Deep learning classification of cognitive workload levels from EEG wavelet transform images
EEG dalgacık dönüşüm görüntülerinden bilişsel yük seviyelerinin derin öğrenme ile sınıflandırılması
- Tez No: 829676
- Danışmanlar: DOÇ. DR. MURAT PERİT ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişsel Bilim Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Electroencephalogram (EEG) signals provide a non-invasive method to study cognitive processes. This study aimed to classify Multi-Attribute Task Battery (MATB) task difficulties based on wavelet transform images of EEG signals using deep learning models. An EEG dataset collected from 29 subjects while performing the MATB tasks of varying difficulties by Hinss et al. (2023) were transformed into wavelet images that can accommodate time-frequency information at the same time for further analysis. Three deep learning models, EfficientNet-B0, ResNet18, and ResNet50, were trained and tested on these images under different conditions, including pretrained and non-pretrained models, and using different optimizers. The models' performance was evaluated based on overall accuracy and accuracy by subject, session, and task difficulty. The pretrained EfficientNet-B0 model achieved the highest overall accuracy (67.52%). However, the performance varied significantly across subjects and task difficulties, indicating limited generalizability. The model's accuracy was lower for medium tasks, suggesting difficulty in distinguishing between medium and other levels of difficulty. While deep learning models can achieve high accuracy in classifying MATB task difficulty based on EEG signals, their performance varies across individuals and task difficulties. Further research is needed to improve model generalizability, optimize performance across all task difficulties, and validate the models on larger and more diverse datasets.
Özet (Çeviri)
Electroensefalografi (EEG) sinyalleri, bilişsel süreçleri incelemek için invaziv olmayan bir yöntem sunmaktadır. Bu çalışma, derin öğrenme modellerini kullanarak EEG sinyallerinin dalgacık (wavelet) dönüşüm görüntülerine dayalı olarak Çoklu Özellik Görev Bataryası (MATB) görev zorluklarını sınıflandırmayı amaçlamıştır. Tez çalışması kapsamında MATB görevlerini değişen zorluk seviyelerinde gerçekleştiren 29 denekten toplanan EEG verilerini içeren ve Hinss ve ark. (2023) tarafından toplanmış olan veri seti ilk aşamada zaman-frekans bilgilerini bir arada temsil edebilen dalgacık görüntülerine dönüştürülmüştür. EfficientNet-B0, ResNet18 ve ResNet50 olmak üzere üç derin öğrenme modeli, bu görüntüler üzerinde, önceden eğitilmiş ve eğitilmemiş modeller ile farklı optimizasyon algoritmaları kullanılarak eğitilmiş ve test edilmiştir. Modellerin performansı, genel doğruluk skoru, denek başına doğruluk, seansa göre doğruluk ve görev zorluğuna göre doğruluk temel alınarak değerlendirilmiştir. Önceden eğitilmiş EfficientNet-B0 modelinin en yüksek genel doğruluk skorunu (%67.52) sağladığı gözlenmiştir. Ancak performansın denekler ve görev zorlukları arasında önemli ölçüde değişkenlik göstermesi genellenebilirlik bakımından bazı sınırlılıkların olduğuna işaret etmektedir. Modelin doğruluk skorunun orta seviye görevler için daha düşük olması, orta seviye ve diğer zorluk seviyeleri arasında ayrım yapmada zorluk yaşandığını göstermiştir. Model genellenebilirliğini iyileştirmek, tüm görev zorluklarına göre performansı optimize etmek ve modelleri daha büyük ve daha çeşitli veri setlerinde doğrulamak için daha fazla araştırma yapılması gerekmektedir.
Benzer Tezler
- Elektroensefalografi verileri kullanılarak öğrencilerin bilişsel yüklerinin makine öğrenmesi ile tahminlenmesi
Prediction of students' cognitive load using electroencephalography data through machine learning
HATİCE BİRGEALP
Yüksek Lisans
Türkçe
2026
Eğitim ve ÖğretimBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DOÇ. DR. ONUR SEVLİ
- Biberiye esansiyel kokusunun öğrenme üzerindeki etkisinin EEG sinyalleri kullanılarak yapay zeka algoritmaları ile incelenmesi
Investigation of the effect of rosemary essential odor on learning with artificial intelligence algorithms using EEG signals
EVİN ŞAHİN SADIK
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAMDİ MELİH SARAOĞLU
- Bilişsel radyo sistemlerinde kümeleme ve derin öğrenme ile modülasyon sınıflandırma
Modulation classification in cognitive radio systems using clustering and deep learning
TOLGA DEMİRCİ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SULTAN ALDIRMAZ ÇOLAK
- Manyetik rezonans görüntülerinden beyin tümörünün sınıflandırılması için derin öğrenme tabanlı karar destek sistemi
A deep learning-based decision support system for classification of brain tumors from magnetic resonance images
OĞUZHAN ŞİMŞEK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL AKYOL
- Öğrenme çıktılarının derin öğrenme ile Bloom taksonomisi'ne göre sınıflandırılması
Classification of learning outcomes with deep learning accordingto Bloom taxonomy
HANDAN AÇAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DURSUN AKASLAN
DR. ÖĞR. ÜYESİ MEHMET UMUT SALUR