A real tıme mental stress predıctıon usıng multı-modal sensor data and explaınable aı (XAI)
Çok modlu sensör verileri ve açıklanabilir yapay zeka (XAİ) kullanarak gerçek zamanlı zihinsel stres tahmini
- Tez No: 980290
- Danışmanlar: Prof. Dr. RAFET AKDENİZ, PROF. DR. MHD WASIM RAED
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Hastaneler, Science and Technology, Computer Engineering and Computer Science and Control, Hospitals
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, çok modlu fizyolojik sensör verileri ve Açıklanabilir Yapay Zekâ (XAI) teknikleri kullanılarak gerçek zamanlı zihinsel stres tahminine yönelik kapsamlı bir yaklaşım sunmaktadır. Çalışmada, kontrollü laboratuvar ortamlarında göğüs ve bilekten takılan cihazlarla toplanan fizyolojik kayıtları içeren WESAD (Wearable Stress and Affect Detection) veri seti ile tamamlayıcı fizyolojik ölçümler sağlayan DRYAD veri seti analiz edilmiştir. Model doğruluğunu korurken kaynak kısıtlı giyilebilir cihazlarda verimli çalışabilmesi için sinir ağı budama teknikleri ve niceleme (quantization) uygulanmıştır. Bu çalışmanın temel katkısı, modelin yorumlanabilirliğini artırmak ve stres tespitine en çok katkıda bulunan fizyolojik özelliklere dair içgörü sağlamak amacıyla SHAP (Shapley Additive Explanations) analizinin entegrasyonudur. Elde edilen sonuçlar, yaklaşımımızın yalnızca temel durum, stres ve eğlence durumlarını yüksek doğrulukla ayırt etmekle kalmayıp aynı zamanda model tahminleri için şeffaf açıklamalar sunduğunu da göstermektedir. SHAP rehberliğinde budanmış Yapay Sinir Ağı (YSA) modeli, üç sınıflı sınıflandırma görevinde %96,27 test doğruluğu ve %96,29 ağırlıklı F1 skoru elde ederek güçlü bir tahmin yeteneği sergilemiştir. Budama stratejisi son derece etkili olmuş, birinci ve ikinci yoğun katmanlarda sırasıyla %57,14 ve %50,02 seyrekleşme sağlamıştır. Bu araştırma, etkili gerçek zamanlı stres tespitini model optimizasyon teknikleri ve açıklanabilir yapay zekâ yöntemleriyle birleştirerek teknolojiyi daha güvenilir ve gerçek dünya senaryolarına uygulanabilir hale getirmektedir.
Özet (Çeviri)
This thesis presents a broad approach to real-time mental stress prediction using multi-modal physiological sensor data and Explainable Artificial Intelligence (XAI) techniques. We analyze data from two distinct datasets: the WESAD (Wearable Stress and Affect Detection) dataset, which includes physiological recordings from chest and wrist-worn devices in controlled laboratory settings, and the DRYAD dataset, which provides complementary physiological measurements. We implement neural network pruning techniques and quantization to optimize model efficiency for resource-constrained wearable devices while maintaining prediction accuracy. The key contribution of this work is the integration of SHAP (Shapley Additive explanations) analysis to improve the model interpretability, while provide an insight into which physiological features contribute most significantly to stress detection. The results demonstrate that our approach not only achieves high accuracy in distinguishing between baseline, stress, and amusement states but also offers transparent explanations for model predictions, which is crucial for applications in healthcare and well-being monitoring. The SHAP-guided pruned ANN model demonstrated remarkable performance, achieving a test accuracy of 96.27% and a weighted F1 score of 96.29%, underscoring its robust predictive capability in the three-class classification task despite significant parameter reductions. The pruning strategy proved highly effective, attaining sparsity levels of 57.14% and 50.02% in the first and second dense layers. This research advances the field of affective computing by combining effective real-time stress detection with model optimization techniques and explainable AI methods, making the technology more trustworthy and applicable in real-world scenarios.
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
- Sıcak metal şekillendirmede proses kaynaklı kusurların proses performansına etkisinin deneysel ve sayısal olarak incelenmesi
Experimental and numerical investigation of the effect of process-induced defects on process performance in hot metal forming
ALİ CEM GÖÇER
Yüksek Lisans
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KIRCA
- Al-Sic metal matrisli karma malzemelerinin deformasyon davranışının sonlu elemanlar yöntemi ile parametrik analizi
Başlık çevirisi yok
ŞAFAK YILMAZ
- Alüminyum 6061 T651 alaşımının delme işleminde kesme parametrelerinin optimizasyonu
Optimization of cutting parameters during drilling ofaluminum 6061 T651 alloy
TEVFİK KÜRŞAD KUZUCU
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiSakarya ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT ÖZSOY
- Isı şoku protein genlerinin (HSP) bazı populus taksonlarında fonksiyonel genom analizi ve abiyotik stres koşullarında HSP genlerinin ifade seviyelerinin belirlenmesi
Genome-wide survey of heat shock proteins (HSP) and expression analysis of HSP genes under abiotic stress conditions in some populus taxons
ESRA NURTEN YER
Doktora
Türkçe
2017
Ormancılık ve Orman MühendisliğiKastamonu ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. SEZGİN AYAN
DOÇ. DR. MEHMET CENGİZ BALOĞLU