Video klipler ile uyarılan EEG sinyallerinin duygu durum tespitinde yapay öğrenme yöntemlerinin performanslarının karşılaştırılması
Comparison of the performance of artificial learning methods in detecting emotion from EEG signals evoked by video clips
- Tez No: 931403
- Danışmanlar: DR. ÖĞR. ÜYESİ NESİBE MANAV MUTLU, DR. ÖĞR. ÜYESİ KÜBRA EROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Nişantaşı Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Duygu, dış uyaranlardan kaynaklanan ve günlük hayatı etkileyen öznel bir psikofizyolojik tepkidir. İnsan duyguları, jest ve beden dili, ses ve fizyolojik sinyaller dahil olmak üzere çeşitli davranışsal ipuçları kullanılarak tanınabilir. Ancak, insanlar bazen gerçek duygularını bilerek ya da bilmeyerek gizlediği için, ilk üç yöntem etkisiz olabilir. Fizyolojik sinyaller kullanılarak daha kesin ve objektif duygu tanıma gerçekleştirilebilir. Fizyolojik sinyaller arasında, Elektroensefalografi (EEG) duygusal durumların değişimine karşı daha duyarlı olduğu için öne çıkmaktadır. Bu tez çalışmasında, EEG sinyalleri kullanılarak duygusal durumların (değerlik, uyarılma, baskınlık, beğeni) sınıflandırılmasına yönelik çeşitli makine öğrenmesi ve derin öğrenme yöntemleri karşılaştırılmıştır. Çalışmanın temel amacı, EEG verilerinden anlamlı özellikler çıkararak bu verileri sınıflandırmada en yüksek doğruluk oranını sağlayacak yöntemi belirlemektir. Bu kapsamda 32 katılımcı için ham EEG verileri ile makine öğrenmesi, hibrit derin öğrenme yöntemleri ve öznitelik çıkarılarak makine öğrenmesi yöntemleri uygulanmış ve performansları detaylı bir şekilde karşılaştırılmıştır. Değerlik sınıflandırmasında makine öğrenmesi modelleri ortalama %68,19, %74,56 doğruluk sağlarken önerilen hibrit derin öğrenme modeli (CNN+BiLSTM) ortalama %86,87 doğruluk sağlamış, bu da makine öğrenmesi yöntemlerinden belirgin şekilde daha iyi bir performans sergilediğini göstermiştir. Benzer şekilde, uyarılma sınıflandırmasında makine öğrenme yöntemleri ortalama %69, %74,72 doğruluk sağlarken önerilen hibrit derin öğrenme yöntemi ortalama %87,62 başarı elde etmiştir. Çalışmanın sonuçları, EEG verilerinin analizi ve sınıflandırılmasında derin öğrenme yöntemlerinin, özellikle hibrit modellerin, etkili bir çözüm sunduğunu ortaya koymaktadır.
Özet (Çeviri)
Emotion is a subjective psychophysiological response triggered by external stimuli that significantly impacts daily life. Human emotions can be recognized using various behavioral cues, including gestures and body language, voice, and physiological signals. However, since people sometimes consciously or unconsciously conceal their true emotions, the first three methods may prove ineffective. In contrast, emotion recognition using physiological signals can provide more accurate and objective results. Among physiological signals, Electroencephalography (EEG) stands out due to its high sensitivity to changes in emotional states. This study focuses on the classification of emotional states (valence, arousal, dominance, and liking) using EEG signals by comparing various machine learning and deep learning methods. The primary objective of the study is to extract meaningful features from EEG data and identify the method that achieves the highest accuracy in emotion classification. In this context, machine learning, hybrid deep learning methods, and feature-extracted machine learning approaches were applied to raw EEG data from 32 participants, and their performances were thoroughly compared. For valence classification, machine learning models achieved an average accuracy of 68.19% and 74.56%, while the proposed hybrid deep learning model (CNN+BiLSTM) achieved an average accuracy of 86.87%, demonstrating significantly better performance than machine learning methods. Similarly, in arousal classification, machine learning methods achieved average accuracies of 69% and 74.72%, whereas the hybrid deep learning method achieved an average accuracy of 87.62%. These results indicate that deep learning models are more effective in generalizing individual differences in EEG signals, minimizing variations, and improving classification performance. This demonstrates that hybrid deep learning approaches offer a robust solution for emotion recognition based on EEG signals.
Benzer Tezler
- Bir tasarım ürünü olarak video klip ve alıntı
Video clip as a product of design and quotation
ECE ÇALIŞ
- Müzik video kliplerinin Türkiye'deki müzik endüstrisi gelişimine katkısı
The contribution of music video clips to the development of Turkish music industry
LEVENT SEYHAN
- Mabel Matiz'in müzik video kliplerinde postmodern unsurlar'ın incelenmesi
In Mabel Matiz's music video clips examination of postmodern elements
MERVE DEMİRAL
- Halk müziği eserlerinin video müzik kliplerindeki görsel tasarımıyla metinsel ve müzikal anlatımının incelenmesi
Analyzing the textual and musical expression of folk music works with visual design in video music clips
AYBERKHAN AYDEN
