Yüksek Lisans Adayı: Volkan Doğan
EABD: Bilişsel Bilimler
Tarih: 06.09.2023
Yer: MODSIMMER Toplantı Odası
Özet: Electroensefalografi (EEG) sinyalleri, bilişsel süreçleri incelemek için invaziv olmayan bir yöntem sağlar. Bu çalışma, derin öğrenme modelleri kullanılarak EEG sinyallerinin dalgacık (wavelet) dönüşüm görüntülerine dayalı olarak Çoklu Özellik Görev Bataryası (MATB) görev zorluklarını sınıflandırmayı amaçlamıştır. MATB görevlerinin değişen zorluklarını gerçekleştiren 29 denekten toplanan EEG verileri, Hinss ve ark. (2023) tarafından toplanmış ve dalgacık görüntülerine dönüştürülmüştür. EfficientNet-B0, ResNet18 ve ResNet50 olmak üzere üç derin öğrenme modeli, bu görüntüler üzerinde, önceden eğitilmiş ve eğitilmemiş modeller ile farklı optimizasyon algoritmaları kullanılarak eğitildi ve test edildi. Modellerin performansı, genel doğruluk skoru, denek başına doğruluk, EEG bölgesine göre doğruluk ve görev zorluğuna göre doğruluk temel alınarak değerlendirildi. Önceden eğitilmiş EfficientNet-B0 modeli, en yüksek genel doğruluk skorunu (%77.56) elde etti. Ancak, performans, denekler ve görev zorlukları arasında önemli ölçüde değişti, bu da sınırlı genellenebilirlik gösterdi. Modelin doğruluk skoru, orta seviye görevler için daha düşüktü, bu da orta seviye ve diğer zorluk seviyeleri arasında ayrım yapmada zorluk yaşandığını düşündürdü. EEG sinyallerine dayalı olarak MATB görev zorluğunu sınıflandırmada derin öğrenme modelleri yüksek doğruluk skoru elde edebilirken, performansları bireyler ve görev zorlukları arasında değişmektedir. Model genellenebilirliğini iyileştirmek, tüm görev zorluklarına göre performansı optimize etmek ve modelleri daha büyük ve daha çeşitli veri setlerinde doğrulamak için daha fazla araştırma yapılması gerekmektedir.