli bir araştırma problemi olmaya devam etmektedir. Bununla birlikte, mevcut çalışmalar genellikle bu gösterimleri ayrı ayrı ele almakta, farklı değerlendirme protokolleri kullanmakta veya sınırlı füzyon stratejilerine dayanmaktadır. Bu eksiklikleri gidermek amacıyla, bu tez klasik EEG özellik analizlerinden denek-bağımsız uzamsal kovaryans modellemeye ve son olarak hibrit bir Riemann-Transformer mimarisine uzanan aşamalı üç çalışmadan oluşan bir araştırma süreci sunmaktadır. İlk çalışmada spektral Güç Spektral Yoğunluğu (PSD) ve uzamsal Ortak Uzamsal Örüntü (CSP) özellikleri karşılaştırılmış, CSP özelliklerinin dört klasik sınıflandırıcıdan üçünde daha güçlü ayırt edicilik sağladığı gösterilmiş ve seçilmiş CSP bileşenleri ile RBF-SVM kullanılarak %91.13 doğruluk elde edilmiştir. İkinci çalışmada, denek-bırakmalı çapraz doğrulama altında CSP tabanlı sınıflandırıcılar, Minimum Distance to Mean, SPDNet ve küçültülmüş kovaryans kestirimi kullanan Phase-SPDNet yöntemleri karşılaştırılarak denek-bağımsız uzamsal kovaryans modelleme yaklaşımları incelenmiştir. Sonuçlar, SPDNet'in 0.700 dengeli doğruluk değeri ile en güçlü uzamsal kovaryans taban çizgisini sağladığını göstermiş, ancak uzamsal kovaryans modellemesinin tek başına yorgunluğa ilişkin zamansal dinamikleri tam olarak yakalayamadığını da ortaya koymuştur. Bu bulgular doğrultusunda üçüncü çalışmada, simetrik pozitif tanımlı kovaryans geometrisini modelleyen bir SPDNet dalı ile hiyerarşik zamansal temsil öğrenmesini gerçekleştiren bir EEG-Deformer dalını birleştiren SPDFormer adlı hibrit bir mimari önerilmiştir. SPDFormer karar düzeyinde yığmalı öğrenme yaklaşımını kullanmakta ve dal çıktılarından elde edilen katman dışı olasılıklar ile beş boyutlu güven-uyuşmazlık meta-özellik kodlamasına dayanmaktadır. Çerçeve, dengesiz Sürekli Dikkat Sürüş Görevi (SADT) veri kümesi ve dengeli SEED-VIG uyanıklık veri kümesi üzerinde denek-bırakmalı çapraz doğrulama altında değerlendirilmiştir. SPDFormer-MLP, SADT'de 0.782 dengeli doğruluk ve 0.777 makro-F1, SEED-VIG veri kümesinde ise 0.855 dengeli doğruluk ve 0.847 makro-F1 değerleri ile en yüksek genel performansı elde etmiştir. Elde edilen sonuçlar, Riemann tabanlı uzamsal kovaryans geometrisinin ve hiyerarşik zamansal modellemenin karar düzeyinde bütünleştirilmesinin, EEG tabanlı yorgunluk tespitinde hem sınıflandırma performansını hem de denekler arası güvenilirliği artırdığını göstermektedir.
Özet (Çeviri)
Electroencephalogram (EEG)-based fatigue detection remains challenging because fatigue-related neural activity is distributed across spectral, spatial, temporal, and covariance-based representations, while existing approaches often model these dimensions separately, use inconsistent evaluation protocols, or rely on limited fusion strategies. To address these gaps, this thesis conducts a progressive three-study investigation moving from classical EEG feature analysis to subject-independent spatial covariance modeling and finally to a hybrid Riemannian-Transformer framework. Study 1 compares spectral PSD and spatial CSP features, showing that CSP provides stronger fatigue discrimination in three out of four classical classifiers, with selected CSP components and RBF-SVM achieving a subject-dependent accuracy score of 91.13%. Study 2 evaluates subject-independent spatial covariance pipelines under leave-one-subject-out cross-validation, comparing CSP-based classifiers, Minimum Distance to Mean, SPDNet, and Phase-SPDNet with shrinkage covariance estimation. SPDNet achieves the strongest spatial covariance baseline with 0.700 balanced accuracy, but the results also show that spatial covariance modeling alone does not fully capture temporal fatigue dynamics. Building on these findings, Study 3 proposes SPDFormer, a hybrid architecture combining an SPDNet branch for symmetric positive definite covariance geometry with an EEG-Deformer branch for hierarchical temporal representation learning. SPDFormer uses decision-level stacking based on out-of-fold branch probabilities and a five-dimensional confidence-disagreement meta-feature encoding. The framework is evaluated on the imbalanced Sustained-Attention Driving Task (SADT) dataset and the balanced SEED-VIG vigilance dataset under strict leave-one-subject-out cross-validation. SPDFormer-MLP achieves the strongest overall performance, with balanced accuracy and Macro-F1 scores of 0.782 and 0.777 on SADT, and 0.855 balanced accuracy and 0.847 Macro-F1 on SEED-VIG. Ultimately, the results show that combining Riemannian spatial covariance geometry and hierarchical temporal modeling improves both classification performance and cross-subject reliability in EEG-based fatigue detection.
Benzer Tezler
- Alzheimer hastalığının sınıflandırılmasında farklı makine öğrenmesi algoritma performanslarının incelenmesi
Investigation of different machine learning algorithm performances in the classification of Alzheimer's disease
İREM KÜÇÜK
Yüksek Lisans
Türkçe
2025
BiyomühendislikDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PINAR DENİZ TOSUN
- Parkinson hastalarına spor eğitmeni eşliğinde uygulanan çok yönlü egzersizlerin denge ve yürüme fonksiyonları üzerine etkisi
The effect of sports trainer guided multimodal exercise program on parkinson disease patients balance and gait functions
ÇAĞLA KARACAN
Doktora
Türkçe
2020
SporKocaeli ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DOÇ. DR. BERGÜN MERİÇ BİNGÜL
- Yaşlı bireylerde spontan EEG metrikleriyle veri temelli etiketsiz nörofizyolojik sınıflama ve bilişsel rezervin sosyodemografik yansımaları
Data-driven unsupervised neurophysiological classification using spontaneous EEG metrics in older adults and the sociodemographic correlates of cognitive reserve
RÜMEYSA KAHVECİ
Yüksek Lisans
Türkçe
2026
Nörolojiİstanbul Medipol ÜniversitesiSinir Bilim Ana Bilim Dalı (disiplinlerarası)
PROF. DR. BAHAR GÜNTEKİN
- Amyotrofik Lateral Skleroz (ALS) hastalığının tespiti için görsel uyaranlar ile elde edilen olay ilişkili potansiyel sinyallerinin incelenmesi
Investigation of event related potential signals obtained by visual stimulation for detection of Amyotrophic Lateral Sclerosis (ALS) disease
FIRAT ORHAN BULUCU
Yüksek Lisans
Türkçe
2020
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMA LATİFOĞLU
- Sağlıklı, hafif bilişsel bozukluk ve alzheimer hastalığı elektroensefalografi sinyallerinin sınıflandırılması
Classification of healthy, mild cognitive impairment and alzheimer's disease electroencephalography signals
BURCU OLTU
Yüksek Lisans
Türkçe
2020
BiyomühendislikBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET FEYZİ AKŞAHİN