Sinyal ayrıştırma teknikleri ve derin öğrenme modeli kullanılarak eeg sinyallerinden zihinsel iş yükünün otomatik tespiti

Zihinsel iş yükü, belirli bir süre boyunca bir görevi tamamlamak için gerekli olan zihinsel iş miktarıdır. Zihinsel iş yükünü ölçmek için taşınılabilirliliği, kullanım pratikliği ve sinyal alımının kolaylığı gibi sebeplerle çoğunlukla EEG sinyalleri kullanılmaktadır. Literatürde, zihinsel iş yükünün sınıflandırılmasıyla ilgili farklı özellik çıkarma ve sınıflandırma algoritmaları kullanılarak birçok çalışma yapılmıştır. Fakat yapılan bu çalışmalarda sınırlı başarılara ulaşılmıştır. Bu tez çalışmasında, katılımcılara iki farklı sayının seri olarak çıkartılması aritmetik görevi verilmiştir. Katılımcıların dinlenme ve aritmetik görev verildiği esnasındaki EEG sinyalleri, 23 kanallı ve 500 hz örnekleme frekansına sahip EEG cihazı kullanılarak kaydedilmiştir. Ham EEG sinyallerine DWT ve EMD uygulanarak delta (0-4 hz), teta (4-8 hz), alfa (8-16 hz) ve beta (16-32 hz) bandları elde edilmiştir. Bandlara ait PSD değerleri Welch yöntemi kullanılarak hesaplanmıştır. Her bir banddan gelen güç değerleri birleştirilerek öznitelik vektörleri oluşturulmuştur. DWT+Welch, EMD+Welch ve Welch ile oluşturulan öznitelik vektörlerinin, LSTM derin öğrenmesi algoritması ile SVM ve k-NN makine öğrenmesi algoritmaları kullanılarak sınıflandırma işlemi yapılmıştır. Sınıflandırma sonucunda her sınıflandırıcıya ait performans metrikleri kanallar bazında çizelgeler halinde gösterilmiştir.