Kaotik sinir ağları ile EEG analizi
EEG analysis with chaotic neural networks
- Tez No: 1019628
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHİTTİN BAYRAM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: EEG, Zihinsel yorgunluk, Mental fatigue
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Zihinsel yorgunluk ve uyku gibi bilişsel durumların erken tespiti, özellikle sürücü güvenliği, sanayi iş güvenliği ve insan-makine etkileşim sistemleri gibi kritik alanlarda hayati öneme sahiptir. Elektroensefalografi (EEG), bu tür durumların izlenmesinde yaygın olarak kullanılan nörofizyolojik bir araçtır. Bu çalışmada, zihinsel yorgunluk ile uyanıklık durumlarının EEG sinyallerinden otomatik olarak ayırt edilmesi amacıyla üç farklı sinir ağı yaklaşımı geliştirilmiş ve karşılaştırmalı olarak değerlendirilmiştir. Analizler için açık kaynaklı bir sürüş simülasyonu EEG veri seti kullanılmıştır. Veri seti, 27 katılımcıdan toplanan 32-kanallı EEG kayıtlarını içermekte olup, çalışmada frontal (F3, F4), santral (Cz), parietal (Pz) ve oksipital (O1, O2) bölgeleri temsil eden altı kanal seçilmiştir. Kalite kontrol aşamasında, Çeyrekler Arası Açıklık (IQR) yöntemiyle gürültülü ve pasif denemeler elenmiş; toplamda 1860 örnekten 1838'i eğitim, 22'si ise dış test kümesi olarak ayrılmıştır. Test verileri, model eğitimi sırasında hiçbir şekilde kullanılmamış ve yalnızca son değerlendirme aşamasında sisteme sunulmuştur. Çalışmada üç model mimarisi incelenmiştir: Basit Çok Katmanlı Algılayıcı (MLP), Öznitelikli MLP, Kaotik Rezervuar Hesaplama. Elde edilen sonuçlar, kullanılan yaklaşımın sınıflandırma başarısını önemli ölçüde etkilediğini göstermektedir. Basit MLP, zaman bilgisini kaybetmesi ve aşırı ezberleme eğilimi nedeniyle %72,73 test doğruluğu elde edebilmiştir. Öznitelikli MLP, domain bilgisine dayalı öznitelik çıkarımı sayesinde bu değeri %90,91'e yükseltmiştir. En yüksek performans ise Kaotik Rezervuar Hesaplama modelinde gözlemlenmiş ve %100 test doğruluğu sağlanmıştır. Bu sonuç, EEG sinyallerinin doğasında var olan kaotik ve zamansal dinamiklerin, özellikle rezervuar hesaplama çerçevesiyle etkin şekilde modellenebildiğini ortaya koymaktadır. Ayrıca, yanlış sınıflandırma örnekleri üzerinden yapılan görsel analizler, kaotik rezervuarın sadece sayısal çıktı değil, aynı zamanda dinamik sistem davranışları aracılığıyla karar verdiğini göstermiştir. Rezervuar nöron aktivasyonlarının sınıf bazlı ortalamalarla tutarlılığı, modelin genelleme yeteneğinin yüksek olduğunu desteklemektedir.
Özet (Çeviri)
Early detection of cognitive states such as mental fatigue and sleepiness is vital in critical areas, particularly in driver safety, industrial safety, and human-machine interaction systems. Electroencephalography (EEG) is a widely used neurophysiological tool for monitoring such states. In this study, three different neural network approaches were developed and comparatively evaluated to automatically distinguish between mental fatigue and wakefulness from EEG signals. An open-source driving simulation EEG dataset was used for the analyses. The dataset includes 32-channel EEG recordings collected from 27 participants, with six channels selected to represent the frontal (F3, F4), central (Cz), parietal (Pz), and occipital (O1, O2) regions. In the quality control phase, noisy and passive trials were eliminated using the Interquartile Range (IQR) method; out of a total of 1860 samples, 1838 were allocated as training and 22 as external testing sets. Test data was not used at all during model training and was only submitted to the system during the final evaluation phase. Three model architectures were examined in this study: Simple Multilayer Perceptron (MLP), Feature-Enabled MLP, and Chaotic Reservoir Compute. The results show that the approach used significantly affects the classification success. Simple MLP achieved a test accuracy of 72.73% due to its tendency to lose temporal information and over-memorize. Feature-Enabled MLP increased this value to 90.91% thanks to feature extraction based on domain information. The highest performance was observed in the Chaotic Reservoir Compute model, achieving 100% test accuracy. This result reveals that the chaotic and temporal dynamics inherent in EEG signals can be effectively modeled, especially with the reservoir compute framework. Furthermore, visual analyses performed on examples of misclassification showed that the chaotic reservoir makes decisions not only through numerical output but also through dynamic system behaviors. The consistency of reservoir neuron activations with class-based averages supports the high generalization ability of the model.
Benzer Tezler
- Korteks davranışının vuru üreten hücre modeli ile incelenmesi
Analysis of cortex behavior by a spiking neuron model
YUSUF KUYUMCU
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. NESLİHAN SERAP ŞENGÖR
- Brecht ve Dürrenmatt'da bilim adamı sorumluluğu
Başlık çevirisi yok
SEMA KISAR
Yüksek Lisans
Türkçe
1988
Alman Dili ve Edebiyatıİstanbul ÜniversitesiAlman Dili ve Edebiyatı Ana Bilim Dalı
PROF. DR. NİLÜFER KURUYAZICI
- Büyük Menderes grabeni Sultanhisar-Kuyucak (Aydın) arasının jeotekniği
Başlık çevirisi yok
HASAN SÖZBİLİR
- Skizofrenik hastalarda görülen akinetik ve post psikotik depresyonlar ve tedavi yaklaşımları
Başlık çevirisi yok
HÜMEYRA PINAR
- Chaotic dynamic analysis of a vehicle model over road irregularities
Başlık çevirisi yok
LEVENT İLERİ
Yüksek Lisans
İngilizce
1990
Mühendislik BilimleriOrta Doğu Teknik ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. ENGİN KARAESMEN