Bu narrativ icmal, sürücü yuxululuğunun elektroensefaloqrafiya (EEG), tamamlayıcı biosiqnallar, taxıla bilən sensorlar və süni intellekt üsulları kullanılarak necə izlenebiləceğini yoxlamaktedir. Tədqiqat; EEG ritmlərinden siqnal ilkin emalıye, maşın öyrənməsinden konvolyusiyalı və transformer əsaslı modellere, qulaq ətrafı elektrodlardan real sürüş doğrulamasına kadar geniş bir teknik çərçivə sunmaktadır. Derlemenin ana sonucu, yüksək laboratoriya dəqiqliyinun tek başına güvənilir bir sürücü təhlükəsizliyi sistemi oluşturmadığı; kişilərden, cihazlardan və vəri kümelerinden müstəqil validasiya, gecikmə ölçməü, ehtimal kalibrlənməsi, qeyri-müəyyənlik analizi və təbii sürüş testlərinin gerekli olduğudur. Bununla belə tədqiqat yeni bir təcrübə, məlumat dəsti və ya meta-analiz sunmayan, sistematik tarama üsulu belirtilmemiş və rəyçi qiymətləndirməsindən keçməmiş bir preprinttir.

Sürücü uyuşukluğu, yalnızca gözlerin kapanmasıyla başlayan ani və ikili bir durum değildir. Uyanıklık ilə uyku arasında ilərleyen; dikkati, tepki süresini, şerit kontrolünü, tehlike algısını və karar vərmeyi giderek bozan neyrodavranışsal bir keçidtir. Sürücü kendi uyanıklığındaki azalmayı fark etmeden önce performansı bozulabiləceği üçün izləmə sisteminin yalnızca araç savrulduktan və ya gözler kapandıktan sonra değil, riskli fizyolojik değişim gelişirken uyarı üretmesi amaçlanmaktadır.

EEG bu amaç üçün əhəmiyyətlidir çünki beynin elektriksel etkinliğini yüksək zamansal çözünürlükle ölçer. Delta, theta, alfa və beta ritimlerindeki değişimler uyanıklığın azalması hakkında bilgi storlayabilir. Ancaq derleme tek bir EEG bandının və ya sabit bir eşik dəyərinin bütün sürücüler üçün geçerli olmadığını vurgulamaktadır. Uyku geçmişi, günün saati, bilişsel yük, gözlerin açıq və ya kapalı olması, elektrod mövqeu, storlık durumu və kişisəl fizyoloji aynı EEG göstəricisinin fərqli kişilərde fərqli görünmesine niyə ola bilər.

Türkiyə baxımından qiymətləndirmə: Tədqiqat belirli bir ölkə üçün geliştirilmiş təcrübəsel bir sistem sunmadığından Türkiyə’ye özgü nəticə bildirmemektedir. Bununla belə sürücülerin fərqli yaş, storlık, uyku düzeni, araç, yol, iqlim və tədqiqat koşullarında dəyərlendirilmesi gerektiğine ilişkin çərçivə Türkiyədə yürütülecek tədqiqatlara uyarlanabilir. Türkiyədə kullanılacak bir sistemin yerel sürücülerle, real yol koşullarında, gece və gündüz sürüşlerinde, fərqli araç siniflarında və btorımsız vəri kümelerinde doğrulanması gerekir. Derleme, EEG tabanlı cihazların kazaları kesin olaraq önlediğini və ya bugün birbaşa seri araçlara yerleştirilmeye hazır olduğunu göstermemektedir.

Sürücü uyuşukluğu niyə yalnızca kamera və ya araç hareketiyle ölçülemez?

Sürücü izləmə üsullari tədqiqatda üç ana grupta ele alınmaktadır: araç tabanlı göstəricilər, görüntü əsaslı izləmə və fizyolojik ölçmələr. Direksion hareketleri, şerit yawsı və araç dinamikleri sürüş performansındaki bozulmayı gösterebilir; ancaq bu değişimler oyanıqlıq azaldıktan sonra ortaya çıkabilir. Başka bir ifadeyle araç tabanlı sistemler çoğu zaman nörofizyolojik niyəin kendisini değil, sürüşte oluşan sonucu ölçer.

Kamera tabanlı üsullar göz kaptorının uzun süre kapalı kalmasını, esrütubəteyi, baxın istiqamətini və baş pozisyonunu izleyebilir. Bununla belə aydınlatma değişimi, gece sürüşü, gözlük, yüzün kısmen kapanması, kamera açısı və kişilər arasındaki yüz fərqlilıkları görüntü keyfiyyətini və model performansını etkiləyebilir.

Fizyolojik ölçmələr isə azalan uyanıklığın altında yatan sinirsel, gözle ilgili və otonom değişimlere daha birbaşa yaklaşır. Tədqiqatnın ikinci sayfasındaki Şekil 1, araç sinyallerini, kamera bulgularını və EEG, elektrookuloqrafiya ilə ürək ritmi gibi fizioloji siqnallari aynı izləmə zincirinde göstərir. Şekilde bu vərilərin süni intellekt ilə birleştirilərek sürekli bir uyuşukluk risk göstəricisine və önleyici uyarıya dönüştürülmesi təklif olunur.

EEG sürücünün uyanıklığındaki değişimi necə gösterir?

EEG, kafa derisi və ya kulak çmərhələsindeki elektrodlarla beynin elektriksel etkinliğini ölçür. Derlemede sürücü yuxululuğunun tek bir mərhələnsel EEG işaretiyle değil, fərqli tezlik bantları arasındaki dtorılımın değişmesiyle temsil edildiği izah edilir.

• Delta etkinliği: İleri uyuşukluk və mikroyuxu eğilimi sırasında artabilən yavaş dalga biləşenidir.
• Theta etkinliği: Erken yorgunlukta bilişsel çabanın və telafi edici kontrolün artışıyla, daha iləri mərhələlarda isə azalan oyanıqlıqla ilişkiləndiriləbilir.
• Alpha etkinliği: Görsel katılımın azalması və ya kortikal etkinliğin dinlenme istiqamətinde değişmesiyle btorlantılı ola bilər; ancaq değişimin istiqaməti görevə, göz durumuna və uyuşukluk mərhələsına göre fərqlilaşabilir.
• Beta etkinliği: Uyanıklık və etkin bilişsel katılımla ilişkiləndirilən daha sürətli etkinliktir; azalması uyanıklığın düşmesine eşlik edebilir.

Derleme, yavaş EEG etkinliğinin sürətli beta etkinliğine göre baskınlaşmasının azalan kortikal uyanıklığa işaret edebiləceğini belirtmektedir. Ancaq bu ilişki sabit bir diaqnoz eşiği değildir. Aynı sürücünün bilə fərqli günlerdeki uyku süresi, kafein istifadəı, stres səviyyəi və sürüş görevi EEG örüntüsünü değiştirebilir.

Tədqiqatnın altıncı sayfasındaki Şekil 2, uyanık durumdan yorgunluk və mikroyuxu riskine ilərleyen süreci EEG dalgaları, tezlik bandı güçleri, kafa derisi haritaları və zaman-tezlik görüntüləriyle birlikdə göstərir. Aynı şemada göz kırpma, ürək sürəti dəyişkənliyi, fotopletismoqrafiya, elektrodermal fəaliyyət və tənəffüs sinyallerinin de oyanıqlıq göstəricisine katkı storlayabiləceği anlatılmaktadır. Şeklin ana mesajı, güvənilir qiymətləndirmənin tek bir sinyal və ya sabit eşik yerine zaman üçünde değişen çoklu fizyolojik örüntülere dayanması gerektiğidir.

Uyuşukluk niyə ikili değil, sürekli bir durum olaraq modellenmelidir?

Birçok vəri dəsti sürücüyü “uyanık” və “uyuşuk” olaraq iki sinifa ayırmaktadır. Derleme bu yaklaşmaın, təhlükəsizlik uyarısının en dəyərli olabiləceği keçid mərhələsını gizleyebiləceğini belirtmektedir. Uyuşukluk; uyanık, erken yorgun, keçid hâlinde, iləri uyuşuk və mikroyuxu riski taşıyan səviyyəlerden oluşan sürekli bir proses olaraq düşünülebilir.

Göz kaptorının belirli bir zaman aralığında kapalı kaldığı nisbətı temsil eden PERCLOS, tepki süresindeki dəyişənlik və ya uzmanlarca puanlanan oyanıqlıq səviyyəi sürekli referans olaraq kullanılabilir. Zamansal modeller, yalnızca o anki EEG penceresine değil önceki oyanıqlıq durumlarına da bakarak ani və tutarsız sinif değişimlerini azaltabilir.

Bu yaklaşmaın təhlükəsizlik açısından örütubəti, sistemin yalnızca sürücünün başı düştüğünde və ya araç şeritten çıktığında tepki vərmemesi; risk artışının zamansal eğilimini yakalayarak daha erken və daha kararlı bir uyarı oluşturabilmesidir.

EEG dışında hansı biyosinyaller kullanılabilir?

Derleme, EEG’nin tamamlayıcı sinyallerle birleştirilmesinin geçici sinyal bozulmalarına karşı dayanıklılığı artırabiləceğini qiymətləndirməktedir:

• Elektrooküloqrafi (EOG): Göz hareketlerini, yavaş göz hareketlerini və göz kırpma dinamiklerini ölçer.
• Elektrokardiyoqrafi (ECG): Kalbin elektriksel etkinliğini və kalp atımları arasındaki süreleri kaydeder.
• Kalp sürətı dəyişənliği (HRV): Ardışık kalp atımları arasındaki süre değişimini inceler və otonom sinir sistemi hakkında bilgi storlar.
• Fotopletismoqrafi (PPG): optik olaraq nabız dalgasını ölçer və saat və ya kulaklık benzeri cihazlara yerleştiriləbilir.
• Elektrodermal etkinlik: Derinin ter bezi etkinliğine btorlı keçiricilik değişimini ölçerek sempatik uyarılma hakkında bilgi vərir.
• Solunum: Solunum sürətı və örüntüsündeki değişimleri izler.

Bu sinyaller EEG’nin yerine geçen qüsursuz göstəricilər değildir. Örneğin ürək sürəti dəyişkənliyi stres, tənəffüs, duruş, dərman, kafein və kardiyovasküler durumdan etkilənebilir. Elektrodermal etkinlik stres ilə uyuşukluğu birbirine karıştırabilir. EOG isə göz hareketleri konusunda güclü olsa da tek başına kortikal uyanıklığı birbaşa ölçmez.

Çoklu sensor yaklaşmaının amacı, her sensorun fərqli bir fizyolojik biləşeni yakalamasından yararlanmaktır. Buna karşılık sensor sayısının artması eş zamanlama, enerji istehlakı, kalibrasiya, bakım, vəri aktarımı və kullanıcı rahatsızlığı sorunlarını da büyütmektedir. Derleme, olabiləcek en fazla sensoru kullanmak yerine aştorı kanallı bir EEG çekirdeğine öngörü dəyəri yüksək bir və ya iki tamamlayıcı sinyal eklenmesinin daha uygulanabilir olabiləceğini savunmaktadır.

Giyiləbilir EEG sistemleri niyə əhəmiyyətlidir?

Tədqiqat sinifı EEG sistemleri yüksək sayıda kanal, ilətken jel, kafa derisi hazırlığı, kablo və təlimli uygulayıcı gerektirebilir. Bu kurulumlar kontrollü laboratoriya təcrübəleri üçün yararlı olsa da günlük araç istifadəında rahat, sürətli və görünmez bir izləmə sistemi oluşturmak üçün uygun değildir.

Kulak çmərhələsi və qulaq içi elektrodlar, saçın daha az olduğu və görsel olaraq daha az dikkat çeken bir bölgeden EEG kaydı almayı amaçlamaktadır. Kuru elektrodlar ilətken jel gerektirmediği üçün uzunmüddətli və kişisəl istifadəa daha uygundur. Kulaklık biçimindeki cihazlar ayrıca EEG, EOG, elektrodermal fəaliyyət və başka sensorleri ortak bir gövdə üçünde birleştirme olantorı sunmaktadır.

Bununla belə daha rahat bir cihaz otomatik olaraq güvənilir bir cihaz anlamına gelmez. Kulak çmərhələsi EEG sinyalleri kafa derisi sistemlerine göre daha aştorı amplitudali və daha sınırlı mekânsal kapsama sahip ola bilər. Terleme, çene hareketi, konuşma, vibrasiya, elektrodun yerdəyişməsi və kişilər arasındaki kulak struktursı fərqlilıkları temas kalitesini bozabilir.

Gerçek istifadə üçün yalnızca təsnifat algoritması değil; elektrod materialı, temas basıncı, cilt təhlükəsizği, temizlik, anatomik uyum, pil süresi, kablosuz vəri təhlükəsizği, elektromaqnit uyumluluk və cihazın arıza hâlindeki davranışı da dəyərlendirilmelidir.

EEG vərisi necə temizlenir və hazırlanır?

EEG sinyali aştorı amplitudalidir və göz hareketi, yüz kasları, elektrik hattı paraziti, araç vibrasiyai və elektrod hareketinden kolayca etkilənebilir. Derlemede tipik bir ön işləmə zinciri şu şəkilde izah edilir:

1. Kanal kalitesinin və elektrod temasının dəyərlendirilmesi,
2. EEG kanallarının yeniden referanslanması,
3. Bant geçiren filtreyle ilgi dışındaki tezlikların azaltılması,
4. Şebeke elektriği parazitinin çentik filtreyle bastırılması,
5. Sinyalin zaman pencerelerine ayrılması,
6. Bozuk bölümlerin və ya biləşenlerin aşkarlama edilmesi,
7. Ölçek və dtorılım fərqlilıklarının normalizasyonla azaltılması.

Btorımsız biləşen analizi, göz və kas mənbəlı örüntüleri EEG’den ayırmak amacıyla kullanılabilir. Ancaq derlemenin əhəmiyyətli uyarılarından biri, aşırı agresif temizliğin uyuşuklukla ilişkili real göz hareketi bilgisini de siləbilmesidir. EEG’ye ek olaraq EOG kullanılan bir sistemde göz etkinliği ayrı bir sinyal olaraq korunabilirken, yalnızca EEG kullanan bir modelde hansı biləşenlerin kaldırıldığı xüsusilikle dikkatle dəyərlendirilmelidir.

EEG’den hansı xüsusilikler çıkarılır?

Geleneksel maşın öyrənməsi üsullari, her sinyal penceresini siniflandırıcının kullanabiləceği sayısal xüsusiliklere dönüştürür. Derlemede üç ana xüsusilik alanı ele alınmaktadır:

Uzun analiz pencereleri tezlik gücünü daha kararlı hesaplayabilir, ancaq uyarının gecikməsine yol açar. Kısa pencereler daha sürətli tepki vərirken daha dəyişən və gürültülü nəticələr üretebilir. Örtüşen pencereler, zamansal yumuşatma, kişiye uyarlanan başlangıç dəyərləri və ardışık filtreleme bu dengeyi iyiləştirmek üçün kullanılabilir.

Çoklu biyosinyaller necə birleştirilir?

Derlemede üç əsas vəri birleştirme stratejisi izah edilir:

• Erken birleştirme: EEG, EOG, ECG və ya diğer sensorlerden çıkarılan xüsusilikler tek bir xüsusilik vəktöründe birleştirilir. Yöntem bturşutir ancaq ölçek farklarına və eksik sensorlere duyarlıdır.
• Ara səviyyə birleştirme: Her sinyal üçün ayrı temsil öğrenilir və bu temsiller modelin ara qatlarında birleştirilir. Sinyaller arasındaki ilişkiləri öğrenebilir ancaq daha karmaşık bir model gerektirir.
• Geç birleştirme: Her sensor ayrı bir tahmin üretir və son karar bu tahminlerin birleştirilmesiyle vərilir. Modülerdir və bir sensor dmərhələ dışı kaldığında daha esnek ola bilər; ancaq sinyaller arasındaki erken qarşılıqlı təsirleri kaçırabilir.

Özellik seçimi və boyut azaltma işləməlerinin yalnızca təlim vəriləri üzerinde strukturlması lazımdır. Bütün vəri kullanılarak önceden seçilən xüsusilikler test iştirakçılarından təlim sürecine bilgi sızmasına və realte olduğundan daha yüksək performans bildirilmesine niyə ola bilər.

Hangi maşın öyrənməsi üsullari istifadə olunur?

Dəstək vəktor maşınları, doğrusal ayırma analizi, logistik reqressiya, k-en yakın komşu, təsadüfi meşə və gücləndirmə üsullari sınırlı iştirakçı sayısına sahip vəri kümelerinde etkili ola bilər. Bu modeller bant gücü, dalgacık, entropiya və istatistiksel xüsusiliklere dayanır. Hesaplama gereksinimleri görece aştorı olduğu üçün araç içi və ya giyiləbilir uc cihazlarda uygulanmaları daha kolay ola bilər.

Geleneksel modellerin əsas sınırlılığı, başarılarının büyük ölçüde sinyal temizliğine və elle seçilmiş xüsusiliklerin kalitesine btorlı olmasıdır. Sürücüler arasında EEG örüntüleri değiştiğinde sabit xüsusilikler yeterli olmayabilir. Buna rtormen derleme, dərin öyrənmə modellerinin mutlaka daha iyi olduğu sonucuna varmamaktadır; küçük vəri kümelerinde daha sade modeller daha kararlı və açıqlanabilir nəticələr vərebilir.

Derin öğrenme modelleri neyi değiştirmektedir?

Konvolüsyonel sinir torları (CNN), ham və ya az işlenmiş EEG’den yerel zamansal və elektrodlar arası mekânsal örüntüleri öğrenebilir. EEGNet gibi derinlik ayrılabilir konvolüsyon kullanan kompakt arxitekturaler, daha az parametreyle çalıştıkları üçün aştorı güç tüketimli giyiləbilir sistemler açısından əhəmiyyətlidir.

Uzun qısamüddətli bellek torları (LSTM), zamansal konvolüsyon torları və CNN-LSTM birleşimleri uyuşukluğun zaman üçündeki ilərleyişini modellemeyi amaçlar. Dikkat mekanizmaları və transformer arxitekturaleri, fərqli zaman noktaları və ya EEG kanalları arasındaki daha uzunmüddətli ilişkiləri öğrenebilir. EEG Conformer yaklaşmaı, yerel EEG örüntülerini çıkaran konvolüsyon qatlarını daha geniş btorlamı dəyərlendiren öz dikkat mekanizmasıyla birleştirmektedir.

Derin modellerin əhəmiyyətli riski, uyuşukluğun fizyolojik işaretlerini öğrenmek yerine kişinin kimliyini, qeyd cihazının xüsusiliklerini və ya hareket artefaktlarını ezberlemesidir. Bu niyəle model açıqlamaları, tezlik bozma testleri, kanal çıkarma təcrübəleri və xüsusilik azaltma analizleriyle kararların realçi nörofizyolojik örüntülere dayanıp dayanmadığı araştırılmalıdır.

Katılımcı sızıntısı performansı niyə yapay olaraq yükseltir?

EEG kaydı kısa pencerelere bölündüğünde aynı kişiden alınan komşu pencereler birbirine oldukça benzer ola bilər. Bu pencerelerin bir kısmı təlim, bir kısmı test grubuna rastgele dtorıtılırsa model yeni bir sürücüde uyuşukluğu diaqnozmak yerine təlim sırasında gördüğü kişinin EEG struktursını diaqnozyabilir.

Gerçek bir kişi btorımsız qiymətləndirməde, test grubundaki sürücülerin hiçbir kaydı model geliştirme sürecinde kullanılmamalıdır. Veri bölme işləməi siqnal ilkin emalı, xüsusilik seçimi, boyut azaltma və hiperparametre ayarından önce strukturlmalıdır. Küçük vəri kümelerinde iç içe xaç doğrulama; daha güclü bir kanıt səviyyəinde isə başka merkez, cihaz və ya vəri dəstinden gelen tamamen btorımsız xarici doğrulama kullanılmalıdır.

Doğruluk niyə tek başına yeterli değildir?

Uyuşukluk olayları uyanık sürüşten daha seyrek olduğunda model bütün pencereleri uyanık olaraq işaretleyerek yüksək görünen bir dəqiqlik elde edebilir. Derleme bu niyəle aştorıdaki ölçütlerin birlikdə raporlanmasını təklifktedir:

• Duyarlılık və spesifiklik,
• Kesinlik və F1 skoru,
• Dmaneəi dəqiqlik,
• Matthews korrelyasiya əmsalı,
• ROC-AUC və PR-AUC,
• Uyuşukluk olayını algılama gecikməsi,
• Sürekli tahminlerde hata və zamansal uyum,
• Olasılık kalibrasiyau və tahmin belirsizliği.

Bir model uyuşuk və uyanık örnekleri doğru sıralasa bilə tahmin ettiği risk mümkünlıkları güvənilir olmayabilir. Örneğin yüzde 90 risk bildirdiği olayların yalnızca küçük bir kısmı realten uyuşukluk içeriyorsa uyarı sistemi gereksiz alarmlar üretir. Kalibrasyon eğriləri, Brier balı və beklenen kalibrasiya hatası, tahmin edilən mümkünlığın gözlenen olay sıklığıyla ne kadar uyumlu olduğunu qiymətləndirmək üçün kullanılabilir.

Belirsizlik tahmini de təhlükəsizlik açısından əhəmiyyətlidir. Elektrot teması kötüleştiğinde və ya model daha önce görmediği bir fizyolojik örüntüyle karşılaştığında sistem kesin fakat yanlış bir karar vərmek yerine aştorı güvən bildirebilmeli ya da karar vərmekten kaçınabilmelidir.

Laboratuvar başarısından real sürüşe necə geçilir?

Tədqiqatnın onuncu sayfasındaki Şekil 3, geliştirme və vəri bölmeden performans qiymətləndirməsine, oradan araç içi izləmə və canlı uygulamaya uzanan bir doğrulama yolu göstərir. Şemada btorımsız iştirakçı ayırmaı, iç içe xaç doğrulama, dış vəri kümeleri, çoklu performans ölçütleri, kalibrasiya, tahmin belirsizliği, uyarı sistemi, vəri təhlükəsizği və dtorıtım sonrası izləmə birlikdə ele alınmaktadır.

Simülatör təcrübəleri, üsulun ilk qiymətləndirməsini storlayabilir; ancaq real sürüşte yol səthi, araç vibrasiyai, konuşma, çene hareketi, gece-gündüz değişimi, fərqli iqlimler, trafik yoğunluğu və sürücü davranışı gibi ek dəyişənler vardır. Prospektif qiymətləndirməde yalnızca doğru təsnifat değil, uyarının sürücüye zamanında ulaşması, anlaşılması, aşırı alarm üretmemesi və sürücünün təhlükəsiz bir davranış göstermesine yardımcı olması dəyərlendirilmelidir.

Uzun süreli beyin və kalp sinyalleri, yalnızca uyuşukluk hakkında değil başka fizyolojik xüsusilikler hakkında da bilgi taşıyabilir. Bu niyəle vəri minimizasyonu, yerel cihazda işləmə, təhlükəsiz kablosuz rabitə, anonimleştirme, erişim kontrolü, yazılım sürüm takibi və dtorıtım sonrası təhlükəsizlik izləmə sistemin əsas biləşenleri olmalıdır.

Karşılaştırılan tədqiqatların ortak mesajı nədir?

Derlemenin Tablo 1’i sekiz temsilî tədqiqatyı sinyal, üsul, doğrulama odtorı, katkı və məhdudiyyət açısından müqayisəktadır. Tədqiqatların ortak istiqaməti, EEG bant ölçülerinden dalgacık xüsusiliklerine və derin torlara kadar çok fərqli üsullarin kontrollü koşullarda uyuşuklukla ilişkili örüntüler yakalayabilmesidir.

Ancaq cədvəlda her üsulun sınırlılığı da vurgulanmaktadır. El strukturmı xüsusilikler kişilər arası değişime duyarlı ola bilər; çoklu biyosinyal xüsusilikleri karmaşık ön işləmə gerektirebilir; HRV stres və storlık durumundan etkilənebilir; dinamik modeller güvənilir referans etikaetlerine ihtiyaç duyar; derin torlar aşırı uyum və iştirakçı sızması riski taşır; qulaq içi EEG cihazları isə uzunmüddətli doğal sürüşte henüz yeterince təsdiqlənməmişdir.

Derlemenin ümumi qiymətləndirməsi, tek bir algoritmanın bütün sorunları çözmediğidir. Gerçek istifadə dəyəri; sensor rahatlığı, sinyal güvənilirliği, kişi btorımsız ümumiləme, aştorı gecikmə, enerji vərimliliği, açıqlanabilirlik və insan-makine qarşılıqlı təsirinin birlikdə geliştirilmesine btorlıdır.

Tədqiqatnın güclü yönleri nelerdir?

• EEG fizyolojisini, giyiləbilir donanımı, sinyal işləməyi və süni intellektyı ortak bir sistem perspektifinde ele almaktadır.
• Uyuşukluğu yalnızca ikili təsnifat değil, zaman üçünde ilərleyen bir fizyolojik proses olaraq qiymətləndirməktedir.
• Katılımcı sızıntısı və rastgele pencere bölme sorunlarını görünür hâle getirmektedir.
• Doğruluk dışında kalibrasiya, qeyri-müəyyənlik, gecikmə və xarici doğrulama gereksinimlerine dikkat dartılmaktedir.
• Giyiləbilir EEG’nin konfor, temas kalitesi, pil, kablosuz təhlükəsizlik və real istifadə sorunlarını tartışmaktadır.
• Yapay zekâ başarısını sürücü davranışı və təhlükəsiz uyarı tasarımından ayrı qiymətləndirməmektedir.

Tədqiqatnın məhdudiyyətləri nelerdir?

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprinttir.
• Anlatısal derlemedir; sistematik tarama protokolü bildirilmemiştir.
• Hangi vəri tabanlarının, hansı tarihler arasında və hansı anahtar kelimelerle tarandığı açıqlanmamışdır.
• Dahil etme və dışlama ölçütleri ilə tədqiqat seçim axını vərilməmişdir.
• Kaynakların risk yanlılığı və ya metodolojik kalite qiymətləndirməsi strukturlmamıştır.
• Meta-analiz, birleştirilmiş dəqiqlik və ya nicel etki büyüklüğü təqdim edilməmişdir.
• Temsilî tədqiqatların seçilme gerekçesi açıqlanmamışdır.
• Bazı metin içi atıf numaraları mənbəça qeydləriyla eşleşmemektedir.
• Kaynakçada makalenin yazım tarihinden sonraki bir yayın tarihini taşıyan qeyd bulunmaktadır.
• Derlemenin bazı mənbəları sürücü yuxululuğu konusuna birbaşa fokuslanmamaktadır.

Tədqiqat neyi dəstəkləyir?

Tədqiqat, EEG’nin sürücü uyanıklığındaki zamansal değişimleri yoxlamak üçün fizyolojik açıdan anlamlı bir sinyal olduğunu; EOG, ECG, HRV, PPG, elektrodermal fəaliyyət və tənəffüsla birleştirildiğinde daha geniş bir durum qiymətləndirməsi strukturlabiləceğini dəstəkləyir. Bundan əlavə kişi müstəqil validasiya, güvənilir mümkünlık tahmini, qeyri-müəyyənlik yönetimi və təbii sürüş testlərinin real uygulama üçün gerekli olduğunu savunmaktadır.

Tədqiqat neyi sübut etmir?

Bu derleme belirli bir modelin en yüksək doğruluğa sahip olduğunu, qulaq içi EEG’nin bütün sürücülerde güvənilir çalıştığını və ya herhansı bir sistemin trafik kazalarını azalttığını birbaşa sübut etmir. Yeni iştirakçılarla təcrübə strukturlmamış, bir prototip geliştirilmemiş və real araçta təhlükəsizlik sonucu ölçülməmişdir. İncelenen üsullarin laboratoriya performansı, ticari və ya operasyonel istifadəa hazır oldukları anlamına gelmez.

Tədqiqatnın Yöntemi və Bulguları

Derlemenin üsulsel struktursı

Sinyalden uyarıya önerilən teknik zincir

1. EEG və seçilən tamamlayıcı biosiqnallar taxıla bilən sensorlarden kaydedilir.
2. Kanal kalitesi və elektrod teması real vaxtlı olaraq dəyərlendirilir.
3. Gürültü, elektrik hattı paraziti, göz, kas və hareket mənbəlı artefaktlar yönetilir.
4. Sinyaller zaman pencerelerine ayrılır və uygun biçimde normalleştirilir.
5. Zaman, tezlik və ya zaman-tezlik xüsusilikleri çıkarılır ya da temsil birbaşa derin tor tarafından öğrenilir.
6. Birden fazla sensor kullanılıyorsa erken, ara səviyyə və ya geç birleştirme uygulanır.
7. Model oyanıqlıq sinifı, sürekli uyuşukluk səviyyəi və ya risk mümkünlığı üretir.
8. Zamansal yumuşatma və qeyri-müəyyənlik kontrolüyle kararsız tahminler azaltılır.
9. Risk eşiği aşıldığında sesli, görsel və ya teksturansal uyarı oluşturulur.
10. Uyarının gecikməsi, yanlış alarm nisbətı və sürücünün tepkisi real sürüş koşullarında dəyərlendirilir.

Derlemenin əsas bulgularının teknik xülasəi

Tədqiqatda yeni bir siniflandırıcı eğitilmediği üçün özgün dəqiqlik, həssaslıq, spesifiklik, AUC, F1 skoru və ya istatistiksel anlamlılık dəyəri bildirilmemiştir. Temsilî tədqiqatlara ait fərqli üsullar anlatılmış, ancaq bunların nəticələri ortak bir analizde birleştirilmemiştir. Bu niyəle derlemeden “en başarılı model” və ya “orta dəqiqlik” sonucu çıkarılamaz.

Kaynak və Yöntem Notu

Tədqiqatnın tam özgün adı: AI-Drivən EEG-Based Drivər Drowsiness Detection: A Narrativə Review of Biosignals and Wearable Devices

Yazarlar, doğru sıralamayla: Mahsa Khaghani Asl Toloun; Aida Khaghani Asl Toloun.

Eş birinci müəllif və ya eş katkı: Metinde eş birinci müəlliflık və ya eş katkı bildirimi yer almır.

Sorumlu müəllif: Mahsa Khaghani Asl Toloun.

Kurumsal btorlantı: Department of Biomedical Engineering, Science and Research Branch, Islamic Azad Univərsity, Tehran, Iran.

DOI: Yüklenen sürümde və doğrulanan SSRN kaydında DOI bilgisi gösterilmemektedir. DOI peykrulmamıştır.

SSRN qeyd numarası: 7139298.

Dergi: Hakemli bir dergi adı və ya kabul edilmiş dergi sürümü doğrulanamamıştır.

Yayın platformu: SSRN.

Özgün yayınevi: Hakemli bir dergi yayınevi bu sürüm üçün yoxdur; tədqiqat SSRN preprint platformunda sunulmuştur.

Tədqiqatnın yazım tarihi: 14 Temmuz 2026.

SSRN’ye yüklenme tarihi: 23 Temmuz 2026.

Kaynak türü: Anlatısal derleme və preprint.

Hakemlik durumu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprinttir; nəticələri və literatür yorumları bu məhdudiyyət dikkate alınarak okunmalıdır.

Resmî mənbə btorlantısı:SSRN tədqiqat kaydı

Bu türk dili içerik yüklenen tədqiqatın ana metni, müqayisəlı cədvəlsu, EEG və biyosinyal şəkilleri, üsul tartışmaları və mənbəçası əsas alınarak hazırlanmışdır. Dış mənbəlardan bilimsel bulgu eklenmemiş; dış kontrol yalnızca tədqiqatın SSRN üzerindeki bibliyoqraf kimliyini və yayın tarihini doğrulamak üçün istifadə edilmişdir.

Tədqiqat yeni təcrübəsel vəri üretmemekte, belirli bir cihazı test etmemekte və meta-analiz realleştirmemektedir. Sistematik bir literatür taraması üçün gerekli vərilənlər bazası, arama dizisi, tarih aralığı, dahil etme və dışlama ölçütleri, seçim axını və risk yanlılığı qiymətləndirməsi təqdim edilməmişdir. Bu niyəle derlemenin bütün ilgili yayınları kapsadığı və ya temsilî tədqiqatların tarafsız bir üsulle seçildiği doğrulanamaz.

Metin içi atıflar ilə mənbəça arasında birden fazla numara eşleşme sorunu bulunmaktadır. EEGLAB, EEG Conformer, TRIPOD+AI, PROBAST+AI və DECIDE-AI ilə ilgili bazı atıflar mənbəçadaki karşılıklarıyla tutarlı değildir. Kaynakçada tədqiqatın yazım tarihinden sonraki Aralık 2026 tarihini taşıyan bir qeyd da bulunmaktadır. Bu sorunlar, makalenin əsas kavramsal çərçivəsini tamamen geçersiz kılmaz; ancaq bibliyoqraf güvənilirliği azaltır və nihai yayın öncesinde müəlliflər və ya platform tarafından düzeltilmesi gerekir.

Derlemenin ana sonucu, EEG tabanlı sürücü yuxululuğu izləmənin bilimsel və teknik açıdan umut vərici olduğu, fakat laboratoriya təsnifat doğruluğunun real yol təhlükəsizği etkisiyle eş tutulamayactorıdır. Güvənilir uygulama üçün kişi btorımsız və vəri kümeleri arası doğrulama, doğal sürüş testi, ölçülmüş algılama gecikməsi, kalibrasiya, qeyri-müəyyənlik yönetimi, açıqlanabilirlik, vəri təhlükəsizği və insan faktörleri qiymətləndirməsi zəruridir.