Ssvep tabanlı beyin-bilgisayar arayüzlerinde kişi bağımsız sınıflandırma modeli ve bilişsel yorgunluğun sistem performansına etkisi
Person-independent classification model in ssvep-based brain–computer interfaces and the effect of cognitive fatigue on system performance
- Tez No: 1025758
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR ERDEM KORKMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: SSVEP, Beyin-Bilgisayar Arayüzü, Kişi Bağımsız Sınıflandırma, Topluluk Öğrenmesi, Bilişsel Yorgunluk. Haziran 2026, 80 Sayfa, EEG, Yapay zeka, Yapay zeka okuryazarlığı, Yapay zeka ve makine öğrenmesi dersi, SSVEP, Brain–Computer Interface, Person-Independent Classification, Ensemble Learning, Cognitive Fatigue. June 2026, 80 Pages, Artificial intelligence, Artificial intelligence literacy, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu tez çalışması, SSVEP tabanlı beyin-bilgisayar arayüzü (BBA) sistemlerinde iki temel sorunu ele alan bağımsız araştırmaları içermektedir: (i) BBA sistemlerinin kişi bağımlılığı sorununu aşmak için topluluk öğrenmesi yaklaşımıyla kişi bağımsız bir sınıflandırma modeli geliştirilmesi; (ii) uzun süreli SSVEP kullanımı sırasında ortaya çıkan bilişsel yorgunluğun sınıflandırma başarısı ve bilgi aktarım hızı (ITR) üzerindeki etkilerinin nicel olarak analiz edilmesidir. Yöntem: Çalışma kapsamında 32 kanallı actiCHamp EEG sistemi kullanılarak sağlıklı katılımcılardan, araştırmacılar tarafından özgün olarak tasarlanan akıllı yaşam arayüzü (LCD, Lamba, Fan, Telefon, Kapı, Alarm) üzerinden veri toplanmıştır. Özellik uzayı Fisher Skoru algoritması ile optimize edilerek en ayırt edici 14 özellik seçilmiştir. Sınıflandırma aşamasında CCA, MSI, LDA, KNN ve SVM modellerinin kararlarını eğitim başarılarına göre ağırlıklı oylama ile birleştiren bir Topluluk Öğrenmesi mimarisi kurgulanmış ve performans“bırak-bir-kişi-dışarı”(LOSO) çapraz doğrulama yöntemiyle test edilmiştir. Bilişsel yorgunluk analizi için 60 epokluk veri seti“ilk 30”(dinç faz) ve“ikinci 30”(yorgun faz) olarak gruplandırılarak karşılaştırılmıştır. Bulgular: Kişi bağımsız senaryoda Topluluk Öğrenmesi modeli %86,7 ± %8,2 ortalama doğruluk ile en yüksek performansı sergilemiş, düşük standart sapma ile daha kararlı sonuçlar vermiştir. Ayrıca, yönlendirmesiz çevrimdışı serbest oturum testlerinde sistemin %81,5'lik yüksek bir isabet oranıyla çalıştığı tespit edilmiştir. Bilişsel yorgunluk analizinde, erken dönemde %87,41 olan doğruluk oranı geç dönemde %86,67'ye gerilemiş; ITR değerlerinde ise 12,50 bit/dk'dan 12,44 bit/dk'ya bir düşüş kaydedilmiştir. Ayrıca Spektral Güç (FFT) analizleri ile bilişsel yorgunluğun beyin sinyali genliklerinde (özellikle 8,57 Hz'de %16,61 oranında) fiziksel düşüşlere yol açtığı, ancak önerilen topluluk modelinin bu sinyal zayıflamasını başarıyla tolere ettiği kanıtlanmıştır. Sonuçlar: Birbirinden bağımsız ancak ortak altyapıyla yürütülen her iki çalışmada elde edilen bulgular, önerilen topluluk öğrenmesi tabanlı sınıflandırma modelinin, kalibrasyon gereksinimini ortadan kaldırarak BBA paradigmalarında genelleştirilebilir bir altyapı sunduğunu ortaya koymuştur. Ayrıca, SSVEP sistemlerinde uygulanan mola stratejisinin ve düşük frekanslı (6-9 Hz) uyaran seçiminin, bilişsel yorgunluğun olumsuz etkilerini kompanse etmede ve uzun süreli kullanımda sistem tutarlılığını korumada kritik rol oynadığı belirlenmiştir.
Özet (Çeviri)
Objective: This thesis presents independent studies addressing two fundamental challenges in SSVEP-based brain–computer interface (BCI) systems: (i) the development of a person-independent classification model using an ensemble learning approach to overcome the subject-dependency problem inherent in BCI systems; and (ii) the quantitative analysis of the effects of cognitive fatigue induced by prolonged SSVEP usage on classification accuracy and information transfer rate (ITR). Method: EEG data were collected from healthy participants using a 32-channel actiCHamp EEG system through a custom-designed smart living interface (LCD, Lamp, Fan, Phone, Door, Alarm). The feature space was optimized using the Fisher Score algorithm, and the 14 most discriminative features were selected. For classification, an ensemble learning architecture was constructed by combining the decisions of CCA, MSI, LDA, KNN, and SVM classifiers through weighted voting based on their training performances. System performance was evaluated using the leave-one-subject-out (LOSO) cross-validation strategy. For cognitive fatigue analysis, a dataset consisting of 60 epochs was divided into two phases—“first 30”(alert phase) and“second 30”(fatigue phase)—and comparatively analyzed. Findings: In the person-independent scenario, the ensemble learning model achieved the highest performance with an average accuracy of 86.7% ± 8.2, demonstrating greater stability with lower standard deviation. Furthermore, in unguided offline free-session tests, the system achieved a high target detection accuracy of 81.5%. In the cognitive fatigue analysis, classification accuracy decreased from 87.41% in the early phase to 86.67% in the later phase, while the ITR declined from 12.50 bit/min to 12.44 bit/min. Furthermore, Spectral Power (FFT) analyses proved that cognitive fatigue caused physical amplitude drops in brain signals (specifically a 16.61% drop at 8.57 Hz); however, the proposed ensemble model successfully tolerated this signal attenuation. Conclusion: The findings obtained from both studies, which were conducted independently yet built upon a shared infrastructure, demonstrated that the proposed ensemble learning–based classification model provides a generalized framework for BCI paradigms by eliminating the need for calibration. Moreover, in SSVEP systems, the implementation of a break strategy and the selection of low-frequency (6–9 Hz) stimuli were identified as critical factors in compensating for the adverse effects of cognitive fatigue and maintaining system consistency during prolonged use.
Benzer Tezler
- Beyin bilgisayar arayüzü (BCI)
Brain computer interface (BCI)
EYÜP ŞENGİL
Yüksek Lisans
Türkçe
2004
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KORÜREK
- Ecoc based multi-class classification in brain computer interfaces with SSVEP
DHGUP ile beyin bilgisayar arayüzlerinde hdçk tabanlı çok sınıf sınıflandırma
SANDRA SAGHIR
Yüksek Lisans
İngilizce
2021
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
DR. ÖĞR. ÜYESİ NİHAN ALP
- Imperceptible grating based steady-state motion visual evoked potentials brain-computer interface for spatial navigation
Yüksek frenakslı merkezi gabor tabanlı sabit durum hareket görsel uyarılmış potansiyelleri ile mekansal navigasyon için beyin bilgisayar arayüzü
BARTU ATABEK
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiOrta Doğu Teknik ÜniversitesiBilişsel Bilim Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MURAT PERİT ÇAKIR
- EEG sinyallerinin sınıflandırılarak beyin-bilgisayar arayüzü tabanlı bir sistem otomasyonunun gerçekleştirilmesi
Implementati̇on of system automati̇on based on brai̇n-computer interface by classi̇fyi̇ng of EEG si̇gnals
NEVZAT OLGUN
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. MUAMMER GÖKBULUT
- Psikofizyolojik ölçüm tabanlı beyin bilgisayar arayüz sistemlerinde performans artırmaya yönelik bir çalışma
A study on performance increasing in psychophysiological measurement based brain-computer interface systems
ERDEM ERKAN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKBABA