DERİN ÖĞRENME ALGORİTMALARI KULLANILARAK EEG SİNYALLERİNDEN YALAN TESPİTİ

Abstract

Elektroensefalografi (EEG) sinyallerinin derin öğrenme algoritmalarıyla sınıflandırılması sonucunda insanlarla ilgili çeşitli bilgiler edinilmekte ve insan hayatını kolaylaştıracak geliştirmeler yapılmaktadır. EEG, beyin dalgalarını izleyerek beynin fizyolojik ve fonksiyonel detaylarını ve aktivitelerini anlamaya yardımcı olması için beyinde meydana gelen nöral aktiviteleri kapsayan bir yöntemdir. Bu çalışma, EEG sinyallerinin toplanmasını, sinyal işleme teknikleriyle işlenmesini ve derin öğrenme algoritmaları kullanılarak sınıflandırılmasını içerir ve insanların söylediklerinin yalan mı yoksa doğru mu olduğunu tespit etmeyi amaçlar. Bu çalışmanın geliştirilmesiyle, yalan tespiti için kullanılan birçok yönteme göre daha sağlıklı sonuçlar elde edilmesi planlanmaktadır. Derin öğrenme algoritmalarıyla EEG sinyalleri sınıflandırılarak insanların söylediklerinin doğru mu yoksa yalan mı olduğu tespit edilebilir. Sorgulamalar sırasında veya adli bir olayda suçlu veya suçsuz kişilere yöneltilen sorulara yanıt verirken, bu kişilerin EEG sinyalleri kaydedilebilir. Bir kişinin yalan veya doğru söylediğinin tespiti, kişiden alınan EEG sinyallerinin derin öğrenme algoritmalarıyla eğitilmiş bir modelle test edilmesi yoluyla gerçekleştirilebilir. Bu tez kapsamında EEG verileri toplanmış ve LieWaves adında bir EEG yalan veri seti oluşturulmuştur. EEG sinyallerinden artefaktları çıkarmak için ön işleme aşamasında filtreleme, Bağımsız Bileşen Analizi (BBA), Artefakt Altuzay Yeniden İnşası (AAYİ) ve Otomatik ve Ayarlanabilir Artefaktları Kaldırma (OAAK) algoritmaları uygulanmıştır. EEG sinyallerinden özellik çıkarımı için Ayrık Dalgacık Dönüşümü (ADD) ve Hızlı Fourier Dönüşümü (HFD) yöntemleri İstatistiksel Yöntemler (İY) ile birlikte kullanılmıştır. Elde edilen her özellik vektörü Evrişimli Sinir Ağı (ESA), Uzun Kısa Süreli Bellek (UKSB) ve ESAUKSB derin öğrenme algoritmalarıyla sınıflandırılmıştır. OAAK + ADD + UKSB yöntemleri kullanılarak yapılan analizlerde %99,88 doğruluk oranı en iyi performansı göstermiştir. Bu çalışmada kullanılan yöntemler, LieWaves veri seti üzerinde ilk kez uygulanmıştır. Bilindiği kadarıyla, benzer çalışmalarda ön işleme aşamasında AAYİ ve OAAK yöntemleri, sınıflandırma aşamasında ise ESAUKSB modeli ilk defa bu çalışmada kullanılmıştır. Elde edilen sonuçlar, bu yöntemlerin ne kadar başarılı olduğunu göstermektedir.

Deep learning algorithms are being used to classify electroencephalography (EEG) signals, resulting in the acquisition of various information about humans and the development of advancements that can improve human life. EEG is a method that monitors brain waves to understand the physiological and functional details and activities of the brain, encompassing neural activities occurring in the brain. This study involves the collection of EEG signals, their processing using signal processing techniques, and their classification using deep learning algorithms, with the aim of determining whether individuals' statements are true or false. The development of this study aims to achieve more reliable results compared to many existing methods used for lying detection. By classifying EEG signals using deep learning algorithms, it is possible to determine whether individuals' statements are true or false. During interrogations or in legal cases, EEG signals can be recorded while questioning guilty or innocent individuals. The detection of whether a person is lying or telling the truth can be accomplished by evaluating the EEG signals obtained from individuals using a trained model based on deep learning algorithms. In the scope of this thesis, EEG data has been collected, and a unique dataset called LieWaves, consisting of EEG lie data, has been created. Pre-processing techniques such as filtering, Independent Component Analysis (ICA), Artifact Subspace Reconstruction (ASR), and Automatic and Tunable Artifact Removal (ATAR) algorithms have been applied to remove artifacts from EEG signals. Feature extraction from EEG signals has been performed using Discrete Wavelet Transform (DWT) and Fast Fourier Transform (FFT) methods along with Statistical Methods (SM). Each feature vector obtained has been classified using Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and CNNLSTM deep learning algorithms. In the analyses conducted using the ATAR + DWT + LSTM methods, the best performance was achieved with an accuracy rate of 99.88%. The methods used in this study are novel and applied for the first time on the LieWaves dataset. To the best of our knowledge, similar studies have not utilized ASR and ATAR methods in the pre-processing stage, and the CNNLSTM model has not been used in the classification stage. The results obtained demonstrate the success of these methods.