EEG verileriyle zihinsel kapasitenin açıklanabilir makine öğrenmesi tabanlı modellenmesi

Abstract

Beyin kaynaklı bilişsel ve duyuşsal durumların EEG verileri kullanılarak güvenilir biçimde belirlenmesi hem nörobilimsel araştırmalar hem de karar destek uygulamaları açısından önem taşımaktadır. Bu tezin amacı, zihinsel performans ve depremle ilişkili stres durumlarının EEG sinyallerinden yüksek doğrulukla sınıflandırılması ve elde edilen kararların lob düzeyinde yorumlanabilir hâle getirilmesidir. Çalışmanın temel varsayımı, çok kanallı EEG sinyallerinde sınıf ayrımına katkı sağlayan uzamsal ve zamansal örüntülerin bulunduğu ve bu örüntülerin açıklanabilir özellik mühendisliği yaklaşımlarıyla temsil edilebileceğidir. Ayrıca seçilen özelliklerin lob düzeyinde sembolik karşılıklara dönüştürülmesinin karar sürecini daha anlaşılır kılacağı öngörülmüştür. Tezde iki EEG veri seti kullanılmıştır. Zihinsel performans veri seti 55 katılımcıdan elde edilen 3949 adet 15 saniyelik 32 kanallı EEG segmentinden, stres veri seti ise 310 katılımcıdan elde edilen 3667 adet 15 saniyelik 14 kanallı EEG segmentinden oluşmaktadır. Yöntemsel olarak CubicPat ve MountPat özellik çıkarım yaklaşımları uygulanmış; seçilen özellikler CWINCA ile belirlenmiş, sınıflandırma tkNN ile yapılmış ve DLob ile lob düzeyinde açıklanabilirlik sağlanmıştır. CubicPat, zihinsel performans veri setinde 10-katlı çapraz doğrulamada %99,70, LOSO değerlendirmesinde %87,79 doğruluk; stres veri setinde sırasıyla %96,29 ve %76,17 doğruluk elde etmiştir. MountPat ise zihinsel performans veri setinde %100,00 ve %86,62; stres veri setinde %99,97 ve %76,36 doğruluk üretmiştir. DLob analizleri, zihinsel performans için daha dağıtık ve çok bölgeli, stres için ise daha frontal eksende yoğunlaşan sembolik örüntüler göstermiştir. Sonuç olarak tez, EEG tabanlı sınıflandırmada yüksek ayırt edicilik ile açıklanabilirliği birlikte ele alan hafif ve yorumlanabilir bir analiz çerçevesi sunmaktadır.

Reliable identification of cognitive and affective states from EEG data is important for both neuroscientific research and decision-support applications. The aim of this thesis is to classify mental performance and earthquake-related stress states from EEG signals with high accuracy and to make the resulting decisions interpretable at the lobe level. The main assumption of the study is that multichannel EEG signals contain spatial and temporal patterns that contribute to class discrimination and that these patterns can be represented by explainable feature engineering approaches. Transforming selected features into lobe-level symbolic representations was expected to make the decision process more interpretable. Two EEG datasets were used in the thesis. The mental performance dataset consists of 3,949 fifteen-second, 32-channel EEG segments obtained from 55 participants, whereas the stress dataset consists of 3,667 fifteen-second, 14-channel EEG segments obtained from 310 participants. Methodologically, CubicPat and MountPat feature extraction approaches were applied; selected features were determined using CWINCA, classification was performed with tkNN, and DLob provided lobe-level explainability. CubicPat achieved 99.70% accuracy in 10-fold cross-validation and 87.79% accuracy in LOSO evaluation on the mental performance dataset; the corresponding values for the stress dataset were 96.29% and 76.17%. MountPat produced 100.00% and 86.62% accuracy on the mental performance dataset, and 99.97% and 76.36% accuracy on the stress dataset. DLob analyses showed more distributed and multi-regional symbolic patterns for mental performance, whereas stress-related patterns were more concentrated along the frontal axis. As a result, this thesis proposes a lightweight, traceable, and interpretable analysis framework that jointly addresses high discriminative performance, subject-independent evaluation, and lobe-level explainability in EEG-based classification.