Farklı Koku Uyaranları Altında EEG Sinyalleri ve Derin Öğrenme Kullanılarak İnsan Duygusal Parametrelerinin Tespiti

Abstract

İnsan duygusal parametrelerinin kestirimi; insan-bilgisayar etkileşimi, terapötik teknolojiler ve nöropazarlama alanlarında önemli bir rol oynamaktadır. Son yıllarda, yapay zekâ destekli biyosinyal tabanlı yöntemler, geleneksel öznel değerlendirme tekniklerinin yerini almaya başlamıştır. Bu çalışmada, koku uyaranlarıyla tetiklenen duygusal tepkilerin EEG sinyalleriyle tespiti araştırılmıştır. 46 katılımcıdan, dört farklı koku ve bir kokusuz kontrol koşulu altında EEG verisi toplanmıştır. Zaman alanı özellikleri çıkarılarak topografik beyin haritalarına (TopoMap) dönüştürülmüş ve bu haritalar, duyguların uyarılma (arousal) ve değerlik (valence) boyutlarında sınıflandırılması amacıyla evrişimli sinir ağları (CNN) ile analiz edilmiştir. Elde edilen sonuçlar, koku uyaranlarının sınıflandırma başarımı üzerinde anlamlı etkileri olduğunu ve özellikle EfficientNet mimarisinin, EEG'ye dayalı duygusal durumları uzamsal olarak başarıyla öğrenebildiğini göstermiştir. Bu bulgular, kokuya dayalı nörobilimsel araştırmalar, duygu tanıma sistemleri ve nöropazarlama uygulamaları için yapay zekâ tabanlı yöntemlerin geliştirilmesine katkı sunmaktadır.

The estimation of human emotional parameters plays a vital role in human-computer interaction, therapeutic technologies, and neuromarketing. In recent years, biosignal-based methods supported by artificial intelligence have gained prominence over traditional self-report-based techniques. This study investigates how emotional responses, elicited by olfactory stimuli, can be detected using EEG signals processed with deep learning. EEG data were collected from 46 participants under four different odors and one odorless control condition. Time-domain features were extracted and visualized as topographic brain maps (TopoMaps). These maps were classified using convolutional neural networks (CNNs) to estimate arousal and valence levels. The results indicate that olfactory stimuli significantly affect classification performance and that CNN-based architectures—especially EfficientNet—can effectively learn spatial EEG patterns related to emotional states. These findings contribute to the development of AI-based approaches in olfactory neuroscience, emotion recognition, and neuromarketing applications.