Cross-session EEG-based mental workload classification using graph neural networks for reproducible brain-computer interface applications
Çapraz oturumlarda EEG tabanlı zihinsel iş yükü sınıflandırması için grafik sinir ağlarının kullanımı: Tekrarlanabilir beyin-bilgisayar arayüzü uygulamaları
- Tez No: 911485
- Danışmanlar: PROF. DR. TUĞBA TAŞKAYA TEMİZEL, PROF. DR. ANNE-MARİE BROUWER
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Science and Technology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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.
Özet (Çeviri)
Human mental workload refers to the portion of an operator's cognitive capacity used during a task. Performance of an operator may deteriorate if resource requirements of a task is higher than the available capability. Effective workload measurement is critical for tasks requiring sustained focus, such as in aviation, driving, and command-control environments. Identifying mental workload fluctuations can help reduce errors and improve user performance by alerting operators when cognitive load exceeds safe thresholds. Additionally, understanding mental workload informs the design of human-computer interaction systems and brain-computer interfaces. The main objective of this thesis is to develop a reproducible methodology for classifying mental workload using EEG signals collected across multiple sessions. To achieve this, the current state of EEG mental workload classification studies is assessed and guidelines for reproducible and generalizable research in this domain are constructed. The employed methodology for mental workload classification leverages graph neural networks to model the dependencies between EEG channels. Furthermore, the use of optimal transport to address cross-session variability, a significant challenge in EEG-based classification, is investigated. Subject-specific evaluations using diverse metrics enable a comprehensive analysis of model performance. The outcome of this research will contribute to more robust and generalizable mental workload classification methods for BCI and other applications.
Benzer Tezler
- Biyomedikal sinyaller ile yapay zeka tabanlı zihinsel iş yükünün belirlenmesi
Detection of mental workload using biomedical signals and artificial intelligence
OĞUZHAN HASAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- 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
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN GÜNDÜZ
- EEG tabanlı bilişsel iş yükü ve yorgunluk tespiti ile beyin-bilgisayar arayüzü performansının değerlendirilmesi
EEG-based detection of cognitive workload and fatigue and evaluation of brain-computer interface performance
HASAN KILIÇKAYA
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR ERDEM KORKMAZ
DR. ÖĞR. ÜYESİ TOLGA TURAY
- Biyomedikal sinyaller üzerinden makine öğrenmesi modelleri ile biyometrik kişi tanıma
Biometric person recognition with machine learning models based on biomedical signals
BEYZA ERASLAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBandırma Onyedi Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KUTLUCAN GÖRÜR
- Human emotion recognition using EEG signals
EEG sinyalleri kullanılarak insan duygu durumunun tespit edilmesi
SAMAD BARRI KHOJASTEH
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK