Biyomedikal sinyaller ile yapay zeka tabanlı zihinsel iş yükünün belirlenmesi
Detection of mental workload using biomedical signals and artificial intelligence
- Tez No: 1017494
- Danışmanlar: DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Biyomedikal mühendisliği, Biomedical engineering
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu yüksek lisans tezi, biyomedikal sinyaller kullanılarak zihinsel iş yükünün nesnel biçimde belirlenmesini amaçlayan yapay zeka tabanlı bir sistemin geliştirilmesine odaklanmaktadır. Zihinsel iş yükü, insanlar bilişsel görevlerle uğraşırken, düşünürken ve karar verirken yaşadıkları psikolojik yüktür. Zihinsel iş yükü genellikle dikkat, çalışma belleği, düşünme yeteneği ve zihinsel stres gibi faktörlerle ilişkilidir. Mevcut zihinsel iş yükü belirleme yöntemleri çoğunlukla öznel beyanlara dayanmakta ve bu durum ölçüm güvenilirliğini sınırlamaktadır. Bu bağlamda yapılan çalışma, özellikle giyilebilir cihazlarla elde edilen PPG (Fotopletismografi) ve ECG (Elektrokardiyografi) sinyallerinin analizi üzerine odaklanan, yapay zeka destekli ve nesnel bir zihinsel iş yükü ölçüm yönteminin geliştirilmesini amaçlamaktadır. Araştırmada kullanılan veriler, açık kaynaklı MAUS veri setinden temin edilmiştir. Veri setindeki katılımcı grubu, yaş ortalaması 23±1,7 olan 22 sağlıklı gönüllü (20 erkek, 2 kadın) içermektedir. Deney öncesinde tüm katılımcılardan bilgilendirilmiş onam alınmıştır. Deneyin başlangıcında 5 dakikalık bir dinlenme oturumu yapılmış ve bu süre zarfında Pittsburgh Uyku Kalitesi İndeksi (PSQI) anketi doldurulmuştur. Her N-Back denemesinin ardından ise NASA Görev Yükü İndeksi (NASA-TLX) ölçeği aracılığıyla öznel zihinsel iş yükü algısı kaydedilmiştir. Böylece, fizyolojik sinyallerin yanında öznel veriler de toplanarak veri seti daha kapsamlı hale getirilmiştir. Kayıtlar iki farklı cihazla gerçekleştirilmiştir. Bu katılımcılardan alınan PPG ve ECG sinyalleri 256 Hz örnekleme frekansına sahiptir. ProComp Infiniti sistemi, 256 Hz örnekleme frekansı ile yüksek kaliteli referans veriler sağlamış; bu cihaz üzerinden ECG ve parmak ucu PPG sinyalleri elde edilmiştir. ECG kayıtları gövdeye yerleştirilen elektrotlar aracılığıyla tek kanallı olarak alınırken, parmak ucu PPG ise elastik bir bant yardımıyla sabitlenen sensör aracılığıyla elde edilmiştir. Buna ek olarak, giyilebilir teknoloji senaryosunu simüle etmek amacıyla PixArt bilek tipi PPG saati kullanılmıştır. Yeşil led tabanlı bu sensör 100 Hz frekansta kayıt yapmakta ve verileri Bluetooth üzerinden bir tablet bilgisayara aktarmaktadır. Böylece hem laboratuvar koşullarında yüksek doğruluk sağlayan referans kayıtlar hem de günlük yaşamda kullanılabilecek taşınabilir cihazlardan elde edilen veriler aynı veri tabanında bir araya getirilmiştir. MAUS veri seti toplamda yaklaşık 35 dakikalık fizyolojik kayıt içermekte, ham sinyallerin yanı sıra katılımcı yanıtları, N-Back görev kayıtları ve öznel anket sonuçlarını da barındırmaktadır. Görev süresinde 7 dakika süren kısımda 5 dakika görev yapılıp ardından 2 dakika süren NASA-TLX anketi yapılmıştır. Bu yönüyle veri seti, stres ve zihinsel iş yükü sınıflandırması çalışmalarında kullanılan en kapsamlı açık erişim kaynaklardan biri olarak öne çıkmaktadır. ECG ve PPG sinyalleri sayısal filtreden geçirilmiştir. Gürültülerinin temizlenmesi amacıyla Chebyshev Type 2 uygulanmıştır ve bu filtreleme amacıyla MATLAB kullanılmıştır. Sayısal filtreleme işleminden sonra sinyaller 5 saniyelik epoklara ayrılmıştır. Epoklama işleminden sonra ECG sinyalinden 24, PPG sinyalinden 25 olmak üzere toplam 49 adet zaman domeninde özellik çıkarımı yapılmıştır. Özellik çıkarma adımından sonra sınıflandırma öncesinde veri seti 5 katlı çapraz doğrulama yöntemi kullanılarak beş eşit parçaya bölünmüş, her iterasyonda bu parçalardan dördü (%80) eğitim amacıyla, kalan bir parça (%20) ise test amacıyla kullanılmış ve bu işlem beş kez tekrarlanmıştır. Sınıflandırmanın yapılabilmesi için her göreve bir etiket verilmiştir. Etiketlemeden sonra özellik seçimi yapılmıştır. Bu safhada Spearman özellik sıralama algoritması kullanılarak sınıflandırmanın yapılmasında etkili olan özellikler belirlenmiştir.Daha sonra sınıflandırma için Destek Vektör Makinesi (SVM), Naive Bayes (NB), k-En Yakın Komşu (kNN), Yapay Sinir Ağları (Medium NN, Wide NN, Trilayered NN ve Bilayered NN), Lojistik Regresyon (LR) ve Karar Ağacı (DT) gibi veri analizi için birçok denetimli öğrenme yöntemleri kullanılmıştır. Bu modelden elde edilen sonuçlar daha sonraki kısımda sunulmuş ve analiz edilmiştir. Sınıflandırma işlemi için MATLAB Classification Learner uygulaması kullanılmıştır. Çalışmada yer alan sınıflandırma yöntemlerinin başarısını değerlendirmek amacıyla doğruluk, özgüllük, F-Ölçümü ve AUC ölçütleri uygulanmıştır. Analizlerin sonucu olarak, Medium Neural Network modeli %98,81 doğruluk oranı, %99,4 özgüllük, 0,988 F1-ölçümü ve 0,996 AUC değerleri ile en yüksek başarıyı elde etmiştir. Bu bulgu, hem pozitif hem negatif sınıfları ayırt etmede güçlü bir denge sağladığını ve sınıflandırmanın güvenilirliğinin oldukça yüksek olduğunu göstermektedir. Benzer şekilde, Wide Neural Network ve Narrow Neural Network modelleri %98,5 ve üzeri F1-ölçümü ile dikkat çekmiş, karmaşık ilişkilerin yapay sinir ağları tarafından etkin bir şekilde öğrenilebileceğini göstermiştir. Ağaç tabanlı yöntemlerden Bagged Trees, %98'in üzerinde doğruluk oranları elde ederek zihinsel iş yükü sınıflandırması için güçlü alternatif yöntemler olduklarını göstermiştir. Özellikle özgüllük değerlerinin %98' in üzerinde olması, bu modellerin zihinsel iş yükü olmayan durumları doğru bir şekilde sınıflandırmada yüksek bir güvenilirlik sunduğunu gösterir. Aynı şekilde, F1-ölçümünün dengesizlik içeren sınıflandırma senaryolarında modelin hem hassasiyet hem de doğruluk açısından dengeli bir performans sergilediği görülmektedir. AUC değerlerinin 0,99'a yakın ve üzerinde olması, tüm modellerin farklı eşik değerleri altında güçlü ayırt etme kapasitesine sahip olduğunu ve sistemin kararlılığını ortaya koymaktadır. Kullanılan EKG ve PPG sinyallerinin modern giyilebilir sensör teknolojileri vasıtasıyla tıbbi işlemlere ihtiyaç duymadan ve yüksek sinyal kalitesiyle kaydedilmesi, bu biyosinyalleri kafa derisi ile temas gerektiren EEG gibi yöntemlere oranla günlük yaşamda çok daha uygulanabilir hale getirmektedir. Bu durum, önerilen yapay zeka destekli modelin taşınabilir ve düşük enerji tüketen gömülü sistemlere entegre edilmesi için önemli bir teknolojik avantaj sağlamaktadır. Söz konusu donanım avantajı, geliştirilen yöntemle zihinsel iş yükünün yalnızca kontrollü laboratuvar ortamlarında değil; gürültü, hareket ve çevresel stres faktörlerinin yoğun olduğu gerçek yaşam koşullarında da sürekli ve anlık olarak izlenebilmesine imkan veren sağlam bir altyapı sunmaktadır. Özellikle çoklu sinyal entegrasyonu sayesinde, sistemin dayanıklılığı artırılmış; bir kaynaktan gelen veride gürültü ya da kayıptan dolayı yaşanan sorunlar, diğer kaynaktan sağlanan bilgilerle telafi edilerek analiz sürekliliği korunmuştur. Oluşturulan bu sistem, yüksek riskli meslek gruplarından (cerrahlar, hava trafik kontrolörleri, ağır sanayi çalışanları) ofis personeline kadar geniş bir kullanıcı kitlesinin, bilişsel aşırı yüklenmenin yol açabileceği hataları ve tükenmişliği önceden tahmin eden proaktif bir karar destek mekanizması olarak değerlendirilmektedir. Gelecek aşamalarda, bu modelin mobil cihazlar ve nesnelerin interneti (IoT) ekosistemleriyle kablosuz iletişim protokolleri aracılığıyla tamamen entegre edilmesi amaçlanmaktadır. Böylece, bireyler sadece zihinsel iş yükü seviyelerini izlemekle kalmayacak, aynı zamanda veriye dayalı geri dönüşlerle zihinsel sağlık durumlarını bağımsız bir şekilde yönetebilecekleri, stres kaynaklı kronik hastalıkların önlenmesine yardımcı olacak dijital sağlık asistanlarının temelleri hedeflenmiştir. Sonuç olarak, sunulan sistem bireysel refahı artırmanın yanı sıra, kurumsal verimliliği ve operasyonel güvenliği optimize eden, sürdürülebilir ve uygulanabilir bir biyomedikal izleme çözümü olarak öne çıkmaktadır.
Özet (Çeviri)
This master's thesis focuses on the development of an artificial intelligence-based system aimed at objectively determining mental workload using biomedical signals. Mental workload is the psychological burden experienced by people when engaging in cognitive tasks, thinking, and making decisions. Mental workload is often associated with factors such as attention, working memory, thinking ability, and mental stress. Current mental workload determination methods are mostly based on subjective statements, which limits the reliability of measurements. In this context, the study aims to develop an AI-supported and objective mental workload measurement method, focusing on the analysis of PPG (photoplethysmography) and ECG (electrocardiography) signals obtained with wearable devices. The data used in the research were obtained from the open-source MAUS dataset. The participant group in the dataset consisted of 22 healthy volunteers (20 males, 2 females) with an average age of 23±1.7. Informed consent was obtained from all participants prior to the experiment. At the beginning of the experiment, a 5-minute rest session was conducted, during which the Pittsburgh Sleep Quality Index (PSQI) questionnaire was completed. Following each N-Back trial, subjective mental workload perception was recorded using the NASA Task Load Index (NASA-TLX) scale. Thus, subjective data was collected alongside physiological signals, making the dataset more comprehensive. The recordings were performed using two different devices. The PPG and ECG signals obtained from these participants had a sampling frequency of 256 Hz. The ProComp Infiniti system provided high-quality reference data with a sampling frequency of 256 Hz; ECG and fingertip PPG signals were obtained through this device. ECG recordings were obtained through electrodes placed on the body as single-channel recordings, while fingertip PPG was obtained through a sensor secured with an elastic band. In addition, a PixArt wrist-type PPG watch was used to simulate a wearable technology scenario. This green LED-based sensor records at a frequency of 100 Hz and transmits the data to a tablet computer via Bluetooth. This allows both reference recordings, which provide high accuracy under laboratory conditions, and data obtained from portable devices that can be used in daily life to be brought together in the same database. The MAUS dataset contains approximately 35 minutes of physiological recordings, including raw signals, participant responses, N-Back task recordings, and subjective questionnaire results. In this respect, the dataset stands out as one of the most comprehensive open-access resources used in studies on stress and mental workload classification. ECG and PPG signals have been passed through a digital filter. Chebyshev Type 2 filtering was applied to clean the noise, and MATLAB was used for this filtering purpose. After the digital filtering process, the signals were divided into 5-second epochs. Following the epoching process, a total of 49 features were extracted in the time domain, 24 from the ECG signal and 25 from the PPG signal. After the feature extraction step, prior to classification, the dataset was divided into five equal parts using a 5-fold cross-validation method. In each iteration, four of these parts (80%) were used for training, while the remaining part (20%) was used for testing, and this process was repeated five times. In order to perform classification, a label was assigned to each task. Feature selection was performed after labeling. At this stage, the Spearman feature sorting algorithm was used to determine the features effective for classification. Subsequently, several supervised learning methods for data analysis were used for classification, including Support Vector Machine (SVM), Naive Bayes (NB), K-Nearest Neighbor (kNN), Artificial Neural Networks (Medium NN, Wide NN, Trilayered NN and Bilayered NN), Logistic Regression (LR), and Decision Tree (DT). The results obtained from this model are presented and analyzed in the following section. The MATLAB Classification Learner application was used for the classification process. To evaluate the success of the classification methods used in the study, accuracy, specificity, F-measure, and AUC criteria were applied. As a result of the analyses, the Medium Neural Network model achieved the highest success with an accuracy rate of 98.81%, specificity of 99.4%, F1-measure of 0.988, and AUC value of 0.996. This finding demonstrates that it provides a strong balance in distinguishing both positive and negative classes and that the reliability of the classification is quite high. Similarly, the Wide Neural Network and Narrow Neural Network models attracted attention with F1-scores of 98.5% and above, showing that complex relationships can be effectively learned by artificial neural networks. Among tree-based methods, Bagged Trees achieved accuracy rates above 98%, proving to be strong alternative methods for mental workload classification. In particular, specificity values above 98% indicate that these models offer high reliability in accurately classifying non mental workload conditions. Similarly, the F1-measure shows that the model performs consistently in terms of both sensitivity and accuracy in classification scenarios involving imbalance. AUC values close to and above 0.99 demonstrate that all models have strong discrimination capabilities under different threshold values and reveal the stability of the system. The acquisition of ECG and PPG signals through modern wearable sensor technologies non-invasively and with high signal fidelity renders these biosignals significantly more viable for daily life applications compared to methods such as EEG, which necessitate scalp contact. This characteristic provides a substantial technological advantage for the integration of the proposed artificial intelligence-supported model into portable and low-power embedded systems. This hardware advantage facilitates a robust infrastructure for the continuous and real-time monitoring of mental workload, extending beyond controlled laboratory settings to include complex real-world environments characterized by noise, motion, and environmental stressors.System resilience is specifically enhanced through multi-signal integration; potential data noise or loss from one source is compensated by the information provided by the other, thereby ensuring the continuity of analysis. The developed system serves as a proactive decision support mechanism, predicting potential errors and burnout resulting from cognitive overload across a diverse user spectrum, ranging from high-risk professionals such as surgeons, air traffic controllers, and heavy industry workers to office personnel.Future research directions involve the comprehensive integration of this model into mobile devices and Internet of Things (IoT) ecosystems via wireless communication protocols. Through such advancements, it is aimed not only to allow individuals to track their mental workload levels but also to empower them to independently manage their mental health through data-driven feedback, establishing the framework for digital health assistants capable of preventing stress-induced chronic illnesses. In conclusion, the proposed system emerges as a sustainable and practical biomedical monitoring solution that enhances individual well-being while optimizing organizational productivity and operational safety.
Benzer Tezler
- Polimerik membranlarda kimyasal ve makromoleküler yapının membranın oksijen ve iyonik geçirgenliğine etkileri
The Dependence of the anygen and ionic permeabilities of some polymeric membranes on their chemical and macromolecular structures
H. YILDIRIM ERBİL
- Electromagnetic scattering properties of dielectric disk and cylinder with applications to ice clouds
Başlık çevirisi yok
MUSTAFA KOCATÜRK
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiDOÇ. DR. SELİM ŞEKER
- Çözücü döküm yöntemi ile poliüretan membran hazırlanması ve biyomedikal uygulamaları
Başlık çevirisi yok
ALİ İHSAN ŞERBETÇİ
Yüksek Lisans
Türkçe
1988
Kimya MühendisliğiHacettepe ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN PİŞKİN
- Artık ekmeklerin biyodönüşüm yoluyla değerlendirilmesi üzerine bir araştırma
A Study on increasing the biological valuse of waste breads through bioconversion
MELİKE TURAN