Бул изилдөө электроэнцефалография (EEG) сигналдарынан колдонуучунун эмоциялык абалын классификациялап, болжолдонгон абалга жараша Unity 3D ичинде визуалдык жана угуу атмосферасын өзгөрткөн Нейро-Адаптивдүү Виртуалдык Чөйрө (NAVE) прототибин иштеп чыгат. Модель DREAMER маалымат топтомундагы 23 катышуучунун 14 каналдуу, 128 Hz EEG жазууларын колдонот; 1 секунддук сигнал бөлүктөрүнөн убакыт жана жыштык аймагындагы өзгөчөлүктөр чыгарылып, valence маанисине жараша терс, нейтралдуу жана оң болуп үч класстуу Random Forest модели үйрөтүлөт. Булакта тесттик тактык %70,39, оң класс үчүн F1=0,74 жана терс класс үчүн F1=0,73 деп берилет. Эң маанилүү чечмелөө чеги — окутуу жана тест бөлүштүрүүсү катышуучу боюнча эмес, EEG эпокторун туш келди бөлүү аркылуу жүргүзүлгөн. Ошондуктан %70,39 көрсөткүчү мурда такыр көрүлбөгөн адамда да ушундай тактык алынарын көрсөтпөйт.

Системанын маалымат чынжыры EEG сигналы менен башталат. DREAMER жазуулары адегенде нормалдаштырылып, 1–50 Hz аралыгындагы төртүнчү даражадагы Butterworth band-pass фильтринен өткөрүлөт. Андан кийин ар бир 1 секунддук терезеде орточо маани, стандарттык четтөө, Hjorth параметрлери, асимметрия, эксцесс, Welch ыкмасы менен кубат спектринин тыгыздыгы, спектрдик энтропия, чектик жыштыктар жана каналдар аралык корреляциялар сыяктуу өзгөчөлүктөр эсептелери айтылат. Булак ар бир эпок үчүн жалпысынан 878 өзгөчөлүк билдирет.

EEGнин негизги жыштык компоненттери delta, theta, alpha, beta жана gamma тилкелери катары иштетилет. Булак ошондой эле beta/alpha катышын arousal көрсөткүчү; \((\beta+\gamma)/(\alpha+\theta)\) же \(\beta/\alpha\) катышын stress index; анын тескери түрү болгон \((\alpha+\theta)/(\beta+\gamma)\) катышын relaxation index катары эсептейт. Бул индекстер Random Forest үчүн колдонулган кеңири өзгөчөлүк топтому менен бирге Unityге өткөрүлө турган нейро-эмоциялык көрсөткүчтөр катары берилет.

Үйрөтүлгөн модель rf_model.pkl, ал эми масштабдоочу scaler.pkl түрүндө сакталат. Python backend классификациянын натыйжасын UDP аркылуу Unityге жөнөтөт. Unity тарабында маалымат кабыл алуу өзүнчө background thread ичинде жүргүзүлөт; алынган пакеттер негизги render агымына dispatcher кезеги аркылуу өткөрүлөт. Мунун максаты — тармакты угуу процесси Unityнин негизги графикалык циклин бөгөттөбөшү.

Unity чөйрөсүндө “оң/терс/нейтралдуу” белгиси гана өзгөрбөйт. Булак асмандын түсү, күндүн көрүнүшү, exposure, туман/particle тыгыздыгы жана фондук үндүн эмоциялык класска жараша өзгөртүлүшүн сүрөттөйт. Үн өзгөрүүлөрү дароо которулуу ордуна audio crossfade, ал эми визуалдык параметрлер жумшак интерполяция ыкмасы менен колдонулат.

Бирок бул иш толук бүткөн VR терапия системасы эмес. Жаңы VR колдонуучусунда клиникалык сыноо жүргүзүлгөн эмес, PTSD же фобияны дарылоодогу натыйжалуулук өлчөнгөн эмес, чыныгы VR гарнитурасы менен cybersickness тести жасалган эмес жана системанын жалпы end-to-end кечигүүсү сандык benchmark менен ырасталган эмес. Булактын реабилитация, фобия симуляциялары жана neuro-gaming жөнүндө айтылгандары келечектеги колдонуу мүмкүнчүлүгү болуп саналат.

Түркия жагынан бул изилдөө мээ-компьютер интерфейстери, оюн технологиялары, нейро-оюн, адам–компьютер өз ара аракеттенүүсү, билим берүү симуляциялары жана колдонуучунун абалына ылайыкташкан санариптик чөйрөлөр боюнча иштеген изилдөө топтору үчүн колдонууга боло турган программалык архитектуранын үлгүсү. Бирок реалдуу колдонуучуга ылайыкташтырылган Түркия колдонмосу үчүн катышуучудан көз каранды эмес тест, түркиялык колдонуучулардан тандалма, ар башка EEG түзмөктөрү, реалдуу убакыттагы артефакттарды башкаруу, кечигүүнү өлчөө жана колдонуучу тажрыйбасын текшерүү өзүнчө талап кылынат.

Изилдөө чечүүгө аракет кылган негизги көйгөй эмне?

Изилдөөнүн баштапкы идеясы — виртуалдык жана кеңейтилген реалдуулук системаларынын көбү колдонуучуга бай визуалдык жана угуу чөйрөсүн сунуштаса да, колдонуучунун ички эмоциялык абалын түздөн-түз эске албайт. Салттуу системаларда колдонуучунун өз ара аракеттенүүсү көбүнчө клавиатура, gamepad, кыймыл контроллери же алдын ала даярдалган сценарийлер аркылуу жүрөт.

Изилдөөчүлөр сунуштаган ыкмада виртуалдык чөйрө колдонуучунун ачык буйруктарына гана эмес, EEG сигналдарынан болжолдонгон эмоциялык абалга да жооп берет. Ошентип система:

EEG → сигналды иштетүү → өзгөчөлүктөрдү чыгаруу → эмоцияны классификациялоо → тармак аркылуу өткөрүү → Unity чөйрөсүн адаптациялоо

түрүндө жабык биокибернетикалык цикл түзүүнү көздөйт.

Колдонулган DREAMER маалыматтары эмнени камтыйт?

Булакка ылайык DREAMER маалымат топтому 23 катышуучуну жана ар бир катышуучу үчүн 18 видео стимулду камтыйт. EEG сигналдары 128 Hz үлгүлөө жыштыгында 14 канал аркылуу жазылган.

Колдонулган каналдардын ирети төмөнкүдөй:

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

Бир секунддук чийки киргизүү матрицасы:

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

түрүндө. Башкача айтканда, ар бир секундда бир каналга 128 үлгү, жалпысынан 14 EEG каналы бар.

Эмоциялык класстар кантип түзүлөт?

DREAMER катышуучулары видео стимулдардан кийин Valence, Arousal жана Dominance маанилерин 1–5 Likert шкаласында баалашат. Изилдөөдө классификациянын максаты негизинен Valence маанисинен түзүлөт.

Булак колдонгон класс эрежеси:

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

түрүндө.

Ошондуктан модель клиникалык мааниде “бактылуу”, “депрессиялык”, “стресстүү” же башка психиатриялык абалды диагноздобойт. Модель DREAMER катышуучуларынын valence боюнча өзүн-өзү баалоосун үч класска бөлүүнү үйрөнөт.

EEG сигналдары кантип нормалдаштырылат?

Ар бир EEG каналы үчүн Z-score нормалдаштыруу колдонулат:

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

Бул жерде \(x_n\) — чийки сигнал үлгүсү, \(\mu_x\) — тиешелүү каналдын орточо мааниси, ал эми \(\sigma_x\) — стандарттык четтөө. \(10^{-8}\) мүчөсү стандарттык четтөө нөлгө жакындаганда сандык бөлүү көйгөйүн болтурбоо үчүн бөлгүчкө кошулат.

Булак бул иштетүүнү ар башка адамдардын сигнал масштабдарын теңдөө үчүн колдонот.

Butterworth фильтри кайсы диапазонду колдонот?

Нормалдаштыруудан кийин төртүнчү даражадагы Butterworth band-pass фильтри колдонулат. Булак фильтрдин иштөө диапазонун:

1,0–50,0 Hz

деп берет.

Butterworth фильтринин булакта көрсөтүлгөн негизги амплитудалык байланышы:

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

түрүндө жана бул жерде \(N=4\) фильтрдин даражасын билдирет.

Макала бул фильтрлөөнү тердөө, көз ирмөө жана электр тармагынан чыккан ызы-чууну азайтуу үчүн колдонгонун билдирет. Бирок өзүнчө ICA, EOG регрессиясы же атайын артефакттарды алып салуу алгоритми кеңири сүрөттөлгөн эмес.

EEG жыштык тилкелери кантип эсептелет?

Ар бир тазаланган 1 секунддук терезеде Welch ыкмасы менен кубат спектринин тыгыздыгы (Power Spectral Density, PSD) эсептелет:

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

Андан кийин PSD маанилери булакта аныкталган EEG тилкелерине бөлүнөт:

Бул тилкелердин кубаттары өзгөчөлүк инженериясынын да, Unityге жөнөтүлгөн нейро-эмоциялык киргизүү векторунун да бөлүктөрү катары колдонулат.

Arousal, stress жана relaxation индекстери кантип аныкталат?

Булак үч жардамчы катышты колдонот.

Arousal катышы:

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

Stress Index:

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

жана булакта альтернатива катары:

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

туюнтмасы да берилет.

Relaxation Index:

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

түрүндө эсептелет.

Бул катыштар изилдөөнүн программасында нейро-эмоциялык көрсөткүчтөр катары колдонулат; булак алар өз алдынча клиникалык stress же эс алуу диагнозу катары ырасталган клиникалык изилдөө бербейт.

Канча өзгөчөлүк чыгарылган?

Кыскача мазмун бөлүмүнө ылайык ар бир 1 секунддук эпоктон 878 өзгөчөлүк чыгарылган. Булак алардын убакыт жана жыштык аймагындагы компоненттерин төмөнкү аталыштар менен сүрөттөйт:

• орточо маани,
• стандарттык четтөө,
• Hjorth параметрлери,
• skewness,
• kurtosis,
• Welch PSD өзгөчөлүктөрү,
• спектрдик энтропия,
• edge frequencies,
• каналдар аралык корреляциялар.

Бирок макалада 878 өлчөмдүн баарын өз-өзүнчө санаган feature dictionary же кошумча таблица берилбегендиктен, бул жалпы санды булак текстинен көз карандысыз кайра түзүүгө мүмкүн эмес.

Үлгүлөрдүн санына эмне үчүн этият мамиле кылуу керек?

Изилдөөнүн эң маанилүү ички маалымат карама-каршылыктарынын бири — окутуу үлгүлөрүнүн саны. Кыскача мазмун бөлүмүндө сегментациянын натыйжасында:

85.744 уникалдуу окутуу үлгүсү

алынганы жазылган.

Ал эми Random Forest окутуу бөлүмүндө:

• Жалпы эпок: 17.149
• Окутуу: 13.719
• Тест: 3.430

деген маанилер берилет.

Булак 85.744 менен 17.149 ортосундагы айырманы түшүндүргөн өзүнчө маалымат көбөйтүү, cross-validation, терезелерди көбөйтүү же башка өзгөртүү эсептөөсүн бербейт. Ошондуктан эки сан унчукпай бир үлгү санына бириктирилбеши керек.

Random Forest кантип бааланган?

Маалыматтар булакта %80 окутуу жана %20 тест түрүндө туш келди бөлүнгөн. Модель үч valence классын Random Forest менен болжолдойт.

Булак баалоодо Accuracy, Precision, Recall жана F1-score метрикаларын аныктайт. Бирок көрүнгөн сандык жыйынтык катары төмөнкү маанилер берилген:

Бул жыйынтыктар модель DREAMERдан түзүлгөн тест эпокторунда эмоциялык класстарды айырмалай алганын көрсөтөт.

%70,39 тактык эмнени далилдебейт?

Тест бөлүштүрүү epoch деңгээлинде туш келди жүргүзүлгөн. Макала 23 катышуучунун баарынан келген жазуулар адегенде адамдар боюнча бөлүнүп, белгилүү адамдар тест тобунда гана калтырылганын айтпайт.

Ошондуктан %70,39:

• ошол эле маалымат иштетүү түзүмүндө бөлүнгөн тест эпокторундагы ийгилик,
• жаңы адамдын EEGсинде ырасталган subject-independent ийгилик эмес,
• реалдуу убакыттагы жаңы VR колдонуучусунда өлчөнгөн тактык эмес.

Жаңы колдонуучуга жалпыланууну баалоо үчүн катышуучу боюнча hold-out же ушуга окшогон адамдан көз каранды эмес текшерүү өзүнчө жүргүзүлүшү керек.

Модель Unityге кантип туташат?

Окутуу бүткөндө Random Forest модели:

rf_model.pkl

жана preprocessing масштабдоочусу:

scaler.pkl

болуп сакталат.

Python backend болжолдорду UDP протоколу аркылуу Unity тарапка өткөрөт. Unity ичинде EEGReceiver.cs классы UDP портун угат.

Булакта колдонулган порт:

5005

деп көрсөтүлгөн.

Эмне үчүн background thread колдонулат?

UdpClient.Receive() бөгөттөөчү иштегендиктен, аны Unityнин негизги render агымында колдонсо, колдонмо маалымат келгенге чейин күтүп калышы мүмкүн. Ошондуктан изилдөөдө UDP кабыл алуу өзүнчө background thread ичинде жүргүзүлөт.

Иштөө ирети булакта төмөнкүдөй түшүндүрүлөт:

1. UDP сокетинен byte[] receivedData алынат.
2. UTF-8 аркылуу текстке айландырылат.
3. Маалыматтар талданып EEGData түзүмүнө айландырылат.
4. Даярдалган маалымат негизги агымда иштей турган кезекке өткөрүлөт.

Unity thread safety көйгөйү кантип чечилет?

Булакта түшүндүрүлгөндөй, Unity API background thread аркылуу GameObject же колдонуучу интерфейсинин компоненттерин түздөн-түз өзгөртүүгө ылайыктуу эмес.

Ошондуктан изилдөө MainThreadDispatcher.cs классында dispatcher үлгүсүн түзөт. Фондук тармак агымынан келген actions queue ичине жазылып, андан кийин Unityнин негизги агымында ирети менен аткарылат.

Бул архитектуранын максаты — тармактан маалымат кабыл алууну render циклинен бөлүү менен бирге Unity объекттери коопсуз негизги thread аркылуу гана өзгөртүлүшүн камсыз кылуу.

Unityге кандай маалымат жөнөтүлөт?

Адаптация кыймылдаткычынын киргизүү вектору:

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

түрүндө.

Status төмөнкү үч белгинин бири:

POSITIVE, NEGATIVE же NEUTRAL.

Виртуалдык чөйрөдө кайсы параметрлер өзгөрөт?

Булак render чыгышын көп өлчөмдүү вектор катары аныктайт:

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

Ошентип, эмоцияны болжолдоо экрандагы белги бойдон калбастан, виртуалдык чөйрөнүн атмосфералык жана акустикалык параметрлерине байланыштырылат.

Өтүүлөр эмне үчүн түз жасалбайт?

Булак капыс визуалдык жана угуу өзгөрүүлөрү колдонуучу тажрыйбасын бузушу мүмкүн экенин белгилеп, визуалдык параметрлерде жумшак интерполяцияны, ал эми үн катмарларында audio crossfade ыкмасын колдонот.

Бул дизайн аркылуу ар башка эмоциялык абалдардын ортосундагы өтүүлөр дароо түс же үн секириги ордуна убакытка жайылтылып колдонулат.

Кечигүү боюнча булакта кандай карама-каршылык бар?

Техникалык кыйынчылыктар бөлүмүндө жалпы эмоциялык өзгөрүү–виртуалдык чөйрөнүн реакциясынын кечигүүсү:

100 msден төмөн болушу керектиги

айтылат.

Ал эми адаптация архитектурасы бөлүмүндө кыймылдаткыч UDP аркылуу жаңы көрсөткүчтөрдү:

ар 0,2 секунд сайын

алаары жазылган. Бул 200 ms жаңыртуу мезгилине туура келет.

Мындан тышкары, булак network, inference, preprocessing жана render кечигүүлөрүн өз-өзүнчө өлчөгөн latency benchmark бербейт. Ошондуктан прототиптин end-to-end жалпы кечигүүсү 100 msден төмөн экени эксперименттик ырасталган сан катары берилбеши керек.

1-сүрөт эмнени көрсөтөт?

Изилдөөнүн жалгыз негизги колдонмо сүрөтү болгон 1-сүрөт: Unity Seaside жыйынтыктары, NAVEManager башкарган Unity сахнасынын ар башка абалдарда өзгөргөн атмосферасын экран сүрөттөрү менен көрсөтөт.

Сүрөт системанын программалык чынжырынан келген категория жана спектрдик маалыматка жараша Unity сахнасын өзгөртө алаарына сапаттык прототиптик далил болуп саналат.

Бирок 1-сүрөт:

• FPS бөлүштүрүлүшү,
• пакет жоготуу деңгээли,
• орточо latency,
• 95./99. процентилдик кечигүү,
• VR гарнитурасынын натыйжалуулугу,
• колдонуучунун канааттануусу,
• cybersickness упайы

сыяктуу сандык система метрикаларын көрсөтпөйт.

Изилдөө колдогон жыйынтыктар

• DREAMER EEG жазууларынан үч valence классын болжолдогон Random Forest модели иштелип чыккан.
• Булак тест маалыматында %70,39 жалпы accuracy билдирет.
• POSITIVE жана NEGATIVE класстары үчүн тиешелүүлүгүнө жараша 0,74 жана 0,73 F1-score берилген.
• Python тарабында үйрөтүлгөн модель файлы Unity менен UDP аркылуу байланыштырылган.
• Unity тармактан маалыматты background thread аркылуу кабыл алып, негизги thread үчүн dispatcher архитектурасы түзүлгөн.
• Эмоциялык класс жана EEG тилке маалыматы Unityнин визуалдык/угуу чөйрө параметрлерине байланышкан.
• Unity Seaside чөйрөсү ар башка эмоциялык абалдарга жараша өзгөрө алары колдонмо экрандары менен көрсөтүлгөн.

Изилдөө колдобогон же текшербеген жыйынтыктар

• %70,39 accuracy жаңы жана мурда көрүлбөгөн колдонуучуларда ырасталган subject-independent натыйжа эмес.
• Реалдуу убакытта жаңы катышуучулардан жандуу EEG чогултуп модель текшерүү жүргүзүлгөн эмес.
• Чыныгы VR гарнитурасы менен көзөмөлдөнгөн колдонуучу сыноосу берилген эмес.
• PTSD реабилитациясында же фобияны дарылоодо клиникалык натыйжалуулук көрсөтүлгөн эмес.
• 100 msден төмөн жалпы система кечигүүсү өлчөнгөн benchmark менен ырасталган эмес.
• “Секундасына жүздөгөн пакет келсе frame loss болбойт” деген архитектуралык билдирүү кеңири натыйжалуулук тести менен сандык түрдө көрсөтүлгөн эмес.
• 878 өзгөчөлүктүн бардык компоненттери кайра өндүрүүгө боло турган feature тизмеси түрүндө берилген эмес.
• Нейтралдуу класстын толук классификациялык натыйжалуулугу көрүнгөн сандык жыйынтыктар менен берилген эмес.
• 85.744 жана 17.149 үлгү санынын айырмасы түшүндүрүлгөн эмес.
• Изилдөө EEG негизиндеги эмоцияны болжолдоону медициналык же психиатриялык диагноз куралы катары ырастабайт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат топтому жана EEG киргизүү түзүмү

Алдын ала иштетүү жана өзгөчөлүк инженериясы

Үлгүлөрдүн саны: булак ичиндеги эки башка отчет

13.719 окутуу жана 3.430 тест үлгүсүнүн суммасы 17.149. Булак 85.744 санынын бул түзүм менен байланышын түшүндүрбөгөндүктөн, кайсы сан акыркы модель окутуусундагы реалдуу көз карандысыз эпоктордун санын билдирери такталган эмес.

Random Forest натыйжалуулук жыйынтыктары

Python–Unity байланыш архитектурасы

Кечигүү жана реалдуу убакытта иштөө

Практикалык текшерүүнүн көлөмү

Булак Python backend тарабынан жасалма түрдө өзгөртүлгөн категориялар жана DREAMER EEG спектрдик агымы колдонулуп, Unity чөйрөсүнүн реакциясы текшерилгенин билдирет. 1-сүрөттө Unity Seaside сахнасынын ар башка визуалдык абалдары берилген.

Бул текшерүү программалык функция иштеп жатканын көрсөткөн прототиптик тест мүнөзүндө. Жаңы колдонуучулар VR гарнитурасы менен системага туташкан көзөмөлдөнгөн адам сыноосу эмес.

Методологиялык күчтүү жактар

• EEG сигналын иштетүү, машина үйрөнүүсү жана Unity адаптациясы бир end-to-end архитектурада бириктирилген.
• Реалдуу, ачык жеткиликтүү мультимодалдык EEG маалыматы колдонулган.
• Убакыт жана жыштык аймагындагы өзгөчөлүктөр бирге бааланган.
• Модель файлдары Python backendге интеграцияланып, болжол жыйынтыктары Unity кыймылдаткычына өткөрүлгөн.
• UDP кабыл алуу Unityнин негизги render threadинен бөлүнүп, ылайыктуу thread-dispatch дизайны түзүлгөн.
• Визуалдык жана угуу чөйрө параметрлери эмоциялык класска байланыштырылган.

Негизги методологиялык чектөөлөр

• 85.744 жана 17.149 эпок санынын ортосундагы булак ичиндеги карама-каршылык түшүндүрүлгөн эмес.
• Катышуучудан көз каранды эмес train/test бөлүштүрүү берилген эмес.
• Neutral классы үчүн толук натыйжалуулук метрикасы көрүнгөн жыйынтыктарда берилген эмес.
• 878 өзгөчөлүк толук feature manifest менен түшүндүрүлгөн эмес.
• Abstractтагы “artifact removal” деген билдирүүгө карабастан, кеңири ыкма бөлүмүндө атайын артефакттарды алып салуу алгоритми көрсөтүлгөн эмес.
• 100 ms максаты сандык end-to-end latency тести менен ырасталган эмес.
• Unity чөйрөсү үчүн FPS, jitter, packet loss же натыйжалуулук профили берилген эмес.
• Чыныгы VR түзмөгү жана жандуу EEG түзмөгү менен жабык циклдеги колдонуучу сыноосу жүргүзүлгөн эмес.
• PTSD, фобия же башка клиникалык колдонмолордо натыйжалуулук изилденген эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Толук оригиналдуу иштин аталышы:EEQ SİQNALLARI ƏSASINDA VİRTUAL MÜHİTİN İŞLƏNİB HAZIRLANMASI.

Англисче аталышы:DEVELOPMENT OF A VIRTUAL ENVIRONMENT BASED ON EEQ SIGNALS. Булактын англисче аталышында да “EEQ” жазылышы сакталган.

Авторлор, булактагы ирети менен: Lalə M. ZEYNALOVA; Vüqar RƏHIMLI.

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

Авторлордун статустары: Булакта Lalə M. Zeynalova доцент/Associate Professor; Vüqar Rəhimli SABAH топторунун студенти/student катары көрсөтүлгөн.

Тең биринчи автор/тең салым: Булакта мындай билдирүү жок.

Жооптуу автор: Булакта өзүнчө corresponding-author белгиси жок; эки автордун электрондук почта даректери өз-өзүнчө берилген.

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

Басма: Azerbaijan State Oil and Industry University Press.

Жарыя маалыматы: Volume 28, Issue 2, 2026, булак файлында s. 91–98.

DOI: 10.32010/DQMH3410.

Макаланын жүрүшү: Received 1 May 2026; Revised 24 May 2026; Accepted 25 June 2026.

Так онлайн жарыяланган күн: Булак файлында жана расмий макала метамаалыматында текшерүүгө боло турган өзүнчө онлайн жарыяланган күн көрсөтүлгөн эмес.

Расмий шилтеме:https://doi.org/10.32010/DQMH3410.

Расмий басма жазуусу:https://press.asoiu.edu.az/pahtei/article.php?id=208.

Булактын түрү: EEG маалымат талдоосу, машина үйрөнүүсү жана иштеген Python–Unity прототиптик интеграциясын камтыган колдонмо компьютердик инженерия изилдөөсү.

Рецензиялоо абалы: Журналдын жарыялоо саясатына ылайык, жарыялоо чечиминде илимий рецензенттердин баалоолору эске алынат. Изилдөө кабыл алынган журналдык макала; макала боюнча жеке рецензиялык отчеттор коомчулукка ачык эмес.

Лицензия/автордук укук: Макала үчүн өзүнчө Creative Commons лицензиясы көрсөтүлгөн эмес. Басманын расмий барактарында “All rights reserved” деген билдирүү бар. Ошондуктан булактын экран сүрөттөрү бул Verianla HTMLге көчүрүлгөн эмес.

Каржылоо: Булакта өзүнчө каржылоо билдирүүсү жок.

Кызыкчылыктардын кагылышы: Булакта өзүнчө кызыкчылыктардын кагылышы жөнүндө билдирүү жок.

Маалыматтын жеткиликтүүлүгү: Изилдөө DREAMER маалымат топтомун колдонот; бирок булакта өзүнчө Data Availability Statement бөлүмү берилген эмес.

Этика кеңеши: Булакта жаңы катышуучуларды тартууга байланыштуу этика кеңешинин билдирүүсү жок. Изилдөө учурдагы DREAMER жазууларынын экинчи талдоосуна негизделген.

Авторлордун салымы: Булакта CRediT же кеңири автордук салым билдирүүсү жок.

DREAMER булак чынжыры боюнча эскертүү: Макала негизги маалымат булагы катары DREAMERды колдонгонуна карабастан, адабият тизмесинде DREAMERдын оригиналдуу маалымат топтому тууралуу басылма көрүнбөйт; тизмеде DEAP маалымат топтому тууралуу басылма бар.

Үлгү саны боюнча эскертүү: Кыскача мазмундагы 85.744 үлгү менен негизги ыкма бөлүмүндөгү 17.149 жалпы эпок, 13.719 окутуу жана 3.430 тест үлгүсү бири-бирине түшүндүрүлгөн түрдө дал келбейт. Бул Verianla тексти сандардын бирин экинчисинин ордуна койгон жок.

Текшерүү дизайны боюнча эскертүү: Булак %80/%20 туш келди epoch бөлүштүрүүнү билдирет; катышуучу негизиндеги subject-independent тестти сүрөттөбөйт. Ошондуктан %70,39 accuracy жаңы колдонуучу натыйжалуулугу катары чечмеленген жок.

Өзгөчөлүк саны боюнча эскертүү: Булак ар бир эпок үчүн 878 өзгөчөлүк билдирет, бирок 878 өзгөчөлүктүн бардык мамычаларын бирден көрсөткөн feature list берилбегендиктен, бул санды ыкма сүрөттөмөсүнөн көз карандысыз кайра эсептөөгө мүмкүн эмес.

Артефакт иштетүү боюнча эскертүү: Кыскача мазмун “artifact removal” деген сөз айкашын колдонот; кеңири preprocessing бөлүмүндө ачык көрсөтүлгөн негизги операциялар Z-score нормалдаштыруу жана 1–50 Hz төртүнчү даражадагы Butterworth band-pass фильтрлөө. Өзүнчө ICA/EOG артефакттарды алып салуу процедурасы булакта кеңири сүрөттөлгөн эмес.

Кечигүү боюнча эскертүү: Макала жалпы система кечигүүсү үчүн 100 msден төмөн максат койгону менен, адаптация кыймылдаткычы маалыматты 0,2 секунддук аралыкта алаарын да жазат. Булакта end-to-end latency benchmark жыйынтыгы жок болгондуктан, 100 msден төмөн реалдуу убакыттагы натыйжалуулук ырасталган эксперименттик жыйынтык катары берилген эмес.

Колдонуу чеги: Булак иштеген программалык прототипти жана Unity чөйрө адаптациясын көрсөтөт; бирок чыныгы VR гарнитурасын колдонгон катышуучулар менен жабык цикл клиникалык же колдонуучу тажрыйбасы изилдөөсү эмес. PTSD реабилитациясы, фобия колдонмолору жана neuro-gaming колдонуу келечектеги мүмкүнчүлүк катары бааланышы керек.

Verianla Live абалы: Жалпы accuracy менен эки гана класстын F1-score көрсөткүчтөрү ар башка метрикалар; нейтралдуу класс метрикасы жетишпейт жана үлгү сандарында булак ичиндеги карама-каршылык бар. Ошондуктан Verianla Live колдонулган эмес.

Илимий мазмундун булагы: Бул Verianla макаласындагы EEG preprocessing кадамдары, формулалар, жыштык тилкелери, маалымат сандары, Random Forest жыйынтыктары, Python–Unity архитектурасы, UDP өткөрүү, thread-dispatch дизайны жана колдонуу чектери каралган изилдөөгө негизделет. Тышкы текшерүү библиографиялык өздүк, журнал/басма, рецензиялоо саясаты жана расмий жарыя жазуусу үчүн гана колдонулган.