Bu tədqiqat elektroensefaloqrafiya (EEG) siqnallarından istifadəçinin emosional vəziyyətini təsnif edən və proqnozlaşdırılan vəziyyətə uyğun olaraq Unity 3D daxilində vizual və eşitmə atmosferini dəyişdirən Neyro-Adaptiv Virtual Mühit (NAVE) prototipi hazırlayır. Model DREAMER məlumat dəstindəki 23 iştirakçının 14 kanallı, 128 Hz EEG qeydlərindən istifadə edir; 1 saniyəlik siqnal parçalarından zaman və tezlik sahəsi xüsusiyyətləri çıxarılır və valence dəyərinə görə mənfi, neytral və müsbət olmaqla üç sinifli Random Forest modeli öyrədilir. Mənbədə test dəqiqliyi %70,39, müsbət sinif üçün F1=0,74 və mənfi sinif üçün F1=0,73 kimi bildirilir. Ən mühüm şərh məhdudiyyəti təlim və test bölgüsünün iştirakçı əsasında deyil, təsadüfi EEG epoxları üzərindən aparılmasıdır; buna görə %70,39 dəyəri əvvəllər heç görülməmiş bir şəxsdə eyni dəqiqliyin əldə ediləcəyini göstərmir.

Sistemin məlumat zənciri EEG siqnalı ilə başlayır. DREAMER qeydləri əvvəlcə normallaşdırılır və 1–50 Hz aralığında dördüncü dərəcəli Butterworth band-pass filtrindən keçirilir. Daha sonra hər 1 saniyəlik pəncərədə orta qiymət, standart sapma, Hjorth parametrləri, əyrilik, basıqlıq, Welch üsulu ilə güc spektral sıxlığı, spektral entropiya, sərhəd tezlikləri və kanallararası korrelyasiyalar kimi xüsusiyyətlərin hesablandığı bildirilir. Mənbə hər epox üçün ümumilikdə 878 xüsusiyyət bildirir.

EEG-nin əsas tezlik komponentləri delta, theta, alpha, beta və gamma zolaqları kimi işlənir. Mənbə həmçinin beta/alpha nisbətini arousal göstəricisi; \((\beta+\gamma)/(\alpha+\theta)\) və ya \(\beta/\alpha\) nisbətini stress index; bunun tərsi olan \((\alpha+\theta)/(\beta+\gamma)\) nisbətini relaxation index kimi hesablayır. Bu indekslər Random Forest üçün istifadə olunan geniş xüsusiyyət dəsti ilə yanaşı Unity-yə ötürülə bilən neyro-emosional göstəricilər kimi təqdim olunur.

Öyrədilmiş model rf_model.pkl, miqyaslayıcı isə scaler.pkl formasında saxlanılır. Python backend təsnifat nəticəsini UDP vasitəsilə Unity-yə göndərir. Unity tərəfində məlumatların qəbulu ayrıca background thread üzərində aparılır; qəbul edilən paketlər əsas render iş parçacığına dispatcher növbəsi vasitəsilə ötürülür. Beləliklə, şəbəkənin dinlənməsi prosesinin Unity-nin əsas qrafik dövrünü bloklamaması məqsədi güdülür.

Unity mühitində yalnız “müsbət/mənfi/neytral” etiketi dəyişmir. Mənbə səmanın rəngi, günəşin görünüşü, exposure, duman/particle sıxlığı və fon səsinin emosional sinfə görə dəyişdirilməsini təsvir edir. Səs dəyişiklikləri ani keçid əvəzinə audio crossfade, vizual parametrlər isə yumşaq interpolasiya yanaşması ilə tətbiq olunur.

Bununla belə, tədqiqat tamamlanmış VR terapiya sistemi deyil. Yeni VR istifadəçisi üzərində klinik sınaq aparılmayıb, PTSD və ya fobiya müalicəsində effektivlik ölçülməyib, real VR başlığı ilə cybersickness testi həyata keçirilməyib və sistemin ümumi ucdan-uca gecikməsi kəmiyyət benchmark ilə doğrulanmayıb. Mənbənin reabilitasiya, fobiya simulyasiyaları və neuro-gaming barədə ifadələri gələcək tətbiq potensialıdır.

Türkiyə baxımından tədqiqat beyin-kompüter interfeysləri, oyun texnologiyaları, neyro-oyun, insan–kompüter qarşılıqlı əlaqəsi, təhsil simulyasiyaları və istifadəçi vəziyyətinə uyğunlaşdırılan rəqəmsal mühitlər üzərində çalışan tədqiqat qrupları üçün tətbiq oluna bilən proqram arxitekturası nümunəsidir. Lakin real istifadəçiyə uyğunlaşdırılmış Türkiyə tətbiqi üçün iştirakçıdan asılı olmayan test, Türkiyəli istifadəçi nümunəsi, müxtəlif EEG cihazları, real vaxtda artefakt idarəetməsi, gecikmənin ölçülməsi və istifadəçi təcrübəsinin doğrulanması ayrıca tələb olunur.

Tədqiqatın həll etməyə çalışdığı əsas problem nədir?

Tədqiqatın çıxış nöqtəsi ondan ibarətdir ki, əksər virtual reallıq və artırılmış reallıq sistemləri istifadəçiyə zəngin vizual və eşitmə mühiti təqdim etsə də, istifadəçinin daxili emosional vəziyyətini birbaşa nəzərə almır. Ənənəvi sistemlərdə istifadəçi qarşılıqlı əlaqəsi əsasən klaviatura, gamepad, hərəkət nəzarətçisi və ya əvvəlcədən hazırlanmış ssenarilər vasitəsilə həyata keçirilir.

Tədqiqatçıların təklif etdiyi yanaşmada virtual mühit yalnız istifadəçinin açıq əmrlərinə deyil, EEG siqnallarından proqnozlaşdırılan emosional vəziyyətə də reaksiya verir. Beləliklə sistem:

EEG → siqnal emalı → xüsusiyyətlərin çıxarılması → emosiyanın təsnifatı → şəbəkə üzərindən ötürmə → Unity mühitinin adaptasiyası

formasında qapalı biokibernetik dövr qurmağı hədəfləyir.

İstifadə olunan DREAMER məlumatları nəyi ehtiva edir?

Mənbəyə görə DREAMER məlumat dəsti 23 iştirakçı və hər iştirakçı üçün 18 video stimulu ehtiva edir. EEG siqnalları 128 Hz nümunələmə tezliyində 14 kanal üzərindən qeydə alınıb.

İstifadə olunan kanal ardıcıllığı belədir:

AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4.

Bir saniyəlik xam giriş matrisi:

\[ X_{raw}\in\mathbb{R}^{128\times14} \]

formasındadır. Yəni hər saniyə üçün hər kanal üzrə 128 nümunə, ümumilikdə 14 EEG kanalı mövcuddur.

Emosional siniflər necə yaradılır?

DREAMER iştirakçıları video stimullarından sonra Valence, Arousal və Dominance dəyərlərini 1–5 Likert şkalasında qiymətləndirirlər. Tədqiqatda təsnifat hədəfi əsasən Valence dəyərindən yaradılır.

Mənbənin istifadə etdiyi sinif qaydası:

\[ Category= \begin{cases} POSITIVE\;(2), & V>3\\ NEGATIVE\;(0), & V<3\\ NEUTRAL\;(1), & V=3 \end{cases} \]

formasındadır.

Buna görə model klinik mənada “xoşbəxt”, “depressiv”, “stressli” və ya başqa psixiatrik vəziyyətləri diaqnoz etmir. Model DREAMER iştirakçılarının valence özünüqiymətləndirmələrini üç sinfə ayırmağı öyrənir.

EEG siqnalları necə normallaşdırılır?

Hər EEG kanalı üçün Z-score normallaşdırılması tətbiq olunur:

\[ x'_n= \frac{x_n-\mu_x} {\sigma_x+10^{-8}} \]

Burada \(x_n\) xam siqnal nümunəsini, \(\mu_x\) müvafiq kanalın orta qiymətini və \(\sigma_x\) standart sapmasını göstərir. \(10^{-8}\) termini standart sapma sıfıra yaxınlaşdıqda ədədi bölmə probleminin qarşısını almaq üçün məxrəcə əlavə olunur.

Mənbə bu əməliyyatdan müxtəlif şəxslər arasındakı siqnal miqyaslarını tarazlaşdırmaq məqsədilə istifadə edir.

Butterworth filtri hansı aralıqdan istifadə edir?

Normallaşdırmadan sonra dördüncü dərəcəli Butterworth band-pass filtri tətbiq olunur. Mənbə filtrin iş diapazonunu:

1,0–50,0 Hz

kimi göstərir.

Butterworth filtrinin mənbədə göstərilən əsas amplitud münasibəti:

\[ |H(j\omega)|^2= \frac{1} {1+\left(\frac{\omega}{\omega_c}\right)^{2N}} \]

formasındadır və burada \(N=4\) filtr dərəcəsini ifadə edir.

Məqalə bu filtrin tərləmə, göz qırpma və elektrik şəbəkəsi mənşəli səs-küyü azaltmaq məqsədilə istifadə olunduğunu bildirir. Bununla belə, ayrıca ICA, EOG reqressiyası və ya xüsusi artefakt çıxarma alqoritmi ətraflı təsvir edilmir.

EEG tezlik zolaqları necə hesablanır?

Hər təmizlənmiş 1 saniyəlik pəncərə üzərində Welch üsulu ilə güc spektral sıxlığı (Power Spectral Density, PSD) hesablanır:

\[ P_{Welch}(f)= \frac{1}{K} \sum_{i=1}^{K}P_{U,i}(f) \]

PSD dəyərləri daha sonra mənbədə müəyyənləşdirilən EEG zolaqlarına bölünür:

Bu zolaq gücləri həm xüsusiyyət mühəndisliyinin, həm də Unity-yə göndərilən neyro-emosional giriş vektorunun hissələri kimi istifadə olunur.

Arousal, stress və relaxation indeksləri necə müəyyənləşdirilir?

Mənbə üç köməkçi nisbətdən istifadə edir.

Arousal nisbəti:

\[ Arousal\ Ratio= \frac{\beta}{\alpha} \]

Stress Index:

\[ Stress\ Index= \frac{\beta+\gamma} {\alpha+\theta} \]

və mənbədə alternativ olaraq:

\[ Stress\ Index= \frac{\beta}{\alpha} \]

ifadəsi də verilir.

Relaxation Index:

\[ Relaxation\ Index= \frac{\alpha+\theta} {\beta+\gamma} \]

formasında hesablanır.

Bu nisbətlər tədqiqatın proqram təminatında neyro-emosional göstəricilər kimi istifadə olunur; mənbə onların müstəqil klinik stress və ya relaksasiya diaqnozu kimi doğrulandığı klinik tədqiqat təqdim etmir.

Neçə xüsusiyyət çıxarılıb?

Xülasə bölməsinə görə hər 1 saniyəlik epoxdan 878 xüsusiyyət çıxarılıb. Mənbə bunların zaman və tezlik sahəsindəki komponentlərini aşağıdakı başlıqlarla təsvir edir:

• orta qiymət,
• standart sapma,
• Hjorth parametrləri,
• skewness,
• kurtosis,
• Welch PSD xüsusiyyətləri,
• spektral entropiya,
• edge frequencies,
• kanallararası korrelyasiyalar.

Lakin məqalədə 878 ölçünün hamısını ayrıca sadalayan feature dictionary və ya əlavə cədvəl verilmədiyindən bu ümumi say mənbə mətnindən müstəqil şəkildə yenidən qurula bilmir.

Nümunə sayında niyə diqqətli olmaq lazımdır?

Tədqiqatın ən mühüm daxili məlumat uyğunsuzluqlarından biri təlim nümunələrinin sayıdır. Xülasə bölməsində seqmentasiya nəticəsində:

85.744 unikal təlim nümunəsi

əldə edildiyi yazılıb.

Bunun əksinə, Random Forest təlim bölməsində:

• Ümumi epox: 17.149
• Təlim: 13.719
• Test: 3.430

dəyərləri verilir.

Mənbə 85.744 ilə 17.149 arasındakı fərqi izah edən ayrıca data augmentation, cross-validation, pəncərə çoxaldılması və ya başqa çevirmə hesabı təqdim etmir. Buna görə iki rəqəm səssizcə vahid nümunə sayına çevrilməməlidir.

Random Forest necə qiymətləndirilib?

Məlumatlar mənbədə %80 təlim və %20 test şəklində təsadüfi bölünüb. Model üç valence sinfini Random Forest ilə proqnozlaşdırır.

Mənbə qiymətləndirmədə Accuracy, Precision, Recall və F1-score metriklərini müəyyənləşdirir. Lakin görünən kəmiyyət nəticəsi kimi aşağıdakı dəyərlər bildirilir:

Bu nəticələr modelin DREAMER-dan yaradılmış test epoxlarında emosional sinifləri bir-birindən ayıra bildiyini göstərir.

%70,39 dəqiqlik nəyi sübut etmir?

Test bölgüsü epoch səviyyəsində təsadüfi aparılıb. Məqalədə 23 iştirakçının hamısından gələn qeydlərin əvvəlcə şəxslərə görə ayrıldığı və müəyyən şəxslərin yalnız test qrupunda saxlandığı bildirilmir.

Buna görə %70,39:

• eyni məlumat emalı quruluşunda ayrılmış test epoxlarındakı uğurdur,
• yeni bir şəxsin EEG-si üzərində təsdiqlənmiş subject-independent uğur deyil,
• real vaxtda yeni VR istifadəçisi üzərində ölçülmüş dəqiqlik deyil.

Yeni istifadəçiyə ümumiləşdirilə bilməni qiymətləndirmək üçün iştirakçı əsaslı hold-out və ya oxşar şəxsdən asılı olmayan doğrulama ayrıca aparılmalıdır.

Model Unity-yə necə qoşulur?

Təlim başa çatdıqda Random Forest modeli:

rf_model.pkl

və preprocessing miqyaslayıcısı:

scaler.pkl

kimi saxlanılır.

Python backend proqnozları UDP protokolu vasitəsilə Unity tərəfinə ötürür. Unity daxilində EEGReceiver.cs sinfi UDP portunu dinləyir.

Mənbədə istifadə olunan port:

5005

kimi göstərilib.

Niyə background thread istifadə olunur?

UdpClient.Receive() bloklayıcı işlədiyi üçün Unity-nin əsas render iş parçacığında istifadə edilsə, tətbiq məlumat gələnədək gözləyə bilər. Buna görə tədqiqatda UDP qəbulu ayrıca background thread üzərində aparılır.

Əməliyyat ardıcıllığı mənbədə belə izah olunur:

1. UDP soketindən byte[] receivedData alınır.
2. UTF-8 ilə mətnə çevrilir.
3. Məlumatlar ayrışdırılaraq EEGData strukturuna çevrilir.
4. Hazırlanmış məlumat əsas iş parçacığında işləyəcək növbəyə ötürülür.

Unity thread safety problemi necə həll olunur?

Mənbədə izah edildiyi kimi, Unity API-si background thread vasitəsilə GameObject və ya istifadəçi interfeysi komponentlərinin birbaşa dəyişdirilməsi üçün uyğun deyil.

Buna görə tədqiqat MainThreadDispatcher.cs sinfində dispatcher nümunəsi qurur. Arxa plandakı şəbəkə iş parçacığından gələn actions queue daxilinə yazılır və daha sonra Unity-nin əsas iş parçacığında ardıcıllıqla icra olunur.

Bu arxitekturanın məqsədi şəbəkə qəbulunu render dövründən ayırmaqla yanaşı Unity obyektlərinin yalnız təhlükəsiz əsas thread üzərindən dəyişdirilməsini təmin etməkdir.

Unity-yə hansı məlumat göndərilir?

Adaptasiya mühərrikinin giriş vektoru:

\[ I_{adapt}= \langle Status,\delta,\theta,\alpha,\beta,\gamma \rangle \]

formasındadır.

Status aşağıdakı üç etiketdən biridir:

POSITIVE, NEGATIVE və ya NEUTRAL.

Virtual mühitdə hansı parametrlər dəyişdirilir?

Mənbə render çıxışını çoxölçülü vektor kimi müəyyənləşdirir:

\[ O_{render} = \langle S_{size}, S_{conv}, C_{tint}, E_{xp}, P_{max}, E_{rate}, M_{file} \rangle \]

Beləliklə, emosional proqnoz yalnız ekrandakı etiket olaraq qalmır, virtual mühitin atmosfer və akustik parametrlərinə bağlanır.

Keçidlər niyə birbaşa edilmir?

Mənbə qəfil vizual və eşitmə dəyişikliklərinin istifadəçi təcrübəsini poza biləcəyini bildirərək vizual parametrlərdə yumşaq interpolasiya, səs qatlarında isə audio crossfade yanaşmasından istifadə edir.

Bu dizayn sayəsində müxtəlif emosional vəziyyətlər arasındakı keçidlər ani rəng və ya səs sıçrayışları əvəzinə zamana yayılmış şəkildə tətbiq olunur.

Gecikmə ilə bağlı mənbədə hansı ziddiyyət var?

Texniki çətinliklər bölməsində ümumi emosional dəyişiklik–virtual mühit reaksiyası gecikməsinin:

100 ms-dən aşağı olmalı olduğu

bildirilir.

Bunun əksinə, adaptasiya arxitekturası bölməsində mühərrikin UDP vasitəsilə yeni göstəriciləri:

hər 0,2 saniyədən bir

aldığı yazılır. Bu, 200 ms-lik yenilənmə perioduna uyğundur.

Bundan əlavə, mənbə network, inference, preprocessing və render gecikmələrini ayrı-ayrılıqda ölçən latency benchmark təqdim etmir. Buna görə prototipin ucdan-uca ümumi gecikməsinin 100 ms-dən aşağı olduğu eksperimental olaraq təsdiqlənmiş rəqəm kimi təqdim edilə bilməz.

Şəkil 1 nəyi göstərir?

Tədqiqatın yeganə əsas tətbiq təsviri olan Şəkil 1: Unity Seaside nəticələri, NAVEManager tərəfindən idarə olunan Unity səhnəsinin müxtəlif vəziyyətlərdə dəyişən atmosferini ekran görüntüləri ilə göstərir.

Təsvir sistemin proqram zəncirindən gələn kateqoriya və spektral məlumatlara bağlı olaraq Unity səhnəsini dəyişə bildiyinə dair keyfiyyət xarakterli prototip yoxlamasıdır.

Lakin Şəkil 1:

• FPS paylanması,
• paket itkisi faizi,
• orta latency,
• 95./99. percentil gecikmə,
• VR başlığı performansı,
• istifadəçi məmnuniyyəti,
• cybersickness skoru

kimi kəmiyyət sistem metriklərini göstərmir.

Tədqiqatın dəstəklədiyi nəticələr

• DREAMER EEG qeydlərindən üç valence sinfini proqnozlaşdıran Random Forest modeli hazırlanıb.
• Mənbə test məlumatlarında %70,39 ümumi accuracy bildirir.
• POSITIVE və NEGATIVE sinifləri üçün müvafiq olaraq 0,74 və 0,73 F1-score bildirilib.
• Python tərəfində öyrədilmiş model faylı Unity ilə UDP vasitəsilə əlaqələndirilib.
• Unity şəbəkə qəbulu background thread üzərində həyata keçirilib və əsas thread üçün dispatcher arxitekturası qurulub.
• Emosional sinif və EEG zolaq məlumatları Unity-nin vizual/eşitmə mühit parametrlərinə bağlanıb.
• Unity Seaside mühitinin müxtəlif emosional vəziyyətlərə görə dəyişə bildiyi tətbiq ekranları ilə göstərilib.

Tədqiqatın dəstəkləmədiyi və ya sınaqdan keçirmədiyi nəticələr

• %70,39 accuracy yeni və əvvəllər görülməmiş istifadəçilər üzərində təsdiqlənmiş subject-independent performans deyil.
• Real vaxtda yeni iştirakçılardan canlı EEG toplanaraq model doğrulaması aparılmayıb.
• Real VR başlığı ilə nəzarətli istifadəçi sınağı təqdim edilməyib.
• PTSD reabilitasiyası və ya fobiya müalicəsində klinik effektivlik göstərilməyib.
• 100 ms-dən aşağı ümumi sistem gecikməsi ölçülmüş benchmark ilə doğrulanmayıb.
• “Saniyədə yüzlərlə paket gəldikdə frame loss yaranmır” istiqamətindəki arxitektura ifadəsi ətraflı performans testi ilə kəmiyyət baxımından göstərilməyib.
• 878 xüsusiyyətin bütün komponentləri təkrar istehsal oluna bilən feature siyahısı şəklində təqdim edilməyib.
• Neytral sinfə aid tam təsnifat performansı görünən kəmiyyət nəticələri ilə bildirilməyib.
• 85.744 və 17.149 nümunə sayı arasındakı fərq izah edilməyib.
• Tədqiqat EEG əsaslı emosional proqnozlaşdırmanı tibbi və ya psixiatrik diaqnostika aləti kimi doğrulamır.

Tədqiqatın Metodu və Nəticələri

Məlumat dəsti və EEG giriş strukturu

İlkin emal və xüsusiyyət mühəndisliyi

Nümunə sayları: mənbə daxilində iki fərqli hesabat

13.719 təlim və 3.430 test nümunəsinin cəmi 17.149-dur. Mənbə 85.744 sayının bu strukturla əlaqəsini izah etmədiyinə görə hansı sayın yekun model təlimindəki real müstəqil epox sayını təmsil etdiyi dəqiqləşdirilməyib.

Random Forest performans nəticələri

Python–Unity kommunikasiya arxitekturası

Gecikmə və real vaxtlılıq

Praktik doğrulamanın əhatəsi

Mənbə Python backend tərəfindən süni şəkildə dəyişdirilən kateqoriyalar və DREAMER EEG spektral axınından istifadə etməklə Unity mühitinin reaksiyasının sınaqdan keçirildiyini bildirir. Şəkil 1-də Unity Seaside səhnəsinin müxtəlif vizual vəziyyətləri təqdim olunur.

Bu doğrulama proqram funksiyasının işlədiyini göstərən prototip testi xarakteri daşıyır. Yeni istifadəçilərin VR başlığı ilə sistemə qoşulduğu nəzarətli insan sınağı deyil.

Metodoloji güclü tərəflər

• EEG siqnal emalı, maşın öyrənməsi və Unity adaptasiyası vahid ucdan-uca arxitekturada birləşdirilib.
• Real, ictimaiyyətə açıq multimodal EEG məlumatlarından istifadə edilib.
• Zaman və tezlik sahəsi xüsusiyyətləri birlikdə qiymətləndirilib.
• Model faylları Python backend-ə inteqrasiya edilib və proqnoz nəticələri Unity mühərrikinə ötürülüb.
• UDP qəbulu Unity-nin əsas render thread-indən ayrılaraq uyğun thread-dispatch dizaynı qurulub.
• Vizual və eşitmə mühiti parametrləri emosional sinfə bağlanıb.

Əsas metodoloji məhdudiyyətlər

• 85.744 və 17.149 epox sayı arasındakı mənbədaxili uyğunsuzluq izah edilməyib.
• İştirakçıdan asılı olmayan train/test bölgüsü bildirilməyib.
• Neutral sinfi üçün tam performans metriği görünən nəticələrdə verilməyib.
• 878 xüsusiyyət tam feature manifest ilə açıqlanmayıb.
• Abstract-dakı “artifact removal” ifadəsinə baxmayaraq ətraflı metod bölməsində xüsusi artefakt aradan qaldırma alqoritmi göstərilməyib.
• 100 ms hədəfi kəmiyyət ucdan-uca latency testi ilə doğrulanmayıb.
• Unity mühiti üçün FPS, jitter, packet loss və ya performans profili təqdim edilməyib.
• Real VR cihazı və canlı EEG cihazı ilə qapalı dövr istifadəçi sınağı aparılmayıb.
• PTSD, fobiya və ya başqa klinik tətbiqlərdə effektivlik araşdırılmayıb.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı:EEQ SİQNALLARI ƏSASINDA VİRTUAL MÜHİTİN İŞLƏNİB HAZIRLANMASI.

İngiliscə başlıq:DEVELOPMENT OF A VIRTUAL ENVIRONMENT BASED ON EEQ SIGNALS. Mənbənin ingiliscə başlığında da “EEQ” yazılışı qorunub.

Müəlliflər, mənbədəki ardıcıllıqla: Lalə M. ZEYNALOVA; Vüqar RƏHIMLI.

Qurum: Azərbaycan Dövlət Neft və Sənaye Universiteti / Azerbaijan State Oil and Industry University, Kompüter Mühəndisliyi kafedrası / Department of Computer Engineering.

Müəllif statusları: Mənbədə Lalə M. Zeynalova dosent/Associate Professor; Vüqar Rəhimli SABAH qrupları tələbəsi/student kimi göstərilib.

Bərabər birinci müəllif/bərabər töhfə: Mənbədə belə bir bəyanat yoxdur.

Məsul müəllif: Mənbədə ayrıca corresponding-author işarəsi yoxdur; iki müəllifin e-poçt ünvanı ayrıca verilib.

Jurnal:Azərbaycan Ali Texniki Məktəblərinin Xəbərləri / Proceedings of Azerbaijan High Technical Educational Institutions.

Nəşriyyat: Azerbaijan State Oil and Industry University Press.

Nəşr kimliyi: Volume 28, Issue 2, 2026, mənbə faylında s. 91–98.

DOI: 10.32010/DQMH3410.

Məqalə prosesi: Received 1 May 2026; Revised 24 May 2026; Accepted 25 June 2026.

Dəqiq onlayn nəşr günü: Mənbə faylında və rəsmi məqalə metadatasında doğrulana bilən ayrıca onlayn nəşr günü göstərilmir.

Rəsmi keçid:https://doi.org/10.32010/DQMH3410.

Rəsmi nəşriyyat qeydi:https://press.asoiu.edu.az/pahtei/article.php?id=208.

Mənbə növü: EEG məlumat təhlili, maşın öyrənməsi və işlək Python–Unity prototip inteqrasiyasını əhatə edən tətbiqi kompüter mühəndisliyi tədqiqatıdır.

Hakemlik statusu: Jurnalın nəşr siyasətinə görə nəşr qərarında elmi rəyçi qiymətləndirmələri nəzərə alınır. Tədqiqat qəbul edilmiş jurnal məqaləsidir; məqaləyə aid fərdi rəyçi hesabatları ictimaiyyətə açıq deyil.

Lisenziya/müəllif hüquqları: Məqalə üzrə ayrıca Creative Commons lisenziyası göstərilməyib. Nəşriyyatın rəsmi səhifələrində “All rights reserved” ifadəsi var. Buna görə mənbə ekran görüntüləri bu Verianla HTML-sinə kopyalanmayıb.

Maliyyələşdirmə: Mənbədə ayrıca maliyyələşdirmə bəyanatı yoxdur.

Maraqların toqquşması: Mənbədə ayrıca maraqların toqquşması bəyanatı yoxdur.

Məlumatların əlçatanlığı: Tədqiqat DREAMER məlumat dəstindən istifadə edir; lakin mənbədə ayrıca Data Availability Statement bölməsi verilməyib.

Etik komitə: Mənbədə yeni iştirakçıların cəlb olunmasına dair etik komitə bəyanatı yoxdur. Tədqiqat mövcud DREAMER qeydlərinin ikincil təhlilinə əsaslanır.

Müəllif töhfələri: Mənbədə CRediT və ya ətraflı müəllif töhfəsi bəyanatı yoxdur.

DREAMER mənbə zənciri qeydi: Məqalə əsas məlumat mənbəyi kimi DREAMER-dan istifadə etməsinə baxmayaraq ədəbiyyat siyahısında DREAMER-ın orijinal məlumat dəsti nəşri görünmür; siyahıda DEAP məlumat dəsti nəşri yer alır.

Nümunə sayı barədə xəbərdarlıq: Xülasə bölməsindəki 85.744 nümunə ilə əsas metod bölməsindəki 17.149 ümumi epox, 13.719 təlim və 3.430 test nümunəsi bir-biri ilə izah olunmuş şəkildə uyğun gəlmir. Bu Verianla mətni rəqəmlərdən birini digərinin yerinə qoymayıb.

Doğrulama dizaynı barədə xəbərdarlıq: Mənbə %80/%20 təsadüfi epoch bölgüsü bildirir; iştirakçı əsaslı subject-independent test təsvir etmir. Buna görə %70,39 accuracy dəyəri yeni istifadəçi performansı kimi şərh edilməyib.

Xüsusiyyət sayı barədə xəbərdarlıq: Mənbə hər epox üçün 878 xüsusiyyət bildirir, lakin 878 xüsusiyyətin bütün sütunlarını bir-bir göstərən feature list verilmədiyindən bu rəqəm metod təsvirindən müstəqil şəkildə yenidən hesablana bilmir.

Artefakt emalı barədə xəbərdarlıq: Xülasə “artifact removal” ifadəsindən istifadə edir; ətraflı preprocessing hissəsində açıq şəkildə müəyyənləşdirilən əsas əməliyyatlar Z-score normallaşdırılması və 1–50 Hz dördüncü dərəcəli Butterworth band-pass filtrləməsidir. Mənbədə ayrıca ICA/EOG artefakt çıxarma proseduru ətraflı təsvir edilməyib.

Gecikmə barədə xəbərdarlıq: Məqalə ümumi sistem gecikməsi üçün 100 ms-dən aşağı hədəf göstərərkən adaptasiya mühərrikinin məlumatı 0,2 saniyə intervallarla aldığını da yazır. Mənbədə ucdan-uca latency benchmark nəticəsi olmadığı üçün 100 ms-dən aşağı real vaxt performansı doğrulanmış eksperimental nəticə kimi təqdim edilməyib.

Tətbiq sərhədi: Mənbə real proqram prototipi və Unity mühit adaptasiyası göstərir; lakin real VR başlığından istifadə edən iştirakçılarla qapalı dövr klinik və ya istifadəçi təcrübəsi tədqiqatı deyil. PTSD reabilitasiyası, fobiya tətbiqləri və neuro-gaming istifadəsi gələcək tətbiq potensialı kimi qiymətləndirilməlidir.

Verianla Live vəziyyəti: Ümumi accuracy ilə yalnız iki sinfə aid F1-score fərqli metriklərdir; neytral sinif metrikası yoxdur və nümunə saylarında mənbədaxili uyğunsuzluq mövcuddur. Buna görə Verianla Live istifadə edilməyib.

Elmi məzmun mənbəyi: Bu Verianla məqaləsindəki EEG preprocessing addımları, formullar, tezlik zolaqları, məlumat sayları, Random Forest nəticələri, Python–Unity arxitekturası, UDP ötürülməsi, thread-dispatch dizaynı və tətbiq məhdudiyyətləri araşdırılan tədqiqata əsaslanır. Xarici doğrulama yalnız biblioqrafik kimlik, jurnal/nəşriyyat, rəyçilik siyasəti və rəsmi nəşr qeydi üçün istifadə edilib.