Machine learning techniques for estimation of human tiredness level from brain electrical activity

Elektroensefalografi (EEG) sinyalleri, son yıllarda nörobilimin önemli alanı gibi farklı kapsamlar için çeşitli beyin aktivitelerini araştırmak için kullanılmaktadır. Sporla ilgili çok sayıda çalışma dosyalanmış olsa da, bunların çok azı akut egzersiz yaptıktan sonra vücudun hayati belirtilerinde meydana gelen değişiklikleri incelemeye adanmıştır. Önemli vücut belirtilerinden biri de kandaki laktat enziminin yükselmesine neden olan yorgunluk halidir. Çalışmamız tarafından, farklı enzim seviyeleri arasında ayrım yapıp yapamayacağını görmek için tahmin edilebilecek bir yorgunluk işareti olarak kullanılmıştır. Ham EEG sinyallerine, gürültü ve artefaktlarla oldukça kirlenmiş olduklarından, onları temizlemek ve gürültüsüz veri elde etmek için sinyal ön işleme teknikleri uygulandı. Çalışmamız, iki özelliği ayıklayan ve vücut yorgunluk seviyelerini yansıtan laktat seviyeleri arasında ayrım yapmak için bunları sınıflandırıcılara aktaran bir sistem şeması sunuyor. İlk olarak, doğrusal Bant Gücü (BP) ve ikinci olarak kullanılan EEG sinyallerinin Örnek Entropisinin (SaEn) yakınlık ölçüsü. Çeşitli sınıflandırma modelleri, sınıflandırmak için önceki aşamadaki verileri kabul eder. Sınıflandırma görevi 2 adımda gerçekleşti, ilk sadece 2 sınıf, az yorulma ve çok yorulma tartışıldı, ikinci adımda ise farklı laktat enzimini yansıtan az yorulma, orta yorulma ve çok yorulma olmak üzere 3 sınıf ele alındı. düşük, orta veya yüksek seviyeler. İstirahat durumundaki bir grup elit sınıf sporcudan alınan 16 beyin elektrotundan özel bir toplama cihazı tarafından toplanan veriler. Akut aerobik egzersiz müsabakası öncesi ve sonrası olmak üzere iki seanslık veri kayıtları incelenmiştir. Sınıflandırma sonuçları, egzersizden önce ve sonra alınan kan laktat ölçümlerine göre doğrulanmıştır. Bunun Sonuçlar bölümünde sunulan bulgular, sistemimizin yüksek tahmin puanları elde ettiğini ve laktat enzimi seviyelerini invazif olmayan bir şekilde araştırmak için umut verici bir araç sağladığını ortaya koyuyor; bu yeni ve bilgimiz dahilinde daha önce çalışılmamış. Bulgular, Beyin-Bilgisayar Arayüzü (BCI), Nesnelerin İnterneti (IoT) uygulamaları, biyotıp ve diğer alanlarda, özellikle doğru tahmin oranının çok önemli olduğu ve uygulama verimliliğini etkilediği durumlarda çevrimdışı veya çevrimiçi olarak kullanılabilir.