Bu баяндоочу обзор, айдоочунун уйкусуроосуnun электроэнцефалография (EEG), толуктоочу биосигналдар, тагынма сенсорлор жана жасалма интеллект ыкмалары kullanılarak кантип izlenebмененceğini текшерүүktedir. Изилдөө; EEG ритмдериnden сигналды алдын ала иштетүүye, машина үйрөнүүnden конволюциялык жана transformer негиздүү модельlere, кулак айланасындагы электроддорdan чыныгы айдоо текшерүүsına kadar geniş bir teknik алкак сууnmaktadır. Derlemenin ana sonucu, жогорку лабораториялык тактыкnun tek başına güжанаnilir bir айдоочу коопсуздугу системаi oluşturmadığı; kişмененrden, cihazlardan жана маалымат kümelerinden көз карандысыз валидация, кечигүүнү өлчөө, ыктымалдыкты калибрлөө, белгисиздик анализи жана табигый айдоо тесттериnin gerekli болгонуdur. Муну менен бирге изилдөө yeni bir эксперимент, маалымат топтому же meta-талдоо сууnmayan, системаatik tarama ыкмасы belirtilmemiş жана рецензиядан өтө элек bir preprinttir.

Sürücü uyuşukluğu, yalnızca gözlerin kapanmasıyla başlayan ani жана ikili bir durum değildir. Uyanıklık менен uyku arasında мененrleyen; dikkati, tepki süresini, şerit kontrolünü, tehlike algısını жана karar жанаrmeyi giderek bozan нейрожүрүм-турумдук bir өтүүtir. Sürücü kendi uyanıklığındaki azalmayı fark etmeden önce performansı bozulabмененceği үчүн издөө системанынin yalnızca araç savrulduktan же gözler kapandıktan sonra değil, riskli fizyolojik değişim gelişirken uyarı üretmesi amaçlanmaktadır.

EEG bu amaç үчүн маанилүүdir анткени beynin elektriksel etkinliğini жогорку zamansal çözünürlükle ölçer. Delta, theta, альфа жана beta ritimlerindeki değişimler uyanıklığın azalması hakkında bilgi sторlayabilir. Бирок derleme tek bir EEG bandının же sabit bir eşik баалуулукinin бардык sürücüler үчүн geçerli olmadığını vurgulamaktadır. Uyku geçmişi, günün saati, bilişsel жүк, gözlerin ачык же kapalı olması, электрод жайгашууu, sторlık durumu жана kişболсоl fizyoloji aynı EEG көрсөткүчsinin ар башка kişмененrde ар башка görünmesine эмне үчүн болушу мүмкүн.

Түркия жагынан баалоо: Изилдөө belirli bir өлкө үчүн geliştirilmiş экспериментsel bir система сууnmadığından Түркия’ye özgü натыйжа bildirmemektedir. Муну менен бирге sürücülerin ар башка yaş, sторlık, uyku düzeni, araç, yol, климат жана изилдөө koşullarında баалуулукlendirilmesi gerektiğine ilişkin алкак Түркияда yürütülecek изилдөөlara uyarlanabilir. Түркияда kullanılacak bir системанын yerel sürücülerle, чыныгы yol koşullarında, gece жана gündüz sürüşlerinde, ар башка araç классlarında жана bторımsız маалымат kümelerinde doğrulanması gerekir. Derleme, EEG tabanlı cihazların kazaları kesin катары önlediğini же bugün түздөн-түз seri araçlara yerleştirilmeye hazır болгонуnu göstermemektedir.

Sürücü uyuşukluğu эмне үчүн yalnızca камера же araç hareketiyle ölçülemez?

Sürücü издөө ыкмаларi изилдөөдө üç ana grupta ele alınmaktadır: araç tabanlı көрсөткүчтөр, сүрөткө негизделген издөө жана fizyolojik өлчөөлөр. Direksион hareketleri, şerit yawsı жана araç dinamikleri sürüş performansındaki bozulmayı gösterebilir; бирок bu değişimler сергектик azaldıktan sonra ortaya çıkabilir. Başka bir ifadeyle araç tabanlı системаler çoğu zaman nörofizyolojik эмне үчүнin kendisini değil, sürüşte oluşan sonucu ölçer.

Kamera tabanlı ыкмалар göz kapторının uzun süre kapalı kalmasını, esнымeyi, bагым багытын жана baş pozisyonunu izleyebilir. Муну менен бирге aydınlatma değişimi, gece sürüşü, gözlük, yüzün kısmen kapanması, камера açısı жана kişмененr arasındaki yüz ар башкаlıkları сүрөт сапатыni жана модель performansını etkмененyebilir.

Fizyolojik өлчөөлөр болсо azalan uyanıklığın altında yatan sinirsel, gözle ilgili жана otonom değişimlere daha түздөн-түз yaklaşır. Изилдөөnın ikinci sayfasındaki Şekil 1, araç sinyallerini, камера bulgularını жана EEG, электроокулография менен жүрөк ритми gibi физиологиялык сигналдарi aynı издөө zincirinde көрсөтөт. Şekilde bu маалыматlerin жасалма интеллект менен birleştirмененrek sürekli bir uyuşukluk risk көрсөткүчsine жана önleyici uyarıya dönüştürülmesi сунушталат.

EEG sürücünün uyanıklığındaki değişimi кантип gösterir?

EEG, kafa derisi же kulak çстадияsindeki электродlarla beynin elektriksel etkinliğini өлчөйт. Derlemede айдоочунун уйкусуроосуnun tek bir стадияnsel EEG işaretiyle değil, ар башка жыштык bantları arasındaki dторılımın değişmesiyle temsil edildiği түшүндүрүлөт.

• Delta etkinliği: İleri uyuşukluk жана микро уйку eğilimi sırasında artabмененn жай dalga bмененşenidir.
• Theta etkinliği: Erken yorgunlukta bilişsel çabanın жана telafi edici kontrolün artışıyla, daha мененri баскычlarda болсо azalan сергектикla ilişkмененndirмененbilir.
• Alpha etkinliği: Görsel katılımın azalması же kortikal etkinliğin dinlenme багытыnde değişmesiyle байланышlı болушу мүмкүн; бирок değişimin багыты göreжана, göz durumuna жана uyuşukluk баскычsına göre ар башкаlaşabilir.
• Beta etkinliği: Uyanıklık жана etkin bilişsel katılımla ilişkмененndirмененn daha ылдам etkinliktir; azalması uyanıklığın düşmesine eşlik edebilir.

Derleme, жай EEG etkinliğinin ылдам beta etkinliğine göre baskınlaşmasının azalan kortikal uyanıklığa işaret edebмененceğini belirtmektedir. Бирок bu ilişki sabit bir диагноз eşiği değildir. Aynı sürücünün bменен ар башка günlerdeki uyku süresi, kafein колдонууı, stres деңгээлi жана sürüş görevi EEG örüntüsünü değiştirebilir.

Изилдөөnın altıncı sayfasındaki Şekil 2, uyanık durumdan yorgunluk жана микро уйку riskine мененrleyen süreci EEG dalgaları, жыштык bandı güçleri, kafa derisi haritaları жана zaman-жыштык сүрөттөрүyle бирге көрсөтөт. Aynı şemada göz kırpma, жүрөк кагышынын өзгөрмөлүүлүгү, фотоплетизмография, электродермалдык активдүүлүк жана дем алуу sinyallerinin de сергектик көрсөткүчsine katkı sторlayabмененceği баяндооlmaktadır. Şeklin ana mesajı, güжанаnilir баалооnin tek bir sinyal же sabit eşik yerine zaman үчүнde değişen çoklu fizyolojik örüntülere dayanması gerektiğidir.

Uyuşukluk эмне үчүн ikili değil, sürekli bir durum катары модельlenmelidir?

Birçok маалымат топтому sürücüyü “uyanık” жана “uyuşuk” катары iki классa ayırmaktadır. Derleme bu yaklашып кетүүın, коопсуздук uyarısının en баалуулукli olabмененceği өтүү баскычsını gizleyebмененceğini belirtmektedir. Uyuşukluk; uyanık, erken yorgun, өтүү hâlinde, мененri uyuşuk жана микро уйку riski taşıyan деңгээлlerden oluşan sürekli bir процесс катары düşünülebilir.

Göz kapторının belirli bir zaman aralığında kapalı kaldığı катышı temsil eden PERCLOS, tepki süresindeki өзгөрмөlik же uzmanlarca puanlanan сергектик деңгээлi sürekli referans катары kullanılabilir. Zamansal модельler, yalnızca o anki EEG penceresine değil önceki сергектик durumlarına da bakarak ani жана tutarsız класс değişimlerini azaltabilir.

Bu yaklашып кетүүın коопсуздук açısından öнымi, системанын yalnızca sürücünün başı düştüğünde же araç şeritten çıktığında tepki жанаrmemesi; risk artışının zamansal eğilimini yakalayarak daha erken жана daha kararlı bir uyarı oluşturabilmesidir.

EEG dışında кайсы biyosinyaller kullanılabilir?

Derleme, EEG’nin tamamlayıcı sinyallerle birleştirilmesinin geçici sinyal bozulmalarına karşı dayanıklılığı artırabмененceğini баалооktedir:

• Elektrooküloграфi (EOG): Göz hareketlerini, жай göz hareketlerini жана göz kırpma dinamiklerini ölçer.
• Elektrokardiyoграфi (ECG): Kalbin elektriksel etkinliğini жана kalp atımları arasındaki süreleri kaydeder.
• Kalp ылдамдыкı өзгөрмөliği (HRV): Ardışık kalp atımları arasındaki süre değişimini inceler жана otonom sinir системаi hakkında bilgi sторlar.
• Fotopletismoграфi (PPG): оптикалык катары nabız dalgasını ölçer жана saat же kulaklık benzeri cihazlara yerleştirмененbilir.
• Elektrodermal etkinlik: Derinin ter bezi etkinliğine bторlı өткөрүмдүүлүк değişimini ölçerek sempatik uyarılma hakkında bilgi маалыматr.
• Solunum: Solunum ылдамдыкı жана örüntüsündeki değişimleri izler.

Bu sinyaller EEG’nin yerine geçen кемтиксууz көрсөткүчтөр değildir. Örneğin жүрөк кагышынын өзгөрмөлүүлүгү stres, дем алуу, duruş, дары, kafein жана kardiyovasküler durumdan etkмененnebilir. Elektrodermal etkinlik stres менен uyuşukluğu birbirine karıştırabilir. EOG болсо göz hareketleri konuсууnda күчтүү olsa da tek başına kortikal uyanıklığı түздөн-түз ölçmez.

Çoklu сенсор yaklашып кетүүının amacı, her сенсоруn ар башка bir fizyolojik bмененşeni yakalamasından yararlanmaktır. Buna karşılık сенсор sayısının artması eş убакыттоо, энергия керектөө, калибрлөө, bakım, маалымат aktarımı жана kullanıcı rahatsızlığı sorunlarını da büyütmektedir. Derleme, olabмененcek en fazla сенсору kullanmak yerine төмөн каналlı bir EEG çekirdeğine алдын ала билүү баалуулукi жогорку bir же iki tamamlayıcı sinyal eklenmesinin daha uygulanabilir olabмененceğini savunmaktadır.

Giyмененbilir EEG системаleri эмне үчүн маанилүүdir?

Изилдөө классı EEG системаleri жогорку sayıda канал, мененtken jel, kafa derisi даярдыгы, kablo жана окутууli uygulayıcı gerektirebilir. Bu kurulumlar kontrollü лаборатория экспериментleri үчүн yararlı olsa da günlük araç колдонууında rahat, ылдам жана görünmez bir издөө системаi oluşturmak үчүн uygun değildir.

Kulak çстадияsi жана кулак ичиндеги электродlar, saçın daha az болгону жана görsel катары daha az dikkat çeken bir bölgeden EEG kaydı almayı amaçlamaktadır. Kuru электродlar мененtken jel gerektirmediği үчүн узак мөөнөттүү жана kişболсоl колдонууa daha uygundur. Kulaklık biçimindeki cihazlar өзүнчөca EEG, EOG, электродермалдык активдүүлүк жана başka сенсорleri ortak bir корпус үчүнde birleştirme olanторı сууnmaktadır.

Муну менен бирге daha rahat bir cihaz otomatik катары güжанаnilir bir cihaz anlamına gelmez. Kulak çстадияsi EEG sinyalleri kafa derisi системаlerine göre daha төмөн амплитудаli жана daha sınırlı mekânsal kapsama sahip болушу мүмкүн. Terleme, çene hareketi, konuşma, термелүү, электродun жылышууsi жана kişмененr arasındaki kulak түзүмsı ар башкаlıkları temas kalitesini bozabilir.

Gerçek колдонуу үчүн yalnızca классификация algoritması değil; электрод материалы, temas basıncı, cilt коопсузği, temizlik, anatomik uyum, pil süresi, kabloсууz маалымат коопсузği, электромагниттик uyumluluk жана cihazın arıza hâlindeki davranışı da баалуулукlendirilmelidir.

EEG маалыматsi кантип temizlenir жана hazırlanır?

EEG sinyali төмөн амплитудаlidir жана göz hareketi, yüz kasları, elektrik hattı paraziti, araç термелүүi жана электрод hareketinden kolayca etkмененnebilir. Derlemede tipik bir ön иштетүү zinciri şu сүрөтde түшүндүрүлөт:

1. Kanal kalitesinin жана электрод temasının баалуулукlendirilmesi,
2. EEG каналlarının yeniden referanslanması,
3. Bant geçiren filtreyle ilgi dışındaki жыштыкların azaltılması,
4. Şebeke elektriği parazitinin çentik filtreyle bastırılması,
5. Sinyalin zaman pencerelerine өзүнчөlması,
6. Bozuk bölümlerin же bмененşenlerin аныктоо edilmesi,
7. Ölçek жана dторılım ар башкаlıklarının normalizasyonla azaltılması.

Bторımsız bмененşen талдоосу, göz жана kas булакlı örüntüleri EEG’den ayırmak amacıyla kullanılabilir. Бирок derlemenin маанилүү uyarılarından biri, aşırı agresif temizliğin uyuşuklukla ilişkili чыныгы göz hareketi bilgisini de sмененbilmesidir. EEG’ye ek катары EOG kullanılan bir системаde göz etkinliği өзүнчө bir sinyal катары korunabilirken, yalnızca EEG kullanan bir модельde кайсы bмененşenlerin kaldırıldığı өзгөчөlikle dikkatle баалуулукlendirilmelidir.

EEG’den кайсы өзгөчөlikler çıkarılır?

Geleneksel машина үйрөнүү ыкмаларi, her sinyal penceresini классlandırıcının kullanabмененceği сандык өзгөчөliklere dönüştürür. Derlemede üç ana өзгөчөlik alanı ele alınmaktadır:

Uzun талдоо pencereleri жыштык gücünü daha kararlı hesaplayabilir, бирок uyarının кечигүүsine yol açar. Kısa pencereler daha ылдам tepki маалыматrken daha өзгөрмө жана gürültülü натыйжалар üretebilir. Örtüşen pencereler, zamansal yumuşatma, kişiye uyarlanan başlangıç маанилерi жана ardışık filtreleme bu dengeyi iyмененştirmek үчүн kullanılabilir.

Çoklu biyosinyaller кантип birleştirilir?

Derlemede üç негизги маалымат birleştirme stratejisi түшүндүрүлөт:

• Erken birleştirme: EEG, EOG, ECG же diğer сенсорlerden çıkarılan өзгөчөlikler tek bir өзгөчөlik жанаktöründe birleştirilir. Yöntem bкислотаtir бирок ölçek farklarına жана eksik сенсорlere duyarlıdır.
• Ara деңгээл birleştirme: Her sinyal үчүн өзүнчө temsil öğrenilir жана bu temsiller модельin ara катмарларыnda birleştirilir. Sinyaller arasındaki ilişkмененri öğrenebilir бирок daha karmaşık bir модель gerektirir.
• Geç birleştirme: Her сенсор өзүнчө bir tahmin üretir жана son karar bu tahminlerin birleştirilmesiyle маалыматlir. Modülerdir жана bir сенсор dстадия dışı kaldığında daha esnek болушу мүмкүн; бирок sinyaller arasındaki erken өз ара аракеттенүүleri kaçırabilir.

Özellik seçimi жана boyut azaltma иштетүүlerinin yalnızca окутуу маалыматleri üzerinde түзүмlması керек. Bütün маалымат kullanılarak önceden seçмененn өзгөчөlikler тест катышуучуlarından окутуу sürecine bilgi sızmasına жана чыныгыte болгонуndan daha жогорку performans bildirilmesine эмне үчүн болушу мүмкүн.

Hangi машина үйрөнүү ыкмаларi колдонулат?

Колдоо вектор машиналары, doğrusal ayırma талдоосу, логистикалык регрессия, k-en yakın komşu, кокустук токой жана бекемдөө ыкмаларi sınırlı катышуучу sayısına sahip маалымат kümelerinde etkili болушу мүмкүн. Bu модельler bant gücü, dalgacık, энтропия жана istatistiksel өзгөчөliklere dayanır. Hesaplama gereksinimleri görece төмөн болгону үчүн araç içi же giyмененbilir уч cihazlarda uygulanmaları daha kolay болушу мүмкүн.

Geleneksel модельlerin негизги sınırlılığı, başarılarının büжүк ölçüde sinyal temizliğine жана elle seçilmiş өзгөчөliklerin kalitesine bторlı olmasıdır. Sürücüler arasında EEG örüntüleri değiştiğinde sabit өзгөчөlikler yeterli olmayabilir. Buna rторmen derleme, терең үйрөнүү модельlerinin mutlaka daha iyi болгону sonucuna varmamaktadır; küçük маалымат kümelerinde daha sade модельler daha kararlı жана ачыкlanabilir натыйжалар жанаrebilir.

Derin öğrenme модельleri neyi değiştirmektedir?

Konvolüsyonel sinir торları (CNN), ham же az işlenmiş EEG’den yerel zamansal жана электродlar arası mekânsal örüntüleri öğrenebilir. EEGNet gibi derinlik өзүнчөlabilir konvolüsyon kullanan kompakt архитектураler, daha az parametreyle çalıştıkları үчүн төмөн güç tüketimli giyмененbilir системаler açısından маанилүүdir.

Uzun кыска мөөнөттүү bellek торları (LSTM), zamansal konvolüsyon торları жана CNN-LSTM birleşimleri uyuşukluğun zaman үчүнdeki мененrleyişini модельlemeyi amaçlar. Dikkat mekanizmaları жана transformer архитектураleri, ар башка zaman noktaları же EEG каналları arasındaki daha узак мөөнөттүү ilişkмененri öğrenebilir. EEG Conformer yaklашып кетүүı, yerel EEG örüntülerini çıkaran konvolüsyon катмарларыnı daha geniş bторlamı баалуулукlendiren öz dikkat mekanizmasıyla birleştirmektedir.

Derin модельlerin маанилүү riski, uyuşukluğun fizyolojik işaretlerini öğrenmek yerine kişinin идентификациясыni, жазуу cihazının өзгөчөliklerini же hareket артефактlarını ezberlemesidir. Bu эмне үчүнle модель ачыкlamaları, жыштык bozma тестleri, канал çıkarma экспериментleri жана өзгөчөlik azaltma талдооleriyle kararların чыныгыçi nörofizyolojik örüntülere dayanıp dayanmadığı araştırılmalıdır.

Katılımcı sızıntısı performansı эмне үчүн yapay катары жүкseltir?

EEG kaydı kısa pencerelere bölündüğünde aynı kişiden alınan komşu pencereler birbirine oldukça benzer болушу мүмкүн. Bu pencerelerin bir kısmı окутуу, bir kısmı тест grubuna rastgele dторıtılırsa модель yeni bir sürücüde uyuşukluğu диагнозmak yerine окутуу sırasında gördüğü kişinin EEG түзүмsını диагнозyabilir.

Gerçek bir kişi bторımsız баалооde, тест grubundaki sürücülerin hiçbir kaydı модель geliştirme sürecinde kullanılmamalıdır. Veri bölme иштетүүi сигналды алдын ала иштетүү, өзгөчөlik seçimi, boyut azaltma жана hiperparametre ayarından önce түзүмlmalıdır. Küçük маалымат kümelerinde iç içe кайчылаш текшерүү; daha күчтүү bir kanıt деңгээлinde болсо başka merkez, cihaz же маалымат топтомуnden gelen tamamen bторımsız тышкы валидация kullanılmalıdır.

Doğruluk эмне үчүн tek başına yeterli değildir?

Uyuşukluk olayları uyanık sürüşten daha seyrek болгонуnda модель бардык pencereleri uyanık катары işaretleyerek жогорку görünen bir тактык elde edebilir. Derleme bu эмне үчүнle aşторıdaki ölçütlerin бирге raporlanmasını теоремаktedir:

• Duyarlılık жана өзгөчөлүк,
• Kesinlik жана F1 skoru,
• Dтоскоолдукi тактык,
• Matthews корреляция коэффициенти,
• ROC-AUC жана PR-AUC,
• Uyuşukluk olayını сезүү кечигүүsi,
• Sürekli tahminlerde hata жана zamansal uyum,
• Olasılık калибрлөөu жана tahmin belirsizliği.

Bir модель uyuşuk жана uyanık örnekleri doğru sıralasa bменен tahmin ettiği risk мүмкүнlıkları güжанаnilir olmayabilir. Örneğin yüzde 90 risk bildirdiği olayların yalnızca küçük bir kısmı чыныгыten uyuşukluk içeriyorsa uyarı системаi gereksiz alarmlar üretir. Kalibrasyon eğrмененri, Brier упайы жана beklenen калибрлөө hatası, tahmin edмененn мүмкүнlığın gözlenen olay sıklığıyla ne kadar uyumlu болгонуnu баалооk үчүн kullanılabilir.

Belirsizlik tahmini de коопсуздук açısından маанилүүdir. Elektrot teması kötüleştiğinde же модель daha önce görmediği bir fizyolojik örüntüyle karşılaştığında система kesin fakat yanlış bir karar жанаrmek yerine төмөн güжанаn bildirebilmeli ya da karar жанаrmekten kaçınabilmelidir.

Laboratuvar başarısından чыныгы айдооe кантип geçilir?

Изилдөөnın onuncu sayfasındaki Şekil 3, geliştirme жана маалымат bölmeden performans баалооsine, oradan araç içi издөө жана canlı uygulamaya uzanan bir текшерүү yolu көрсөтөт. Şemada bторımsız катышуучу ажыратууı, iç içe кайчылаш текшерүү, dış маалымат kümeleri, çoklu performans ölçütleri, калибрлөө, tahmin belirsizliği, uyarı системаi, маалымат коопсузği жана dторıtım sonrası издөө бирге ele alınmaktadır.

Simülatör экспериментleri, ыкмасыn ilk баалооsini sторlayabilir; бирок чыныгы айдооte yol бетi, araç термелүүi, konuşma, çene hareketi, gece-gündüz değişimi, ар башка климатler, trafik yoğunluğu жана sürücü davranışı gibi ek өзгөрмөler vardır. Prospektif баалооde yalnızca doğru классификация değil, uyarının sürücüye zamanında ulaşması, anlaşılması, aşırı alarm üretmemesi жана sürücünün коопсуз bir davranış göstermesine yardımcı olması баалуулукlendirilmelidir.

Uzun süreli beyin жана kalp sinyalleri, yalnızca uyuşukluk hakkında değil başka fizyolojik өзгөчөlikler hakkında da bilgi taşıyabilir. Bu эмне үчүнle маалымат minimizasyonu, yerel cihazda иштетүү, коопсуз kabloсууz байланыш, anonimleştirme, erişim kontrolü, yazılım sürüm takibi жана dторıtım sonrası коопсуздук издөө системанын негизги bмененşenleri olmalıdır.

Karşılaştırılan изилдөөların ortak mesajı эмне?

Derlemenin Tablo 1’i sekiz temsilî изилдөөyı sinyal, ыкма, текшерүү odторı, katkı жана чектөө açısından салыштырууktadır. Изилдөөların ortak багыты, EEG bant ölçülerinden dalgacık өзгөчөliklerine жана derin торlara kadar çok ар башка ыкмаларin kontrollü koşullarda uyuşuklukla ilişkili örüntüler yakalayabilmesidir.

Бирок таблицаda her ыкмасыn sınırlılığı da vurgulanmaktadır. El түзүмmı өзгөчөlikler kişмененr arası değişime duyarlı болушу мүмкүн; çoklu biyosinyal өзгөчөlikleri karmaşık ön иштетүү gerektirebilir; HRV stres жана sторlık durumundan etkмененnebilir; dinamik модельler güжанаnilir referans этикаetlerine ihtiyaç duyar; derin торlar aşırı uyum жана катышуучу агып кетүүсү riski taşır; кулак ичиндеги EEG cihazları болсо узак мөөнөттүү doğal sürüşte henüz yeterince тастыкталган эмес.

Derlemenin жалпы баалооsi, tek bir algoritmanın бардык sorunları çözmediğidir. Gerçek колдонуу баалуулукi; сенсор rahatlığı, sinyal güжанаnilirliği, kişi bторımsız жалпыleme, төмөн кечигүү, энергия маалыматmliliği, ачыкlanabilirlik жана insan-makine өз ара аракеттенүүinin бирге geliştirilmesine bторlıdır.

Изилдөөnın күчтүү yönleri nelerdir?

• EEG fizyolojisini, giyмененbilir donanımı, sinyal иштетүүyi жана жасалма интеллектyı ortak bir система perspektifinde ele almaktadır.
• Uyuşukluğu yalnızca ikili классификация değil, zaman үчүнde мененrleyen bir fizyolojik процесс катары баалооktedir.
• Katılımcı sızıntısı жана rastgele pencere bölme sorunlarını görünür hâle getirmektedir.
• Doğruluk dışında калибрлөө, белгисиздик, кечигүү жана тышкы валидация gereksinimlerine dikkat созулууktedir.
• Giyмененbilir EEG’nin konfor, temas kalitesi, pil, kabloсууz коопсуздук жана чыныгы колдонуу sorunlarını tartışmaktadır.
• Yapay zekâ başarısını sürücü davranışı жана коопсуз uyarı tasarımından өзүнчө баалооmektedir.

Изилдөөnın чектөөлөрү nelerdir?

• Изилдөө рецензиядан өтө элек bir preprinttir.
• Баяндооsal derlemedir; системаatik tarama protokolü bildirilmemiştir.
• Hangi маалымат tabanlarının, кайсы tarihler arasında жана кайсы anahtar kelimelerle tarandığı түшүндүрүлгөн эмес.
• Dahil etme жана dışlama ölçütleri менен изилдөө seçim агымı берилген эмес.
• Kaynakların risk yanlılığı же metodolojik kalite баалооsi түзүмlmamıştır.
• Meta-талдоо, birleştirilmiş тактык же nicel etki büжүкlüğü берилген эмес.
• Temsilî изилдөөların seçilme gerekçesi түшүндүрүлгөн эмес.
• Bazı metin içi atıf numaraları булакça жазууларыyla eşleşmemektedir.
• Kaynakçada makalenin yazım tarihinden sonraki bir yayın tarihini taşıyan жазуу bulunmaktadır.
• Derlemenin bazı булакları айдоочунун уйкусуроосу konuсууna түздөн-түз фокусlanmamaktadır.

Изилдөө neyi колдойт?

Изилдөө, EEG’nin sürücü uyanıklığındaki zamansal değişimleri текшерүүk үчүн fizyolojik açıdan anlamlı bir sinyal болгонуnu; EOG, ECG, HRV, PPG, электродермалдык активдүүлүк жана дем алууla birleştirildiğinde daha geniş bir durum баалооsi түзүмlabмененceğini колдойт. Мындан тышкары kişi көз карандысыз валидация, güжанаnilir мүмкүнlık tahmini, белгисиздик yönetimi жана табигый айдоо тесттериnin чыныгы uygulama үчүн gerekli болгонуnu savunmaktadır.

Изилдөө neyi далилдебейт?

Bu derleme belirli bir модельin en жогорку doğruluğa sahip болгонуnu, кулак ичиндеги EEG’nin бардык sürücülerde güжанаnilir çalıştığını же herкайсы bir системанын trafik kazalarını azalttığını түздөн-түз далилдебейт. Yeni катышуучуlarla эксперимент түзүмlmamış, bir prototip geliştirilmemiş жана чыныгы araçta коопсуздук sonucu өлчөнгөн эмес. İncelenen ыкмаларin лаборатория performansı, ticari же operasyonel колдонууa hazır oldukları anlamına gelmez.

Изилдөөnın Yöntemi жана Bulguları

Derlemenin ыкмаsel түзүмsı

Sinyalden uyarıya önerмененn teknik zincir

1. EEG жана seçмененn толуктоочу биосигналдар тагынма сенсорлорden kaydedilir.
2. Kanal kalitesi жана электрод teması чыныгы убакыттагы катары баалуулукlendirilir.
3. Gürültü, elektrik hattı paraziti, göz, kas жана hareket булакlı артефактlar yönetilir.
4. Sinyaller zaman pencerelerine өзүнчөlır жана uygun biçimde normalleştirilir.
5. Zaman, жыштык же zaman-жыштык өзгөчөlikleri çıkarılır ya da temsil түздөн-түз derin тор tarafından öğrenilir.
6. Birden fazla сенсор kullanılıyorsa erken, ara деңгээл же geç birleştirme uygulanır.
7. Модель сергектик классı, sürekli uyuşukluk деңгээлi же risk мүмкүнlığı üretir.
8. Zamansal yumuşatma жана белгисиздик kontrolüyle kararsız tahminler azaltılır.
9. Risk eşiği aşıldığında sesli, görsel же текстураnsal uyarı oluşturulur.
10. Uyarının кечигүүsi, yanlış alarm катышı жана sürücünün tepkisi чыныгы айдоо koşullarında баалуулукlendirilir.

Derlemenin негизги bulgularının teknik кыскачаi

Изилдөөda yeni bir классlandırıcı eğitilmediği үчүн özgün тактык, сезгичтик, өзгөчөлүк, AUC, F1 skoru же istatistiksel anlamlılık баалуулукi bildirilmemiştir. Temsilî изилдөөlara ait ар башка ыкмалар баяндооlmış, бирок bunların натыйжалары ortak bir талдооde birleştirilmemiştir. Bu эмне үчүнle derlemeden “en başarılı модель” же “орточо тактык” sonucu çıkarılamaz.

Kaynak жана Yöntem Notu

Изилдөөnın tam özgün adı: AI-Driжанаn EEG-Based Driжанаr Drowsiness Detection: A Narratiжана Review of Biosignals and Wearable Devices

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

Eş birinci автор же eş katkı: Metinde eş birinci авторlık же eş katkı bildirimi орун алган эмес.

Sorumlu автор: Mahsa Khaghani Asl Toloun.

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

DOI: Yüklenen sürümde жана doğrulanan SSRN kaydında DOI bilgisi gösterilmemektedir. DOI спутникrulmamıştır.

SSRN жазуу numarası: 7139298.

Dergi: Hakemli bir dergi adı же kabul edilmiş dergi sürümü doğrulanamamıştır.

Yayın platformu: SSRN.

Özgün yayınevi: Hakemli bir dergi yayınevi bu sürüm үчүн жок; изилдөө SSRN preprint platformunda сууnulmuştur.

Изилдөөnın yazım tarihi: 14 Temmuz 2026.

SSRN’ye жүкlenme tarihi: 23 Temmuz 2026.

Kaynak türü: Баяндооsal derleme жана preprint.

Hakemlik durumu: Бул изилдөө рецензиядан өтө элек bir preprinttir; натыйжалары жана literatür yorumları bu чектөө dikkate alınarak okunmalıdır.

Resmî булак байланышsı:SSRN изилдөө kaydı

Bu түрк тили içerik жүкlenen изилдөөнүн ana metni, салыштырууlı таблицасуу, EEG жана biyosinyal сүрөтleri, ыкма tartışmaları жана булакçası негизги alınarak даярдалган. Dış булакlardan bilimsel bulgu eklenmemiş; dış kontrol yalnızca изилдөөнүн SSRN üzerindeki bibliyoграф идентификациясыni жана yayın tarihini текшерүүk үчүн колдонулган.

Изилдөө yeni экспериментsel маалымат üretmemekte, belirli bir cihazı тест etmemekte жана meta-талдоо чыныгыleştirmemektedir. Sistematik bir literatür taraması үчүн gerekli маалымат базасы, arama dizisi, tarih aralığı, dahil etme жана dışlama ölçütleri, seçim агымı жана risk yanlılığı баалооsi берилген эмес. Bu эмне үчүнle derlemenin бардык ilgili yayınları kapsadığı же temsilî изилдөөların tarafsız bir ыкмаle seçildiği doğrulanamaz.

Metin içi atıflar менен булакça arasında birden fazla numara eşleşme sorunu bulunmaktadır. EEGLAB, EEG Conformer, TRIPOD+AI, PROBAST+AI жана DECIDE-AI менен ilgili bazı atıflar булакçadaki karşılıklarıyla tutarlı değildir. Kaynakçada изилдөөнүн yazım tarihinden sonraki Aralık 2026 tarihini taşıyan bir жазуу da bulunmaktadır. Bu sorunlar, makalenin негизги kavramsal алкакsini tamamen geçersiz kılmaz; бирок bibliyoграф güжанаnilirliği azaltır жана nihai yayın öncesinde авторлор же platform tarafından düzeltilmesi gerekir.

Derlemenin ana sonucu, EEG tabanlı айдоочунун уйкусуроосу издөөnin bilimsel жана teknik açıdan umut маалыматci болгону, fakat лаборатория классификация doğruluğunun чыныгы yol коопсузği etkisiyle eş tutulamayacторıdır. Güжанаnilir uygulama үчүн kişi bторımsız жана маалымат kümeleri arası текшерүү, doğal sürüş тестi, ölçülmüş сезүү кечигүүsi, калибрлөө, белгисиздик yönetimi, ачыкlanabilirlik, маалымат коопсузği жана insan faktörleri баалооsi зарыл.