Tez No	İndirme	Tez Künye	Durumu
797777		Machine learning techniques for estimation of human tiredness level from brain electrical activity / Yazar:SAAD SHABAN Danışman: PROF. DR. OSMAN NURİ UÇAN Yer Bilgisi: Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Elektroensefalografi = Electroencephalography ; Sınıflandırma = Classification ; Öznitelik = Feature extraction	Onaylandı Doktora İngilizce 2023 92 s.
Elektroensefalografi (EEG) sinyalleri, son yıllarda nörobilimin önemli alanı gibi farklı kapsamlar için çeşitli beyin aktivitelerini araştırmak için kullanılmaktadır. Sporla ilgili çok sayıda çalışma dosyalanmış olsa da, bunların çok azı akut egzersiz yaptıktan sonra vücudun hayati belirtilerinde meydana gelen değişiklikleri incelemeye adanmıştır. Önemli vücut belirtilerinden biri de kandaki laktat enziminin yükselmesine neden olan yorgunluk halidir. Çalışmamız tarafından, farklı enzim seviyeleri arasında ayrım yapıp yapamayacağını görmek için tahmin edilebilecek bir yorgunluk işareti olarak kullanılmıştır. Ham EEG sinyallerine, gürültü ve artefaktlarla oldukça kirlenmiş olduklarından, onları temizlemek ve gürültüsüz veri elde etmek için sinyal ön işleme teknikleri uygulandı. Çalışmamız, iki özelliği ayıklayan ve vücut yorgunluk seviyelerini yansıtan laktat seviyeleri arasında ayrım yapmak için bunları sınıflandırıcılara aktaran bir sistem şeması sunuyor. İlk olarak, doğrusal Bant Gücü (BP) ve ikinci olarak kullanılan EEG sinyallerinin Örnek Entropisinin (SaEn) yakınlık ölçüsü. Çeşitli sınıflandırma modelleri, sınıflandırmak için önceki aşamadaki verileri kabul eder. Sınıflandırma görevi 2 adımda gerçekleşti, ilk sadece 2 sınıf, az yorulma ve çok yorulma tartışıldı, ikinci adımda ise farklı laktat enzimini yansıtan az yorulma, orta yorulma ve çok yorulma olmak üzere 3 sınıf ele alındı. düşük, orta veya yüksek seviyeler. İstirahat durumundaki bir grup elit sınıf sporcudan alınan 16 beyin elektrotundan özel bir toplama cihazı tarafından toplanan veriler. Akut aerobik egzersiz müsabakası öncesi ve sonrası olmak üzere iki seanslık veri kayıtları incelenmiştir. Sınıflandırma sonuçları, egzersizden önce ve sonra alınan kan laktat ölçümlerine göre doğrulanmıştır. Bunun Sonuçlar bölümünde sunulan bulgular, sistemimizin yüksek tahmin puanları elde ettiğini ve laktat enzimi seviyelerini invazif olmayan bir şekilde araştırmak için umut verici bir araç sağladığını ortaya koyuyor; bu yeni ve bilgimiz dahilinde daha önce çalışılmamış. Bulgular, Beyin-Bilgisayar Arayüzü (BCI), Nesnelerin İnterneti (IoT) uygulamaları, biyotıp ve diğer alanlarda, özellikle doğru tahmin oranının çok önemli olduğu ve uygulama verimliliğini etkilediği durumlarda çevrimdışı veya çevrimiçi olarak kullanılabilir.
Electroencephalography (EEG) signals have been used in the recent years to investigate various brain activities for different scopes, like the important field of neuroscience. While a good number of studies concerned to the sports filed, minority of them were dedicated to study the changes encountered to the body vital signs happening after performing acute exercise. One of the important body signs is the fatigue state that derives the increase of lactate enzyme in the blood. It was employed by our study as a fatigue sign that may be predicted to see if it can discriminate between different enzyme levels. Signal pre-processing techniques were applied to the raw EEG signals, as they are highly contaminated with noises and artefacts, to clean them and get noise-free data. Our work offers a system scheme that extracts two features and passes them to classifiers to discriminate between lactate levels reflecting body tiredness levels. Firstly, the linear Band Power (BP), and secondly the proximity measure of Sample Entropy (SaEn) of EEG signals used. Variety of classification models accepts data from the previous stage to classify them. Classification task happened in 2 steps, in the first only 2 classes, low-tired and high-tired were discussed, whereas the second step discussed 3 classes, low-tired, moderate-tired, and high-tired, that reflects different lactate enzyme levels low, mid, or high. Data collected by a specialised acquisition device from 16 brain electrodes from a group of elite class athletes in a resting state condition. Two sessions of data recordings were studied, before and after performing acute aerobic exercise bout. Classification results were validated against blood lactate measurements taken before and after the exercise. Findings were presented in the Results chapter of this reveal that our system achieved high prediction scores and provides a promising tool to investigate levels of lactate enzyme non-invasively, which is novel and hadn't been studied before for the best of our knowledge. Findings may be employed in fields like Brain-Computer Interface (BCI), applications of Internet of Things (IoT), biomedicine and other fields, off-line or on-line especially when true prediction rate is crucial and affect the application efficiency.