İki ve üç boyutlu videoları izlerken kaydedilen eegsinyallerinin karşılaştırılması ve sınıflandırılması

Abstract

Bu araştırma, 2 boyutlu (2B) ve 3 boyutlu (3B) videoların insan beyin dalgaları üzerindeki etkilerini ortaya koymak için yapılmıştır. Bilindiği üzere, insanlar çevrelerini göz yapıları gereği 3B olarak görürler. Bu çalışmada, insanların uykulu anlarında derinlik algılarını kaybettikleri ve bu anlarda 3B görmeden 2B görmeye ani bir geçiş gerçekleştiği hipotezini ortaya koyup araştırdık. Bu önemli anı yakalamak tezin ana hedefidir. Tez çalışmasında Elektroensefalografi (EEG) beyin sinyallerini kullanarak 2B ve 3B video izlemenin etkisi incelenmiştir. 2B ve 3B video izleyicilerin beyin sinyallerini analiz etmek için kısa zamanlı Fourier dönüşümü (KZFD) temel alınarak güç spektrum yoğunluğu (GSY) kullanılmıştır. Tüm EEG frekans bantları test edilip, baskın olduğu tespit edilen frekans bantlarından öznitelikler elde edilmiştir. 2B ve 3B video izleme sırasında elde edilen EEG sinyallerini sınıflandırmak için kısmi en küçük kareler regresyonu (KeKKR), destek vektör makinesi (DVM) ve lineer diskriminant analizi (LDA) sınıflandırma algoritmaları kullanılmıştır. Beyin bölgelerini temsil eden etkili kanalların doğru kombinasyonlarının seçilmesiyle başarılı sınıflandırma sonuçları elde edilmiştir. This study was conducted to reveal the effects of 2 Dimensional (2D) and 3 Dimensional (3D) videos on human brain waves. As is known, people see their environment as 3D due to their eye structure. In this study, we put forward the hypothesis that people lose their perception of depth during sleepy moments and that there is a sudden transition from 3D vision to 2D vision. Capturing this important moment is our main goal. In the thesis, the effects of 2D and 3D video watching using electroencephalography (EEG) brain signals were investigated. Power spectrum density (PSD) based on short time Fourier transform (STFT) was used to analyze the brain signals of 2D&3D video viewers. All EEG frequency bands were tested and features were obtained from the dominant frequency bands. Partial least squares regression (KeKKR), support vector machine (DVM) and linear discriminant analysis (LDA) classification algorithms were used to classify the EEG signals obtained during 2D and 3D video watching. Successful classification results were obtained by selecting the correct combinations of effective channels representing the brain regions.