Gündüz, TülinUlusu, Hilal Atıcı2024-06-052024-06-052024Ulusu, H. A. (2024). Otomobil sürücülerinin farklı trafik ve yol koşullarındaki bilişsel yüklerinin araştırılması. Yayınlanmamış doktora tezi. Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü.https://hdl.handle.net/11452/41749Bu tez çalışmasının amacı farklı trafik yoğunluğu, yol tipi ve kişisel özelliklerin otomobil sürücülerinin zihinsel iş yükleri üzerinde yarattığı etkinin araştırılmasıdır. Sürücülerin zihinsel iş yükleri elektroensefalografi (EEG) sinyallerinden hesaplanan bant gücü ve indeks değerleri ile sayısal olarak ortaya koyulmuş, algılanan iş yükü NASA Görev Yükü İndeksi (NASA-TLX) ile sübjektif olarak da ölçülmüştür. Çalışmadaki sürüş deneyleri gerçek trafik ortamında 39 katılımcı ile belirli bir rota üzerinde gerçekleştirilmiştir. Alfa, teta, beta bant gücü ve mental durum indeksleri sakin hal ve sürüş arasında anlamlı farklılık göstermiştir. Kadın sürücülerin zihinsel iş yükü erkeklere göre daha yüksek bulunmuştur. Otuz yaş altı genç sürücülerin daha az zihinseliş yüküne sahip olduğu görülmüştür. Ayrıca otomobil sürme tecrübesi yirmi yıl ve üzerinde olan sürücülerin, daha az tecrübeli sürücülere göre zihinsel olarak daha azzorlandığı tespit edilmiştir. Gerçek trafikteki sürüş verileri üzerinde istatistiksel çıkarımlar gerçekleştirildikten sonra makine öğrenmesi modelleri kullanılarak sürücülerin zihinsel iş yükünün sınıflandırılması amaçlanmıştır. EEG bant güçleri, EEG tabanlı mental durum indeksleri ve bireysel faktörlerin öznitelik olarak kullanıldığı ve zihinsel iş yükünün trafik yoğunluğu ve yol tipine göre etiketlendiği iki farklı veri kümesi oluşturulmuştur. Karşılıklı Bilgi (MI) ve Temel Bileşen Analizi (PCA) yöntemleriyle öznitelik seçimi yapılmış, ardından Destek Vektör Makineleri (SVM), k En Yakın Komşu Algoritması (kNN), Rassal Orman (RO) ve Yapay Sinir Ağı (YSA) modelleriyle zihinsel iş yükü sınıflandırılmıştır. Sınıflandırmada iki yaklaşım benimsenmiştir: Katılımcılar-arası ve katılımcı-bazında sınıflandırma. Katılımcılar-arası sınıflandırmada iki veri kümesi için en etkili öznitelikler frontal bölgedeki teta bant güçleri olmuştur. Trafik yoğunluğuna göre etiketlenen veri üzerinde en iyi sınıflandırma performansını %78,62 doğruluk değerine ulaşan PCA-RO modeli vermiştir. Yol tipinegöre etiketlenen veri kümesinde ise öznitelik seçimi olmadan RO modeli %86,24doğruluk ile en iyi sonucu vermiştir. Katılımcı-bazında sınıflandırmada her sürücü için zihinsel iş yükünü sınıflandırmada en etkili olan öznitelikler değişkenlik göstermiştir. Katılımcı-bazında trafik yoğunluğuna ve yol tipine göre etiketlenen veri kümeleri için en yüksek doğruluk değerleri sırasıyla %96,51 ve %98,06 olarak bulunmuştur.This thesis aims to investigate the effects of different traffic densities, road types and personal characteristics on the mental workload of automobile drivers. The mental workload of the drivers was revealed numerically with band power and index values calculated from electroencephalography (EEG) signals, and the perceived workload was also measured subjectively with the NASA Task Load Index (NASA-TLX). The driving experiments in this study were carried out in a real traffic environment with 39 participants on a specific route. Alpha, theta, beta band powers and mental state indices showed significant differences between relaxing state and driving session. The mental workload of female drivers was found to be higher than that of men. It was observed that young drivers under the age of thirty have less mental workload. In addition, it was determined that drivers with twenty years or more of driving experience have lessmental workload than less experienced drivers. After performing statistical inferences on driving data in real traffic, it was aimed to classify the mental workload of drivers using machine learning models. Two different datasets were created in which EEG band powers, EEG-based mental state indices and individual factors were used as features and mental workload was labeled according to traffic density and road type. Feature extraction was made using Mutual Information (MI) and Principal Component Analysis (PCA) methods, and then mental workload was classified using Support Vector Machines (SVM), k Nearest Neighbor Algorithm (kNN), Random Forest (RF) and Artificial Neural Network (ANN) models. Two approaches were adopted in classification: Cross-subject and per-subject classification. The most effective features for the two datasets in cross-subject classification were theta band powers in the frontal region. The PCA-RF model gave the best classification performance on data labeled according to traffic density, reaching an accuracy value of 78.62%. In the dataset labeled according to road type, the RF model without feature selection gave the best result with an accuracy of 86.24%. In per-subject classification, the features that were most effective in classifying mental workload varied for each driver. The highest accuracy values for per-subject datasets labeled according to traffic density and road type were found to be 96.51% and 98.06%, respectively.VII, 113 sayfatrinfo:eu-repo/semantics/openAccessNöroergonomiOtomobil sürücüsüElektroensefalografiBilişsel yükMental iş yüküMakine öğrenmesiNeuroergonomicsAutomobile driverElectroencephalographyCognitive loadMental workloadMachine learningdoctoralThesis