EEG Sinyalleri ve Makine Öğrenimi Kullanarak Çoklu Koku Uyarıcıları Altında İnsan Duygularının Tespiti

Abstract

Bu çalışmada, farklı kokuların bireylerin duygusal durumları üzerindeki etkilerinin elektroensefalografi (EEG) sinyalleri aracılığıyla incelenmesi ve bu sinyallerden duygu durumunun makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlanmıştır. Çalışmaya katılan 46 bireyden elde edilen EEG kayıtları ve öz-bildirim anketleri değerlendirilmiştir. Katılımcılara lavanta, yeşil çay, tarçın ve narenciye kokuları ile kokusuz kontrol koşulları rastgele sırayla sunulmuş; EEG verileri 23 aktif kanal kullanılarak kaydedilmiştir. Ham EEG verileri, Butterworth bant geçiren filtre ile ön işleme tabi tutulmuş; ardından zaman domeni, frekans bantları, doğrusal olmayan ölçümler ve entropi temelli olmak üzere dört farklı kategoride toplam 23 özellik çıkarılmıştır. Bu özellikler, z-score normalizasyonu, aykırı değer düzeltmesi ve ReliefF algoritması ile öznitelik seçimi uygulanarak sınıflandırma için uygun hale getirilmiştir. Duygular, valens ve uyarılma eksenlerinde etiketlenmiş; sınıflandırma sürecinde ise Destek Vektör Makineleri (SVM), En Yakın Komşu Sınıflandırıcıları (KNN), Karar Ağaçları ve Çekirdek Yaklaşımlı Sınıflandırıcılar dâhil olmak üzere, çeşitli alt türleriyle birlikte toplam 17 farklı algoritma kullanılmıştır. Çalışmada en yüksek doğruluk, valens ekseninde yeşil çay kokusu altında, Cubic SVM algoritması ve ReliefF ile seçilmiş öznitelik seti kullanılarak %88.07 oranında elde edilmiştir. Bu sonuç, yeşil çay kokusunun EEG sinyalleri üzerinden duygusal durumları ayırt etmede en etkili olfaktör uyaran olduğunu göstermektedir. Ayrıca, tüm özniteliklerin birlikte kullanımı ve ardından gerçekleştirilen öznitelik seçimi, sınıflandırma başarımını anlamlı şekilde artırmıştır. Bu çalışma, EEG tabanlı duygu tanıma sistemlerinde olfaktör uyaranların etkisini ortaya koyarak literatüre özgün bir katkı sunmaktadır.

This study aimed to examine the effects of different odors on individuals' emotional states through electroencephalography (EEG) signals and to estimate emotional states from these signals using machine learning methods. EEG recordings and self-report questionnaires obtained from 46 participants were evaluated. Lavender, green tea, cinnamon, and citrus odors, along with odorless control conditions, were randomly presented to the participants, and EEG data were recorded using 23 active channels. Raw EEG data were preprocessed using a Butterworth band-pass filter; then, a total of 23 features were extracted in four different categories: time-domain, frequency bands, nonlinear measures, and entropy-based features. These features were prepared for classification through z-score normalization, outlier correction, and feature selection using the ReliefF algorithm. Emotions were labeled along the valence and arousal axes; for the classification process, a total of 17 different algorithms were used, including various subtypes of Support Vector Machines (SVM), Nearest Neighbor Classifiers (KNN), Decision Trees, and Kernel Approximation Classifiers. The highest accuracy in the study was obtained under the green tea odor condition on the valence axis, using the Cubic SVM algorithm and the feature set selected via ReliefF, reaching a rate of 88.07%. This result indicates that green tea odor is the most effective olfactory stimulus for distinguishing emotional states based on EEG signals. Furthermore, the combined use of all features followed by feature selection significantly enhanced classification performance. By revealing the impact of olfactory stimuli in EEG-based emotion recognition systems, this study offers a unique contribution to the literature.