Geri Dön

Zihinsel iş yükünün EEG ve göz izleme verileri kullanılarak makine öğrenmesi teknikleriyle modellenmesi

Mental workload modeling by using machine learning techniques based on EEG and eye tracking data

PDF İndir

  1. Tez No: 832235
  2. Yazar: ŞENİZ HARPUTLU AKSU
  3. Danışmanlar: PROF. DR. ERMAN ÇAKIT
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 219

Özet

Bu tez çalışması kapsamında, zihinsel iş yükünün elektroensefalografi (EEG) ve göz izleme verilerine bağlı olarak analiz edilmesi ve makine öğrenmesi algoritmaları kullanılarak tahmin edilmesi amaçlanmıştır. Öncelikle 4 katılımcı (2 kadın, 2 erkek) üzerinde pilot uygulama gerçekleştirilmiş, EEG ve göz izleme cihazları ile ayrı ayrı ölçümler alınarak sonuçlar analiz edilmiştir. Temel uygulamada ise deneyler 15 üniversite öğrencisi (7 kadın, 8 erkek) üzerinde uygulanmış olup, EEG ve göz izleme cihazlarından eş zamanlı kayıtlar alınmıştır. Deneyler sırasında, farklı seviyelerde zihinsel iş yükünün tahmini için n-geri hafıza görevi ve NASA-Task Load Index (TLX) öznel değerlendirme ölçeği kullanılmıştır. Görev zorluk seviyesi arttıkça sağ ve sol göz bebeği boyutunun, odaklanma sayısının, seğirme sayısı ve süresinin ve ayrıca, göz kırpma sayısı ve süresinin arttığı; odaklanma süresi ile ilgili değişkenlerin ise azaldığı görülmüştür. EEG ile ilgili olarak elde edilen sonuçlar; prefrontal, frontal ve frontal merkez bölgelerindeki yani ön beyindeki teta gücünün görev zorluğu arttıkça arttığını göstermektedir. Görev zorlaştıkça frontal bölgelerdeki alfa gücü artmakta iken temporal, pariyetal ve oksipital bölgelerdeki alfa gücü ise azalmaktadır. Düşük beta gücünün ise görev zorlaştıkça hemen hemen tüm beyin bölgelerinde önemli ölçüde azaldığı gözlemlenmiştir. Dört sınıflı sınıflandırma problemi kapsamında, seçilen 18 özellik ile zihinsel iş yükü seviyesi %70,26 doğruluk oranı ile tahmin edilebilmiştir. Sonuçlar, göz izleme ve EEG ölçümlerinin zihinsel iş yükünün analizinde önemli bir rol oynadığını göstermektedir. Bu kapsamda, göz izleme ve EEG ölçümlerinin eş zamanlı olarak kayıt altına alındığı deney süreci sonucunda farklı makine öğrenmesi algoritmalarının karşılaştırmalı olarak kullanıldığı dört sınıflı zihinsel iş yükü tahmin modeli ile literatüre önemli katkı sağlanmıştır.

Özet (Çeviri)

In this thesis, it was aimed to analyze the mental workload based on EEG and eye tracking data and to classify it through machine learning algorithms. First of all, a pilot application was carried out on 4 participants (2 women, 2 men), and after taking separate measurements with EEG and eye tracking devices the results were analyzed. In the basic application, the experiments were carried out on 15 university students (7 women, 8 men), and simultaneous recordings were taken from EEG and eye tracking devices. During the experiments, the n-back memory task and the NASA-Task Load Index (TLX) subjective rating scale were used to estimate different levels of mental workload. It was observed that as the task difficulty increased, the right and left pupil diameters, the number of fixations, the number and duration of saccades, as well as the number and duration of blinks increased, while the variables related to fixation duration decreased. The results obtained in relation to the EEG shows that theta power in the prefrontal, frontal and frontal center regions increases as the task difficulty increases. As the task becomes more difficult, alpha power increases in the frontal regions and decreases in the temporal, parietal and occipital regions. Low beta power was also observed to decrease significantly in almost all brain regions as the task became more difficult. Within the scope of the four-class classification problem, the mental workload level could be predicted with an accuracy rate of 70,26% with 18 selected features. The results show that eye tracking and EEG measurements play an important role in the classification of mental workload. In this context, a significant contribution has been made to the literature with the four-class mental workload estimation model, in which different machine learning algorithms are used comparatively, as a result of the experimental process in which eye tracking and EEG measurements are recorded simultaneously.

Benzer Tezler

  1. Tez No

    833037

    Mental workload monitoring with multimodal approach during laparoscopic surgery training

    Laparoskopik cerrahi eğitimi sırasında multimodal yaklaşım ile zihinsel iş yükünün izlenmesi

    KÜBRANUR KARA BAŞTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    BiyomühendislikAnkara Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN ONUR KELEŞ

  2. Tez No

    824873

    Sinyal ayrıştırma teknikleri ve derin öğrenme modeli kullanılarak eeg sinyallerinden zihinsel iş yükünün otomatik tespiti

    Automatic detection of mental workload from eeg signals using signal discrimination techniques and deep learning model

    HÜSEYİN CAN AY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilim ve TeknolojiKütahya Dumlupınar Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ

  3. Tez No

    857995

    Otomobil sürücülerinin farklı trafik ve yol koşullarındaki bilişsel yüklerinin araştırılması

    Investigation of drivers' cognitive loads in different traffic and road conditions

    HİLAL ATICI ULUSU

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiBursa Uludağ Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLİN GÜNDÜZ

  4. Tez No

    515288

    Görsel uyaranlara karşı aktif beyin bölgelerindeki elektriksel aktivitenin incelenmesi

    Analysing of electrical activity in the active brain regions against visual stimuli

    ŞEYMA NUR ÖZKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilim ve TeknolojiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM

  5. Tez No

    396746

    Yöneticilerde zihinsel iş yükünün öznel iyi oluşa etkisinde boş zaman davranışlarının rolü

    The role of leisure behaviors on the effect to subjective well-being of mental workload for managers

    NESLİHAN DUMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    İşletmeErciyes Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. MAHMUT ÖZDEVECİOĞLU

Geri Dön