Zihinsel Yorgunluk Bulgularının Fizyolojik Sinyallere Dayalı Analizi

Abstract

Zihinsel yorgunluk uzun süreli bilişsel performansa dayalı ortaya çıkan psikofizyolojik bir durumdur. İş ve insan sağlığı açısından zararlı etkileri de olan zihinsel yorgunluk oluştuğu anda karar verebilme, seçim yapabilme, çözüm sunabilme, algılayabilme vb. bilişsel becerilerde azalma olur. Günlük yaşam kalitesini düşüren zihinsel yorgunluğun tanımlanması ve erken tespiti günümüz teknolojisiyle mümkündür. Bu erken tespit ile yorgunluğa dayalı ortaya çıkan zihinsel performans ve motivasyon düşüklüğü, konsantre olamama, reflekslerde azalma gibi olumsuz etkiler azaltılabilir. Bu çalışmada derin ve transfer öğrenme yaklaşımları ile zihinsel yorgunluk bulgularının tanımlanması için fizyolojik sinyallerin kullanımının ve uygulanabilirliğinin analizi yapılmıştır. Ayrıca kişilerin demografik bilgilerinin zihinsel yorgunluğu oluşturmadaki etkilerine bakılmıştır. Yaş ortalaması 29 olan 4 farklı meslek grubundan aktif çalışan 23 katılımcı belirlenmiştir. Katılımcıların rutin iş düzenlerine devam ettikleri esnada sabah ve akşam ayrı ayrı olmak üzere EEG, BVP, EDA, HR, TEMP, ACC fizyolojik sinyalleri kaydedilmiştir. Bu sinyalleri seçmedeki birincil neden bilişsel süreçlere olan duyarlılıkları ve altta yatan zihinsel yorgunlukla ilgili değişiklikleri yakalamadaki potansiyelleridir. Farklı frekans sıklığına sahip bu sinyallerle 1, 32 ve 64 Hz frekans aralıklarına örnekleme yapılarak 3 farklı veriseti oluşturulmuştur. Bu verisetleri oluşturulurken her 3 dakikada bir son 1 dakikalık örneklem seçilmiştir. Bu verisetleri önerilen derin öğrenme ve transfer öğrenme modelleriyle eğitilmiştir. Optimum sonuçlar 64 Hz örnekleme frekansına sahip veri kümesinde elde edilmiştir. Bu modellerden tek boyutlu evrişimsel sinir ağı %98 doğruluk oranı ile daha yüksek performans sergilerken, transfer öğrenme aşamasında tekrarlayan sinir ağı modellerinden LSTM %97, GRU %95 doğruluk oranı ile en iyi sınıflandırıcı olmuşlardır. Zihinsel yorgunluğu transfer öğrenme ile tespit etmede stres kökenli veriseti özelliklerinin duygu tanıma kökenli veriseti özelliklerinden daha baskın olduğu gözlemlenmiştir. Ayrıca örneklem sıklığı arttıkça modellerin sınıflandırma performansının arttığı; EDA sinyalinin zihinsel yorgunluğu tespit etmede daha belirleyici olduğu; çalışma süresi, uyku düzeni ve süresi gibi faktörlerin zihinsel yorgunluk oluşturmada doğrudan etkili olduğu gözlemlenen diğer sonuçlardır.