Elektroensefalografi (EEG) sinyali kullanılarak yapay zeka tabanlı duygu kestirimi

Duyguların nörolojik temellerini anlamak ve tanımlamak, insan-makine etkileşimi alanında her geçen gün artan bir öneme sahiptir. Bu bağlamda EEG (Elektroensefalografi), duygusal durumları analiz etmek için yüksek zamansal çözünürlüklü bir yöntem olarak dikkat çekmektedir ve Yapay Zekâ yöntemlerinin çeşitlenmesiyle birlikte yapılan çalışmalar hız kazanmıştır. EEG sinyalleri, beynin elektriksel aktivitelerini ölçerek duygusal ve zihinsel durumları objektif bir şekilde değerlendirme imkânı sunar. Ancak EEG sinyallerinin karmaşıklığı ve dış etkenlerden kolayca etkilenmesi nedeniyle doğru ve tutarlı analiz methodlarına ihtiyaç vardır. Bu çalışmada, SEED EEG veri seti kullanılarak EEG tabanlı duygu tanıma için Ensemble Bagged Trees modeli önerilmiştir. SEED veri seti, 15 sağlıklı katılımcının 62 kanallı EEG sinyallerini içermektedir. Katılımcılara çeşitli duygusal tepkileri tetiklemek amacıyla belirli film klipleri izletilmiş ve bu sırada EEG verileri 1000 Hz örnekleme hızında kaydedilmiştir. Verilerin ön işleme sürecinde, EEG sinyalleri filtrelenmiş, örnekleme hızı 200 Hz'e düşürülmüş ve artefaktlar (örneğin, göz kırpma ve kas hareketleri) giderilmiştir. Bu işlemler, sinyal/gürültü oranını artırarak, verilerin daha doğru ve güvenilir analiz edilmesini sağlamıştır. Özellik çıkarma aşamasında, EEG verileri delta, teta, alfa, beta ve gama olarak temel frekans bantlarına ayrılmıştır. Her bir bant için zaman domeni ve istatistiksel özellikler hesaplanmış ve bu özellikler, duygu tanıma modellerinin eğitiminde kullanılmıştır. Özellikle otokorelasyon ve toplam harmonik bozulma gibi zaman serisi özellikleri de hesaplanarak sinyalin zaman içindeki bağımlılıkları ve harmonik bileşenleri analiz edilmiştir. Özellik sıralaması için Spearman korelasyon katsayısı kullanılmış, bu sayede en anlamlı özellikler belirlenmiştir. Sınıflandırma aşamasında, iki farklı yöntem izlenmiştir. İlk sınıflama işleminde, tüm frekans bantlarından çıkarılan özellikler kullanılarak genel bir duygu durumu kestirimi yapılmıştır. İkinci işlemde ise her bir frekans bandı ayrı ayrı değerlendirilerek tek bir frekans bandı ile duygu kestiriminin nasıl olacağı araştırılmıştır. Bu yaklaşım, belirli frekans bantlarının belirli duyguların tespitinde daha etkili olabileceğini göstermiştir. Özellikle, farklı bantların etkinlikleri karşılaştırıldığında, Beta bandı korku (%91.40) ve mutluluk (%84.30) sınıflarında yüksek doğruluk oranları sağlamıştır. Buna karşılık, Delta bandı tüm sınıflar için en düşük doğruluk oranlarını sunmuştur, bu da düşük frekanslı bantların duygu tespitinde sınırlı katkı sağlayabileceğini göstermektedir. Elde edilen sonuçlar, Ensemble Bagged Trees modelinin genel doğruluk oranını %94.4 olarak göstermiştir. Model, nötr durum için %96.94 doğruluk oranına ulaşmış, üzüntü sınıfında %97.78 ve korku sınıfında %97.13 doğruluk oranları elde edilmiştir. Mutluluk sınıfında ise doğruluk oranı %97.04 olarak hesaplanmıştır. Tüm frekans bantlarının bir arada kullanılması, genel olarak en yüksek doğruluk oranını sunmuş, bu da frekans bantlarının kombinasyonunun model performansını artırmada etkili olduğunu göstermektedir. Elde edilen bulgular, EEG tabanlı duygu tanıma sistemlerinin, insan-makine etkileşimi, psikolojik araştırmalar ve pazarlama stratejileri gibi çeşitli alanlarda geniş uygulama potansiyeline sahip olduğunu göstermektedir. Bu çalışma, EEG verilerinin duygu tanıma ve analizinde etkili bir şekilde kullanılabileceğini kanıtlayarak, gelecekteki araştırmalar ve uygulamalar için önemli katkılar sunmaktadır.