Cross-session EEG-based mental workload classification using graph neural networks for reproducible brain-computer interface applications
Tezin Türü: Bütünleşik Doktora
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Enformatik Enstitüsü, Bilişim Sistemleri Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: GÜLİZ DEMİREZEN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Tuğba Taşkaya Temizel
Eş Danışman: Anne-Marie Brouwer
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:İnsan zihinsel iş yükü, bir operatörün bir görevi yerine getirirken kullandığı bilişsel kapasite miktarını ifade eder. Bir görevin kaynak gereksinimleri mevcut kapasiteden yüksekse operatörün performansı düşebilir. Havacılık, sürüş ve komuta-kontrol ortamları gibi uzun süreli odaklanma gerektiren görevler için etkili zihinsel iş yükü ölçümü kritik öneme sahiptir. Zihinsel iş yükü dalgalanmalarını tespit etmek, operatörlerin bilişsel iş yüklerinin güvenli sınırları aştığında uyarılması yoluyla hataları azaltabilir ve kullanıcı performansını artırabilir. Ayrıca, zihinsel iş yükünü anlamak, insan-bilgisayar etkileşim sistemlerinin ve beyin-bilgisayar arayüzlerinin tasarımına da bilgi sağlar. Bu tez çalışmasının ana amacı, farklı oturumlardan elde edilen EEG sinyalleri kullanılarak zihinsel iş yükü sınıflandırması için tekrarlanabilir bir metodoloji geliştirmektir. Bu amaçla, EEG tabanlı zihinsel yük sınıflandırma çalışmalarının mevcut durumu değerlendirilmiş ve bu alanda tekrarlanabilir ve genelleştirilebilir araştırmalar için yönergeler oluşturulmuştur. Zihinsel iş yükü sınıflandırmasında kullanılan metodoloji, EEG kanalları arasındaki bağımlılıkları modellemek için grafik sinir ağlarından faydalanmaktadır. Ayrıca, EEG sınıflandırma çalışmalarının bir zorluğu olan çapraz oturum değişkenliğini ele almak için optimal taşıma yöntemlerinin kullanımı da araştırılmaktadır. Farklı metrikler kullanılarak yapılan kişiye özgü değerlendirmeler, model performansının kapsamlı bir şekilde analiz edilmesini sağlamaktadır. Bu araştırmanın sonuçları, beyin-bilgisayar arayüzleri ve diğer uygulamalar için daha sağlam ve genelleştirilebilir zihinsel iş yükü sınıflandırma yöntemlerinin geliştirilmesine katkıda bulunacaktır.