Bu araştırma, elektroensefalografi (EEG) sinyallerinden kullanıcının emosyonel durumunu sınıflandıran ve tahmin edilen duruma göre Unity 3D içinde görsel ve işitsel atmosferi değiştiren bir Nöro-Adaptif Sanal Ortam (NAVE) prototipi geliştiriyor. Model DREAMER veri setindeki 23 katılımcının 14 kanallı, 128 Hz EEG kayıtlarını kullanıyor; 1 saniyelik sinyal parçalarından zaman ve frekans alanı özellikleri çıkarılıyor ve valence değerine göre negatif, nötr ve pozitif olmak üzere üç sınıflı Random Forest modeli eğitiliyor. Kaynakta test doğruluğu %70,39, pozitif sınıf için F1=0,74 ve negatif sınıf için F1=0,73 olarak bildiriliyor. En önemli yorum sınırı, eğitim ve test ayrımının katılımcı bazında değil rastgele EEG epokları üzerinden yapılmasıdır; bu nedenle %70,39 değeri daha önce hiç görülmemiş bir kişide aynı doğruluğun elde edileceğini göstermemektedir.

Sistemin veri zinciri EEG sinyaliyle başlıyor. DREAMER kayıtları önce normalleştiriliyor ve 1–50 Hz aralığında dördüncü dereceden Butterworth band-pass filtresinden geçiriliyor. Ardından her 1 saniyelik pencerede ortalama, standart sapma, Hjorth parametreleri, çarpıklık, basıklık, Welch yöntemiyle güç spektral yoğunluğu, spektral entropi, sınır frekansları ve kanallar arası korelasyonlar gibi özelliklerin hesaplandığı belirtiliyor. Kaynak her epok için toplam 878 özellik bildirmektedir.

EEG'nin temel frekans bileşenleri delta, theta, alpha, beta ve gamma bantları olarak işleniyor. Kaynak ayrıca beta/alpha oranını arousal göstergesi; \((\beta+\gamma)/(\alpha+\theta)\) veya \(\beta/\alpha\) oranını stress index; bunun tersi olan \((\alpha+\theta)/(\beta+\gamma)\) oranını relaxation index olarak hesaplıyor. Bu indeksler Random Forest için kullanılan geniş özellik setinin yanında Unity'ye aktarılabilen nöro-emosyonel göstergeler olarak sunuluyor.

Eğitilmiş model rf_model.pkl, ölçekleyici ise scaler.pkl biçiminde saklanıyor. Python backend sınıflandırma sonucunu UDP üzerinden Unity'ye gönderiyor. Unity tarafında veri alma işlemi ayrı bir background thread üzerinde yürütülüyor; alınan paketler ana render iş parçacığına bir dispatcher kuyruğu üzerinden aktarılıyor. Böylece ağ dinleme işleminin Unity'nin ana grafik döngüsünü bloke etmemesi amaçlanıyor.

Unity ortamında yalnız “pozitif/negatif/nötr” etiketi değişmiyor. Kaynak; gökyüzü rengi, güneş görünümü, exposure, sis/particle yoğunluğu ve arka plan sesinin emosyonel sınıfa göre değiştirilmesini tarif ediyor. Ses değişimleri ani geçiş yerine audio crossfade, görsel parametreler ise yumuşak interpolasyon yaklaşımıyla uygulanıyor.

Bununla birlikte çalışma tamamlanmış bir VR terapi sistemi değildir. Yeni bir VR kullanıcısı üzerinde klinik deney yapılmamış, PTSD veya fobi tedavisinde etkinlik ölçülmemiş, gerçek VR başlığıyla cybersickness testi gerçekleştirilmemiş ve sistemin toplam uçtan uca gecikmesi nicel benchmark ile doğrulanmamıştır. Kaynağın rehabilitasyon, fobi simülasyonları ve neuro-gaming hakkındaki ifadeleri gelecekteki uygulama potansiyelidir.

Türkiye açısından çalışma; beyin-bilgisayar arayüzleri, oyun teknolojileri, nöro-oyun, insan–bilgisayar etkileşimi, eğitim simülasyonları ve kullanıcı durumuna uyarlanan dijital ortamlar üzerine çalışan araştırma grupları için uygulanabilir bir yazılım mimarisi örneğidir. Ancak gerçek kullanıcıya uyarlanmış bir Türkiye uygulaması için katılımcıdan bağımsız test, Türk kullanıcı örneklemi, farklı EEG cihazları, gerçek zamanlı artefakt yönetimi, gecikme ölçümü ve kullanıcı deneyimi doğrulaması ayrıca gereklidir.

Araştırmanın çözmeye çalıştığı temel problem nedir?

Çalışmanın çıkış noktası, çoğu sanal gerçeklik ve artırılmış gerçeklik sisteminin kullanıcıya zengin görsel ve işitsel ortam sunmasına rağmen kullanıcının iç emosyonel durumunu doğrudan dikkate almamasıdır. Geleneksel sistemlerde kullanıcı etkileşimi çoğunlukla klavye, gamepad, hareket kontrolcüsü veya önceden hazırlanmış senaryolar üzerinden gerçekleşir.

Araştırmacıların önerdiği yaklaşımda sanal ortam yalnız kullanıcının açık komutlarına değil, EEG sinyallerinden tahmin edilen emosyonel duruma da tepki vermektedir. Böylece sistem:

EEG → sinyal işleme → özellik çıkarımı → emosyon sınıflandırması → ağ üzerinden aktarım → Unity ortam adaptasyonu

biçiminde kapalı bir biokibernetik döngü kurmayı hedeflemektedir.

Kullanılan DREAMER verisi ne içeriyor?

Kaynağa göre DREAMER veri seti 23 katılımcı ve her katılımcı için 18 video uyaranı içermektedir. EEG sinyalleri 128 Hz örnekleme hızında 14 kanal üzerinden kaydedilmiştir.

Kullanılan kanal sırası şöyledir:

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

Bir saniyelik ham giriş matrisi:

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

biçimindedir. Yani her saniye için kanal başına 128 örnek, toplam 14 EEG kanalı bulunmaktadır.

Emosyon sınıfları nasıl oluşturuluyor?

DREAMER katılımcıları video uyaranlarından sonra Valence, Arousal ve Dominance değerlerini 1–5 Likert ölçeğinde değerlendirmektedir. Çalışmada sınıflandırma hedefi esas olarak Valence değerinden üretilmektedir.

Kaynağın kullandığı sınıf kuralı:

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

şeklindedir.

Bu nedenle model klinik anlamda “mutlu”, “depresif”, “stresli” veya başka psikiyatrik durumları teşhis etmemektedir. Model, DREAMER katılımcılarının valence öz değerlendirmelerini üç sınıfa ayırmayı öğrenmektedir.

EEG sinyalleri nasıl normalleştiriliyor?

Her EEG kanalı için Z-score normalizasyonu uygulanmaktadır:

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

Burada \(x_n\) ham sinyal örneği, \(\mu_x\) ilgili kanalın ortalama değeri ve \(\sigma_x\) standart sapmasıdır. \(10^{-8}\) terimi, standart sapmanın sıfıra yaklaşması durumunda sayısal bölme sorununu engellemek amacıyla paydaya eklenmektedir.

Kaynak bu işlemi farklı kişiler arasındaki sinyal ölçeklerinin dengelenmesi amacıyla kullanmaktadır.

Butterworth filtre hangi aralığı kullanıyor?

Normalizasyonun ardından dördüncü dereceden Butterworth band-pass filtre uygulanmaktadır. Kaynak filtrenin çalışma aralığını:

1,0–50,0 Hz

olarak vermektedir.

Butterworth filtresinin kaynakta gösterilen temel genlik ilişkisi:

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

şeklindedir ve burada \(N=4\) filtre derecesini ifade etmektedir.

Makale bu filtrelemenin terleme, göz kırpma ve elektrik şebekesi kaynaklı gürültüleri azaltmak amacıyla kullanıldığını belirtmektedir. Bununla birlikte ayrı bir ICA, EOG regresyonu veya özel artefakt çıkarma algoritması ayrıntılandırılmamıştır.

EEG frekans bantları nasıl hesaplanıyor?

Her temizlenmiş 1 saniyelik pencere üzerinde Welch yöntemiyle güç spektral yoğunluğu (Power Spectral Density, PSD) hesaplanmaktadır:

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

PSD değerleri daha sonra kaynakta tanımlanan EEG bantlarına ayrılmaktadır:

Bu bant güçleri hem özellik mühendisliğinin hem de Unity'ye gönderilen nöro-emosyonel giriş vektörünün parçaları olarak kullanılmaktadır.

Arousal, stress ve relaxation indeksleri nasıl tanımlanıyor?

Kaynak üç yardımcı oran kullanmaktadır.

Arousal oranı:

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

Stress Index:

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

ve kaynakta alternatif olarak:

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

ifadesi de verilmektedir.

Relaxation Index:

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

şeklinde hesaplanmaktadır.

Bu oranlar çalışmanın yazılımında nöro-emosyonel göstergeler olarak kullanılmaktadır; kaynak bunların bağımsız klinik stress veya gevşeme tanısı olarak doğrulandığı bir klinik çalışma sunmamaktadır.

Kaç özellik çıkarıldı?

Özet bölümüne göre her bir 1 saniyelik epoktan 878 özellik çıkarılmıştır. Kaynak bunların zaman ve frekans alanındaki bileşenlerini şu başlıklarda tanımlamaktadır:

• ortalama,
• standart sapma,
• Hjorth parametreleri,
• skewness,
• kurtosis,
• Welch PSD özellikleri,
• spektral entropi,
• edge frequencies,
• kanallar arası korelasyonlar.

Ancak makale 878 boyutun tümünü ayrı ayrı sayan bir feature dictionary veya ek tablo vermediği için bu toplam kaynak metninden bağımsız biçimde yeniden oluşturulamamaktadır.

Örnek sayısında neden dikkatli olunmalı?

Çalışmanın en önemli iç veri tutarsızlıklarından biri eğitim örneği sayısıdır. Özet bölümünde segmentasyon sonucunda:

85.744 benzersiz eğitim örneği

elde edildiği yazmaktadır.

Buna karşılık Random Forest eğitim bölümünde:

• Toplam epok: 17.149
• Eğitim: 13.719
• Test: 3.430

değerleri verilmektedir.

Kaynak 85.744 ile 17.149 arasındaki farkı açıklayan ayrı bir veri artırma, cross-validation, pencere çoğaltma veya başka dönüşüm hesabı sunmamaktadır. Bu nedenle iki sayı sessizce tek bir örnek sayısına dönüştürülmemelidir.

Random Forest nasıl değerlendirildi?

Veriler kaynakta %80 eğitim ve %20 test biçiminde rastgele bölünmüştür. Model, üç valence sınıfını Random Forest ile tahmin etmektedir.

Kaynak değerlendirmede Accuracy, Precision, Recall ve F1-score metriklerini tanımlamaktadır. Fakat görünür sayısal sonuç olarak şu değerler raporlanmıştır:

Bu sonuçlar modelin DREAMER'dan oluşturulan test epoklarında emosyon sınıfları arasında ayırım yapabildiğini göstermektedir.

%70,39 doğruluk neyi kanıtlamıyor?

Test ayrımı epoch seviyesinde rastgele yapılmıştır. Makale 23 katılımcının tamamından gelen kayıtların önce kişilere göre ayrıldığını ve belirli kişilerin yalnız test grubunda tutulduğunu belirtmemektedir.

Bu nedenle %70,39:

• aynı veri işleme düzeni içinde ayrılmış test epoklarındaki başarıdır,
• yeni bir kişinin EEG'sinde doğrulanmış subject-independent başarı değildir,
• gerçek zamanlı yeni VR kullanıcısında ölçülmüş doğruluk değildir.

Yeni kullanıcıya genellenebilirliği değerlendirmek için katılımcı bazlı hold-out veya benzeri kişi-bağımsız doğrulamanın ayrıca yapılması gerekir.

Model Unity'ye nasıl bağlanıyor?

Eğitim tamamlandığında Random Forest modeli:

rf_model.pkl

ve preprocessing ölçekleyicisi:

scaler.pkl

olarak kaydedilmektedir.

Python backend tahminleri UDP protokolüyle Unity tarafına iletir. Unity içinde EEGReceiver.cs sınıfı UDP portunu dinlemektedir.

Kaynakta kullanılan port:

5005

olarak belirtilmiştir.

Neden background thread kullanılıyor?

UdpClient.Receive() bloklayıcı çalıştığı için Unity'nin ana render iş parçacığında kullanılması durumunda uygulama veri gelene kadar bekleyebilir. Çalışmada bu nedenle UDP alımı ayrı bir background thread üzerinde yürütülmektedir.

İşlem sırası kaynakta şu şekilde açıklanmaktadır:

1. UDP soketinden byte[] receivedData alınır.
2. UTF-8 ile metne dönüştürülür.
3. Veriler ayrıştırılarak EEGData yapısına dönüştürülür.
4. Hazırlanan veri ana iş parçacığında çalışacak kuyruğa aktarılır.

Unity thread safety sorunu nasıl çözülüyor?

Unity API'si, kaynakta açıklandığı üzere background thread üzerinden GameObject veya kullanıcı arayüzü bileşenlerinin doğrudan değiştirilmesine uygun değildir.

Bu nedenle çalışma MainThreadDispatcher.cs sınıfında bir dispatcher deseni kurmaktadır. Arka plandaki ağ iş parçacığından gelen actions bir queue içine yazılır ve daha sonra Unity ana iş parçacığında sırayla uygulanır.

Bu mimarinin amacı ağ alımını render döngüsünden ayırırken Unity nesnelerinin yalnız güvenli ana thread üzerinden değiştirilmesini sağlamaktır.

Unity'ye hangi veri gönderiliyor?

Adaptasyon motorunun giriş vektörü:

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

şeklindedir.

Status şu üç etiketten biridir:

POSITIVE, NEGATIVE veya NEUTRAL.

Sanal ortamda hangi parametreler değiştiriliyor?

Kaynak render çıktısını çok boyutlu bir vektör olarak tanımlıyor:

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

Böylece emosyon tahmini yalnız ekrandaki bir etiket olarak kalmamakta, sanal ortamın atmosferik ve akustik parametrelerine bağlanmaktadır.

Geçişler neden doğrudan yapılmıyor?

Kaynak, ani görsel ve işitsel değişimlerin kullanıcı deneyimini bozabileceğini belirterek görsel parametrelerde yumuşak interpolasyon ve ses katmanlarında audio crossfade yaklaşımını kullanmaktadır.

Bu tasarım sayesinde farklı emosyon durumları arasındaki geçişler anlık renk veya ses sıçramaları yerine zamana yayılmış biçimde uygulanmaktadır.

Gecikme konusunda kaynakta hangi çelişki var?

Teknik zorluklar bölümünde toplam emosyon değişikliği–sanal ortam reaksiyonu gecikmesinin:

100 ms'nin altında olması gerektiği

belirtilmektedir.

Buna karşılık adaptasyon mimarisi bölümünde motorun UDP üzerinden yeni göstergeleri:

her 0,2 saniyede bir

aldığı yazmaktadır. Bu 200 ms'lik güncelleme periyoduna karşılık gelir.

Ayrıca kaynak network, inference, preprocessing ve render gecikmelerini ayrı ayrı ölçen bir latency benchmark sunmamaktadır. Bu nedenle prototipin uçtan uca toplam gecikmesinin 100 ms'nin altında olduğu deneysel olarak doğrulanmış sayı şeklinde aktarılamaz.

Şekil 1 ne gösteriyor?

Çalışmanın tek ana uygulama görseli olan Şekil 1: Unity Seaside sonuçları, NAVEManager tarafından kontrol edilen Unity sahnesinin farklı durumlarda değişen atmosferini ekran görüntüleriyle göstermektedir.

Görsel, sistemin yazılım zincirinden gelen kategori ve spektral bilgilere bağlı olarak Unity sahnesini değiştirebildiğine yönelik nitel bir prototip doğrulamasıdır.

Ancak Şekil 1:

• FPS dağılımı,
• paket kayıp oranı,
• ortalama latency,
• 95./99. yüzdelik gecikme,
• VR başlığı performansı,
• kullanıcı memnuniyeti,
• cybersickness skoru

gibi nicel sistem metriklerini göstermemektedir.

Çalışmanın desteklediği sonuçlar

• DREAMER EEG kayıtlarından üç valence sınıfını tahmin eden bir Random Forest modeli geliştirilmiştir.
• Kaynak, test verisinde %70,39 genel accuracy bildirmektedir.
• POSITIVE ve NEGATIVE sınıfları için sırasıyla 0,74 ve 0,73 F1-score bildirilmiştir.
• Python tarafında eğitilmiş model dosyası Unity ile UDP üzerinden haberleştirilmiştir.
• Unity ağ alımı background thread üzerinden yapılmış ve ana thread için dispatcher mimarisi kurulmuştur.
• Emosyon sınıfı ve EEG bant bilgileri Unity'nin görsel/işitsel ortam parametrelerine bağlanmıştır.
• Unity Seaside ortamının farklı emosyon durumlarına göre değişebildiği uygulama ekranlarıyla gösterilmiştir.

Çalışmanın desteklemediği veya test etmediği sonuçlar

• %70,39 accuracy yeni ve daha önce görülmemiş kullanıcılar üzerinde doğrulanmış subject-independent performans değildir.
• Gerçek zamanlı yeni katılımcılardan canlı EEG toplanarak model doğrulaması yapılmamıştır.
• Gerçek VR başlığıyla kontrollü kullanıcı deneyi sunulmamıştır.
• PTSD rehabilitasyonu veya fobi tedavisinde klinik etkinlik gösterilmemiştir.
• 100 ms altı toplam sistem gecikmesi ölçülmüş benchmark ile doğrulanmamıştır.
• “Saniyede yüzlerce paket geldiğinde frame loss oluşmaz” yönündeki mimari ifade ayrıntılı performans testiyle nicel olarak gösterilmemiştir.
• 878 özelliğin bütün bileşenleri yeniden üretilebilir bir feature listesi halinde sunulmamıştır.
• Nötr sınıfa ait tam sınıflandırma performansı görünür sayısal sonuçlarla raporlanmamıştır.
• 85.744 ve 17.149 örnek sayıları arasındaki fark açıklanmamıştır.
• Çalışma EEG tabanlı emosyon tahminini tıbbi veya psikiyatrik tanı aracı olarak doğrulamamaktadır.

Çalışmanın Yöntemi ve Bulguları

Veri seti ve EEG giriş yapısı

Ön işleme ve özellik mühendisliği

Örnek sayıları: kaynak içi iki farklı raporlama

13.719 eğitim ve 3.430 test örneğinin toplamı 17.149'dur. Kaynak 85.744 sayısının bu yapı ile ilişkisini açıklamadığı için hangi sayının nihai model eğitimindeki gerçek bağımsız epok sayısını temsil ettiği kesinleştirilmemiştir.

Random Forest performans sonuçları

Python–Unity haberleşme mimarisi

Gecikme ve gerçek zamanlılık

Pratik doğrulamanın kapsamı

Kaynak, Python backend tarafından yapay olarak değiştirilen kategoriler ve DREAMER EEG spektral akışı kullanılarak Unity ortamının verdiği tepkinin test edildiğini belirtmektedir. Şekil 1'de Unity Seaside sahnesinin farklı görsel durumları sunulmuştur.

Bu doğrulama yazılım fonksiyonunun çalıştığını gösteren prototip testi niteliğindedir. Yeni kullanıcıların VR başlığıyla sisteme bağlandığı kontrollü insan deneyi değildir.

Yöntemsel güçlü yönler

• EEG sinyal işleme, makine öğrenmesi ve Unity adaptasyonu tek bir uçtan uca mimaride birleştirilmiştir.
• Gerçek, kamuya açık multimodal EEG verisi kullanılmıştır.
• Zaman ve frekans alanı özellikleri birlikte değerlendirilmiştir.
• Model dosyaları Python backend'e entegre edilmiş ve tahmin sonuçları Unity motoruna aktarılmıştır.
• UDP alımı Unity ana render thread'inden ayrılarak uygun bir thread-dispatch tasarımı kurulmuştur.
• Görsel ve işitsel ortam parametreleri emosyon sınıfına bağlanmıştır.

Temel yöntemsel sınırlılıklar

• 85.744 ve 17.149 epok sayıları arasındaki kaynak içi tutarsızlık açıklanmamıştır.
• Katılımcıdan bağımsız train/test ayrımı raporlanmamıştır.
• Neutral sınıf için tam performans metriği görünür sonuçlarda verilmemiştir.
• 878 özellik tam feature manifest ile açıklanmamıştır.
• Abstract'taki “artifact removal” ifadesine rağmen ayrıntılı yöntem bölümünde özel artefakt giderme algoritması gösterilmemiştir.
• 100 ms hedefi nicel uçtan uca latency testiyle doğrulanmamıştır.
• Unity ortamı için FPS, jitter, packet loss veya performans profili sunulmamıştır.
• Gerçek VR cihazı ve canlı EEG cihazıyla kapalı döngü kullanıcı deneyi yapılmamıştır.
• PTSD, fobi veya başka klinik uygulamalarda etkinlik araştırılmamıştır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı:EEQ SİQNALLARI ƏSASINDA VİRTUAL MÜHİTİN İŞLƏNİB HAZIRLANMASI.

İngilizce başlık:DEVELOPMENT OF A VIRTUAL ENVIRONMENT BASED ON EEQ SIGNALS. Kaynağın İngilizce başlığında da “EEQ” yazımı korunmuştur.

Yazarlar, kaynak sırasıyla: Lalə M. ZEYNALOVA; Vüqar RƏHIMLI.

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

Yazar statüleri: Kaynakta Lalə M. Zeynalova doçent/Associate Professor; Vüqar Rəhimli SABAH grupları öğrencisi/student olarak gösterilmiştir.

Eş birinci yazar/eş katkı: Kaynakta böyle bir beyan bulunmamaktadır.

Sorumlu yazar: Kaynakta ayrı bir corresponding-author işareti bulunmamaktadır; iki yazarın e-posta adresi ayrı ayrı verilmiştir.

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

Yayınevi: Azerbaijan State Oil and Industry University Press.

Yayın kimliği: Volume 28, Issue 2, 2026, kaynak dosyada s. 91–98.

DOI: 10.32010/DQMH3410.

Makale süreci: Received 1 May 2026; Revised 24 May 2026; Accepted 25 June 2026.

Kesin çevrimiçi yayın günü: Kaynak dosyada ve resmî makale üstverisinde doğrulanabilir ayrı bir çevrimiçi yayın günü gösterilmemektedir.

Resmî bağlantı:https://doi.org/10.32010/DQMH3410.

Resmî yayıncı kaydı:https://press.asoiu.edu.az/pahtei/article.php?id=208.

Kaynak türü: EEG veri analizi, makine öğrenmesi ve çalışan Python–Unity prototip entegrasyonu içeren uygulamalı bilgisayar mühendisliği araştırmasıdır.

Hakemlik durumu: Derginin yayın politikasına göre yayın kararında bilimsel hakem değerlendirmeleri dikkate alınmaktadır. Çalışma kabul edilmiş dergi makalesidir; makaleye ait bireysel hakem raporları kamuya açık değildir.

Lisans/telif: Makale özelinde ayrı bir Creative Commons lisansı belirtilmemiştir. Yayıncının resmî sayfalarında “All rights reserved” ifadesi bulunmaktadır. Bu nedenle kaynak ekran görüntüleri bu Verianla HTML'sine kopyalanmamıştır.

Finansman: Kaynakta ayrı finansman beyanı bulunmamaktadır.

Çıkar çatışması: Kaynakta ayrı çıkar çatışması bildirimi bulunmamaktadır.

Veri erişilebilirliği: Çalışma DREAMER veri setini kullanmaktadır; ancak kaynakta ayrı bir Data Availability Statement bölümü verilmemiştir.

Etik kurul: Kaynakta yeni katılımcı toplanmasına ilişkin etik kurul beyanı bulunmamaktadır. Çalışma mevcut DREAMER kayıtlarının ikincil analizine dayanmaktadır.

Yazar katkıları: Kaynakta CRediT veya ayrıntılı yazar katkı bildirimi bulunmamaktadır.

DREAMER kaynak zinciri notu: Makale ana veri kaynağı olarak DREAMER'ı kullanmasına rağmen kaynakça listesinde DREAMER'ın özgün veri seti yayını görünmemektedir; kaynakçada DEAP veri seti yayını yer almaktadır.

Örnek sayısı uyarısı: Özet bölümündeki 85.744 örnek ile ana yöntem bölümündeki 17.149 toplam epok, 13.719 eğitim ve 3.430 test örneği birbiriyle açıklanmış biçimde uyuşmamaktadır. Bu Verianla metni sayılardan birini diğerinin yerine geçirmemiştir.

Doğrulama tasarımı uyarısı: Kaynak %80/%20 rastgele epoch ayrımı bildirmektedir; katılımcı bazlı subject-independent test açıklamamaktadır. Bu nedenle %70,39 accuracy değeri yeni kullanıcı performansı olarak yorumlanmamıştır.

Özellik sayısı uyarısı: Kaynak epok başına 878 özellik bildirmektedir, ancak 878 özelliğin bütün sütunlarını tek tek gösteren feature listesi verilmediğinden bu sayı yöntem açıklamasından bağımsız biçimde yeniden hesaplanamamaktadır.

Artefakt işleme uyarısı: Özet “artifact removal” ifadesini kullanmaktadır; ayrıntılı preprocessing kısmında açıkça tanımlanan temel işlemler Z-score normalizasyonu ile 1–50 Hz dördüncü dereceden Butterworth band-pass filtrelemedir. Ayrı bir ICA/EOG artefakt çıkarma prosedürü kaynakta ayrıntılandırılmamıştır.

Gecikme uyarısı: Makale toplam sistem gecikmesi için 100 ms'nin altında hedef belirtirken adaptasyon motorunun veriyi 0,2 saniye aralıkla aldığını da yazmaktadır. Kaynakta uçtan uca latency benchmark sonucu bulunmadığı için 100 ms altı gerçek zamanlı performans doğrulanmış deney sonucu olarak sunulmamıştır.

Uygulama sınırı: Kaynak gerçek bir yazılım prototipi ve Unity ortam adaptasyonu göstermektedir; ancak gerçek VR başlığı kullanan katılımcılarla kapalı döngü klinik veya kullanıcı deneyimi çalışması değildir. PTSD rehabilitasyonu, fobi uygulamaları ve neuro-gaming kullanımı gelecek uygulama potansiyeli olarak değerlendirilmelidir.

Verianla Live durumu: Genel accuracy ile yalnız iki sınıfa ait F1-score farklı metriklerdir; nötr sınıf metriği eksiktir ve örnek sayılarında kaynak içi tutarsızlık vardır. Bu nedenle Verianla Live kullanılmamıştır.

Bilimsel içerik kaynağı: Bu Verianla makalesindeki EEG preprocessing adımları, formüller, frekans bantları, veri sayıları, Random Forest sonuçları, Python–Unity mimarisi, UDP aktarımı, thread-dispatch tasarımı ve uygulama sınırları incelenen çalışmaya dayanmaktadır. Dış doğrulama yalnız bibliyografik kimlik, dergi/yayınevi, hakemlik politikası ve resmî yayın kaydı için kullanılmıştır.