@article{article_1254487, title={Ayrık Dalgacık Dönüşümü ve Welch Yöntemini Kullanarak EEG Sinyallerinden Zihinsel İş Yükünün Derin Öğrenme ile Tespiti}, journal={Avrupa Bilim ve Teknoloji Dergisi}, pages={134–139}, year={2024}, author={Ay, Hüseyin Can and Çetin, Osman and Kitiş, Şükrü}, keywords={Ayrık Dalgacık Dönüşümü, Zihinsel İş Yükü, Derin Öğrenme, Welch Yöntemi}, abstract={Zihinsel iş yükünü ölçmek için taşınılabilirliliği, kullanım pratikliği ve sinyal alımının kolaylığı gibi sebeplerle çoğunlukla Elektroensefalogram (EEG) sinyalleri kullanılmaktadır. EEG sinyallerinden özellik çıkartmak ve sınıflandırmak önemli bir konudur. Bu çalışmada, EEG sinyallerinin güç spektral yoğunluğu değerleriyle oluşturulan özniteliklerin, derin öğrenme ve makine öğrenmesi yöntemleriyle sınıflandırılması yapılmıştır. Derin öğrenme algoritmasıyla elde edilen sonuçların, klasik makine öğrenmesi algoritmalarına göre üstün olduğu gösterilmiştir. Öncelikle, katılımcılara matematiksel olarak iki farklı sayının birbirinden çıkartılması gibi aritmetik görevler verilmiştir. Katılımcıların dinlenme durumlarındaki ve aritmetik görev verildiği esnasındaki EEG sinyalleri kaydedilmiştir. EEG sinyallerine ayrık dalgacık dönüşümü (DWT) uygulanarak alt bandlar elde edilmiştir. Bandlara ait güç değerleri Welch yöntemiyle hesaplanmıştır. Her bir banddan gelen güç değerleri birleştirilerek öznitelik vektörleri oluşturulmuştur. Bu öznitelik vektörlerinin, uzun kısa dönem hafıza (LSTM) derin öğrenme algoritması ile destek vektör makinesi (SVM), doğrusal diskriminant analizi (LDA), k en Yakın Komşuluk (k-NN) gibi farklı makine öğrenmesi algoritmaları kullanılarak sınıflandırma işlemi yapılmıştır. Sınıflandırma sonucunda, her bir kanal için hesaplanan doğruluk, duyarlılık, özgüllük, F1 skoru ve kesinlik gibi performans metriklerinin ortalaması alınmıştır ve tablo halinde sınıflandırma algoritmalarının üstünlükleri karşılaştırılmıştır.}, number={53}, publisher={Osman SAĞDIÇ}