Utafiti huu unatengeneza prototipu ya Mazingira Pepe Yanayojibadilisha Kineuro (NAVE) ambayo huainisha hali ya kihisia ya mtumiaji kutokana na ishara za elektroensefalografia (EEG) na kubadilisha mazingira ya kuona na kusikia ndani ya Unity 3D kulingana na hali iliyotabiriwa. Modeli hutumia rekodi za EEG za njia 14, 128 Hz kutoka kwa washiriki 23 katika seti ya data ya DREAMER; vipengele vya eneo la muda na masafa hutolewa kutoka vipande vya ishara vya sekunde 1, na modeli ya Random Forest yenye madarasa matatu—hasi, neutral na chanya—hufunzwa kulingana na thamani ya valence. Chanzo kinaripoti usahihi wa majaribio wa %70,39, F1=0,74 kwa darasa chanya na F1=0,73 kwa darasa hasi. Kikomo muhimu zaidi cha tafsiri ni kwamba mgawanyo wa mafunzo na majaribio ulifanywa kwa epoki za EEG zilizochaguliwa kwa nasibu badala ya kwa msingi wa washiriki; kwa hiyo, thamani ya %70,39 haionyeshi kwamba usahihi huohuo utapatikana kwa mtu ambaye hajawahi kuonekana hapo awali.

Mnyororo wa data wa mfumo huanza na ishara ya EEG. Rekodi za DREAMER kwanza hunormalishwa na kisha hupitishwa kwenye kichujio cha band-pass cha Butterworth cha daraja la nne katika masafa ya 1–50 Hz. Kisha, katika kila dirisha la sekunde 1, chanzo kinaeleza kuhesabiwa kwa vipengele kama wastani, mkengeuko wa kawaida, vigezo vya Hjorth, skewness, kurtosis, msongamano wa nguvu wa spektra kwa mbinu ya Welch, entropy ya spektra, masafa ya ukingo na korelesheni kati ya njia. Chanzo kinaripoti jumla ya vipengele 878 kwa kila epoki.

Vipengele vya msingi vya masafa ya EEG huchakatwa kama bendi za delta, theta, alpha, beta na gamma. Chanzo pia huhesabu uwiano wa beta/alpha kama kiashiria cha arousal; uwiano wa \((\beta+\gamma)/(\alpha+\theta)\) au \(\beta/\alpha\) kama stress index; na uwiano wake wa kinyume \((\alpha+\theta)/(\beta+\gamma)\) kama relaxation index. Fahirisi hizi zinawasilishwa kama viashiria vya neuro-kihisia vinavyoweza kupelekwa Unity, sambamba na seti pana ya vipengele vinavyotumiwa na Random Forest.

Modeli iliyofunzwa huhifadhiwa kama rf_model.pkl, na scaler huhifadhiwa kama scaler.pkl. Python backend hutuma matokeo ya uainishaji kwenda Unity kupitia UDP. Upande wa Unity, upokeaji wa data huendeshwa kwenye background thread tofauti; pakiti zinazopokelewa huhamishwa kwenda kwenye main render thread kupitia foleni ya dispatcher. Lengo ni kuzuia usikilizaji wa mtandao usizuie mzunguko mkuu wa michoro wa Unity.

Katika mazingira ya Unity, si lebo ya “chanya/hasi/neutral” pekee inayobadilika. Chanzo kinaeleza kubadilishwa kwa rangi ya anga, mwonekano wa jua, exposure, msongamano wa ukungu/particle na sauti ya usuli kulingana na darasa la kihisia. Mabadiliko ya sauti hutekelezwa kwa audio crossfade badala ya mpito wa ghafla, huku vigezo vya kuona vikitumika kwa mbinu ya interpolation laini.

Hata hivyo, utafiti huu si mfumo kamili wa tiba ya VR. Hakuna jaribio la kliniki lililofanywa kwa mtumiaji mpya wa VR, ufanisi katika matibabu ya PTSD au phobia haukupimwa, jaribio la cybersickness kwa headset halisi ya VR halikufanywa, na ucheleweshaji wa jumla wa end-to-end wa mfumo haukuthibitishwa kwa benchmark ya kiasi. Kauli za chanzo kuhusu ukarabati, uigaji wa phobia na neuro-gaming ni uwezekano wa matumizi ya baadaye.

Kwa mtazamo wa Türkiye, utafiti huu unatoa mfano wa usanifu wa programu unaoweza kutumiwa na vikundi vya utafiti vinavyofanya kazi kwenye miingiliano ya ubongo-kompyuta, teknolojia za michezo, neuro-gaming, mwingiliano wa binadamu–kompyuta, uigaji wa elimu na mazingira ya kidijitali yanayojibadilisha kulingana na hali ya mtumiaji. Hata hivyo, kwa matumizi halisi yaliyobinafsishwa kwa mtumiaji nchini Türkiye, majaribio yasiyotegemea mshiriki, sampuli ya watumiaji wa Kituruki, vifaa tofauti vya EEG, usimamizi wa artefakti wa wakati halisi, kipimo cha ucheleweshaji na uthibitishaji wa uzoefu wa mtumiaji vinahitajika kando.

Tatizo kuu ambalo utafiti unajaribu kutatua ni lipi?

Hoja ya kuanzia ya utafiti ni kwamba mifumo mingi ya uhalisia pepe na uhalisia ulioboreshwa, ingawa humpa mtumiaji mazingira tajiri ya kuona na kusikia, haizingatii moja kwa moja hali ya ndani ya kihisia ya mtumiaji. Katika mifumo ya jadi, mwingiliano wa mtumiaji mara nyingi hufanyika kupitia kibodi, gamepad, kidhibiti cha mwendo au matukio yaliyotayarishwa mapema.

Katika mbinu iliyopendekezwa na watafiti, mazingira pepe hayajibu tu amri za wazi za mtumiaji, bali pia hali ya kihisia iliyotabiriwa kutokana na ishara za EEG. Kwa hivyo mfumo unalenga kuunda mzunguko funge wa biokibernetiki kwa mpangilio:

EEG → uchakataji wa ishara → utoaji wa vipengele → uainishaji wa hisia → uhamishaji kupitia mtandao → urekebishaji wa mazingira ya Unity

kwa muundo wa mzunguko funge wa biokibernetiki.

Data ya DREAMER iliyotumiwa ina nini?

Kulingana na chanzo, seti ya data ya DREAMER ina washiriki 23 na vichocheo 18 vya video kwa kila mshiriki. Ishara za EEG zilirekodiwa kupitia njia 14 kwa kiwango cha sampuli cha 128 Hz.

Mpangilio wa njia uliotumiwa ni huu:

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

Matriksi ya ingizo ghafi ya sekunde moja ni:

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

Hii ina maana kwamba kwa kila sekunde kuna sampuli 128 kwa kila njia, na jumla ya njia 14 za EEG.

Madarasa ya kihisia yanaundwaje?

Washiriki wa DREAMER hupima thamani za Valence, Arousal na Dominance kwenye kipimo cha Likert cha 1–5 baada ya vichocheo vya video. Katika utafiti huu, lengo la uainishaji linatokana hasa na thamani ya Valence.

Kanuni ya darasa iliyotumiwa katika chanzo ni:

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

.

Kwa hiyo, modeli haitambui kwa maana ya kliniki hali za “furaha”, “depression”, “stress” au hali nyingine za kisaikolojia. Modeli hujifunza kugawanya tathmini binafsi za valence za washiriki wa DREAMER katika madarasa matatu.

Ishara za EEG hunormalishwaje?

Unormalishaji wa Z-score hutumika kwa kila njia ya EEG:

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

Hapa \(x_n\) ni sampuli ya ishara ghafi, \(\mu_x\) ni thamani ya wastani ya njia husika na \(\sigma_x\) ni mkengeuko wa kawaida. Kipengele cha \(10^{-8}\) huongezwa kwenye denominator ili kuzuia tatizo la mgawanyo wa kihesabu wakati mkengeuko wa kawaida unakaribia sifuri.

Chanzo hutumia mchakato huu kusawazisha viwango vya ishara kati ya watu tofauti.

Kichujio cha Butterworth hutumia masafa gani?

Baada ya unormalishaji, kichujio cha band-pass cha Butterworth cha daraja la nne hutumika. Chanzo kinatoa masafa ya uendeshaji wa kichujio kama:

1,0–50,0 Hz

.

Uhusiano wa msingi wa amplitude wa kichujio cha Butterworth unaoonyeshwa katika chanzo ni:

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

ambapo \(N=4\) inawakilisha daraja la kichujio.

Makala inaeleza kwamba uchujaji huu hutumiwa kupunguza kelele zinazotokana na jasho, kufumba macho na gridi ya umeme. Hata hivyo, ICA tofauti, EOG regression au algoriti maalumu ya kuondoa artefakti haijafafanuliwa kwa kina.

Bendi za masafa ya EEG huhesabiwaje?

Kwa kila dirisha la sekunde 1 lililosafishwa, msongamano wa nguvu wa spektra (Power Spectral Density, PSD) huhesabiwa kwa mbinu ya Welch:

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

Kisha thamani za PSD hugawanywa katika bendi za EEG zilizoelezwa katika chanzo:

Nguvu za bendi hizi hutumiwa kama sehemu za uhandisi wa vipengele na pia kama sehemu za vekta ya ingizo ya neuro-kihisia inayotumwa Unity.

Fahirisi za arousal, stress na relaxation zinafafanuliwaje?

Chanzo hutumia uwiano saidizi mitatu.

Uwiano wa Arousal:

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

Stress Index:

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

na chanzo pia kinatoa kama njia mbadala:

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

.

Relaxation Index:

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

huhesabiwa kwa namna hiyo.

Uwiano huu hutumiwa katika programu ya utafiti kama viashiria vya neuro-kihisia; chanzo hakitoi utafiti wa kliniki unaothibitisha uwiano huu kama utambuzi huru wa kliniki wa stress au relaxation.

Vipengele vingapi vilitolewa?

Kulingana na sehemu ya muhtasari, vipengele 878 vilitolewa kutoka kila epoki ya sekunde 1. Chanzo kinaeleza vipengele vyake vya eneo la muda na masafa chini ya vichwa vifuatavyo:

• wastani,
• mkengeuko wa kawaida,
• vigezo vya Hjorth,
• skewness,
• kurtosis,
• vipengele vya Welch PSD,
• entropy ya spektra,
• edge frequencies,
• korelesheni kati ya njia.

Hata hivyo, kwa kuwa makala haitoi feature dictionary au jedwali la ziada linaloorodhesha kila moja ya vipimo 878, jumla hii haiwezi kujengwa upya kwa kujitegemea kutoka kwenye maelezo ya chanzo.

Kwa nini idadi ya sampuli inahitaji tahadhari?

Mojawapo ya kutokulingana muhimu zaidi kwa ndani katika data ya utafiti ni idadi ya sampuli za mafunzo. Katika sehemu ya muhtasari imeandikwa kwamba segmentation ilitoa:

sampuli 85.744 za kipekee za mafunzo

.

Kinyume chake, katika sehemu ya mafunzo ya Random Forest, thamani zifuatazo zinatolewa:

• Jumla ya epoki: 17.149
• Mafunzo: 13.719
• Jaribio: 3.430

thamani hizi zinatolewa.

Chanzo hakitoi hesabu tofauti ya data augmentation, cross-validation, kuongeza madirisha au mabadiliko mengine ambayo yanaeleza tofauti kati ya 85.744 na 17.149. Kwa hiyo, nambari hizi mbili hazipaswi kuunganishwa kimyakimya kuwa idadi moja ya sampuli.

Random Forest ilitathminiwaje?

Data iligawanywa kwa nasibu katika chanzo kama %80 ya mafunzo na %20 ya jaribio. Modeli hutabiri madarasa matatu ya valence kwa Random Forest.

Chanzo kinafafanua metrika za Accuracy, Precision, Recall na F1-score katika tathmini. Hata hivyo, kama matokeo ya nambari yanayoonekana, thamani zifuatazo ziliripotiwa:

Matokeo haya yanaonyesha kwamba modeli inaweza kutofautisha madarasa ya kihisia katika epoki za jaribio zilizotengenezwa kutoka DREAMER.

Usahihi wa %70,39 hauthibitishi nini?

Mgawanyo wa jaribio ulifanywa kwa nasibu katika kiwango cha epoch. Makala haisemi kwamba rekodi za washiriki wote 23 zilitenganishwa kwanza kwa watu na kwamba watu fulani waliwekwa tu katika kundi la jaribio.

Kwa hiyo %70,39:

• ni utendaji katika epoki za jaribio zilizogawanywa ndani ya mpangilio huo huo wa uchakataji wa data,
• si utendaji wa subject-independent uliothibitishwa katika EEG ya mtu mpya,
• si usahihi uliopimwa kwa mtumiaji mpya wa VR katika wakati halisi.

Ili kutathmini uwezo wa kujumlisha kwa mtumiaji mpya, hold-out kwa msingi wa washiriki au uthibitishaji mwingine wa aina ya mtu-huru unahitaji kufanywa kando.

Modeli inaunganishwaje na Unity?

Baada ya mafunzo kukamilika, modeli ya Random Forest:

rf_model.pkl

na scaler ya preprocessing:

scaler.pkl

huhifadhiwa.

Python backend hutuma utabiri kwa upande wa Unity kupitia protokali ya UDP. Ndani ya Unity, darasa la EEGReceiver.cs husikiliza port ya UDP.

Port iliyotumiwa katika chanzo:

5005

imetajwa.

Kwa nini background thread hutumiwa?

Kwa sababu UdpClient.Receive() hufanya kazi kwa njia ya blocking, ikitumika kwenye main render thread ya Unity programu inaweza kusubiri hadi data ifike. Kwa hiyo, katika utafiti upokeaji wa UDP unaendeshwa kwenye background thread tofauti.

Mfuatano wa mchakato unaelezwa katika chanzo kama ifuatavyo:

1. byte[] receivedData hupokelewa kutoka kwenye socket ya UDP.
2. Hubadilishwa kuwa maandishi kwa UTF-8.
3. Data huchanganuliwa na kubadilishwa kuwa muundo wa EEGData.
4. Data iliyotayarishwa huhamishwa kwenye foleni itakayotekelezwa kwenye main thread.

Tatizo la thread safety katika Unity linatatuliwaje?

Kama chanzo kinavyoeleza, Unity API haifai kubadilisha moja kwa moja GameObject au vipengele vya kiolesura cha mtumiaji kutoka background thread.

Kwa hiyo, utafiti huunda muundo wa dispatcher katika darasa la MainThreadDispatcher.cs. actions kutoka kwenye thread ya mtandao ya usuli huandikwa kwenye queue na baadaye hutekelezwa kwa mfuatano kwenye main thread ya Unity.

Lengo la usanifu huu ni kutenganisha upokeaji wa mtandao na mzunguko wa render huku ukihakikisha kwamba vitu vya Unity vinabadilishwa tu kupitia main thread salama.

Ni data gani hutumwa Unity?

Vekta ya ingizo ya injini ya urekebishaji ni:

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

.

Status ni mojawapo ya lebo hizi tatu:

POSITIVE, NEGATIVE au NEUTRAL.

Ni vigezo gani vinabadilishwa katika mazingira pepe?

Chanzo kinafafanua matokeo ya render kama vekta yenye vipimo vingi:

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

Kwa hivyo, utabiri wa hisia hauishii kuwa lebo kwenye skrini pekee, bali unaunganishwa na vigezo vya angahewa na akustiki vya mazingira pepe.

Kwa nini mipito haifanywi moja kwa moja?

Chanzo kinaeleza kwamba mabadiliko ya ghafla ya kuona na kusikia yanaweza kuharibu uzoefu wa mtumiaji, na hivyo kinatumia interpolation laini kwa vigezo vya kuona na mbinu ya audio crossfade kwa tabaka za sauti.

Kutokana na muundo huu, mipito kati ya hali tofauti za kihisia hutekelezwa kwa kusambazwa katika muda badala ya kuruka ghafla kwa rangi au sauti.

Ni mkanganyiko gani kuhusu ucheleweshaji uliopo katika chanzo?

Katika sehemu ya changamoto za kiufundi, inaelezwa kwamba ucheleweshaji wa jumla wa mabadiliko ya hisia–mwitikio wa mazingira pepe:

unapaswa kuwa chini ya 100 ms

.

Kinyume chake, katika sehemu ya usanifu wa urekebishaji imeandikwa kwamba injini hupokea viashiria vipya kupitia UDP:

kila sekunde 0,2

. Hii inalingana na kipindi cha kusasisha cha 200 ms.

Zaidi ya hayo, chanzo hakitoi latency benchmark inayopima kando ucheleweshaji wa network, inference, preprocessing na render. Kwa hiyo, ucheleweshaji wa jumla wa end-to-end wa prototipu hauwezi kutolewa kama thamani iliyothibitishwa kwa majaribio kuwa chini ya 100 ms.

Kielelezo 1 kinaonyesha nini?

Kielelezo 1: Matokeo ya Unity Seaside, ambacho ndicho taswira kuu pekee ya matumizi katika utafiti, kinaonyesha kwa picha za skrini anga ya eneo la Unity linalodhibitiwa na NAVEManager ikibadilika katika hali tofauti.

Taswira hii ni uthibitishaji wa ubora wa prototipu kwamba mfumo unaweza kubadilisha eneo la Unity kulingana na kategoria na taarifa za spektra zinazotoka kwenye mnyororo wa programu.

Hata hivyo, Kielelezo 1 hakionyeshi metrika za mfumo za kiasi kama:

• usambazaji wa FPS,
• kiwango cha upotevu wa pakiti,
• latency ya wastani,
• ucheleweshaji wa percentile ya 95./99.,
• utendaji wa headset ya VR,
• kuridhika kwa mtumiaji,
• alama ya cybersickness

.

Matokeo yanayoungwa mkono na utafiti

• Modeli ya Random Forest inayotabiri madarasa matatu ya valence kutoka rekodi za EEG za DREAMER ilitengenezwa.
• Chanzo kinaripoti accuracy ya jumla ya %70,39 kwenye data ya jaribio.
• Kwa madarasa POSITIVE na NEGATIVE, F1-score za 0,74 na 0,73 mtawalia ziliripotiwa.
• Faili ya modeli iliyofunzwa upande wa Python iliunganishwa na Unity kupitia UDP.
• Upokeaji wa mtandao katika Unity ulifanywa kupitia background thread na usanifu wa dispatcher uliundwa kwa main thread.
• Darasa la kihisia na taarifa za bendi za EEG ziliunganishwa na vigezo vya mazingira ya kuona/kusikia ya Unity.
• Skrini za programu zilionyesha kwamba mazingira ya Unity Seaside yanaweza kubadilika kulingana na hali tofauti za kihisia.

Matokeo ambayo utafiti hauungi mkono au haujajaribu

• Accuracy ya %70,39 si utendaji wa subject-independent uliothibitishwa kwa watumiaji wapya na ambao hawajaonekana hapo awali.
• Hakuna uthibitishaji wa modeli uliofanywa kwa kukusanya EEG hai kutoka kwa washiriki wapya katika wakati halisi.
• Hakuna jaribio la mtumiaji lililodhibitiwa kwa headset halisi ya VR lililowasilishwa.
• Ufanisi wa kliniki katika ukarabati wa PTSD au matibabu ya phobia haujaonyeshwa.
• Ucheleweshaji wa jumla wa mfumo chini ya 100 ms haujathibitishwa kwa benchmark iliyopimwa.
• Kauli ya usanifu kwamba “frame loss haitokei wakati mamia ya pakiti kwa sekunde yanapowasili” haijaonyeshwa kwa kiasi kwa jaribio la kina la utendaji.
• Vipengele vyote vya vipengele 878 havijawasilishwa kama feature list inayoweza kuzalishwa upya.
• Utendaji kamili wa uainishaji wa darasa neutral haujaripotiwa kwa matokeo ya nambari yanayoonekana.
• Tofauti kati ya idadi za sampuli 85.744 na 17.149 haijaelezwa.
• Utafiti hauhalalishi utabiri wa hisia unaotegemea EEG kama chombo cha utambuzi wa kitabibu au kisaikolojia.

Mbinu na Matokeo ya Utafiti

Seti ya data na muundo wa ingizo la EEG

Uchakataji wa awali na uhandisi wa vipengele

Idadi za sampuli: ripoti mbili tofauti ndani ya chanzo

Jumla ya sampuli 13.719 za mafunzo na 3.430 za jaribio ni 17.149. Kwa kuwa chanzo hakielezi uhusiano wa idadi 85.744 na muundo huu, haijawekwa wazi ni idadi ipi inayowakilisha idadi halisi ya epoki huru katika mafunzo ya modeli ya mwisho.

Matokeo ya utendaji wa Random Forest

Usanifu wa mawasiliano wa Python–Unity

Ucheleweshaji na wakati halisi

Upeo wa uthibitishaji wa kivitendo

Chanzo kinaeleza kuwa mwitikio wa mazingira ya Unity ulijaribiwa kwa kutumia kategoria zilizobadilishwa kwa makusudi na Python backend pamoja na mtiririko wa spektra wa EEG wa DREAMER. Kielelezo 1 kinaonyesha hali tofauti za kuona za eneo la Unity Seaside.

Uthibitishaji huu ni jaribio la prototipu linaloonyesha kwamba kazi ya programu inafanya kazi. Si jaribio la binadamu lililodhibitiwa ambapo watumiaji wapya waliunganishwa kwenye mfumo kwa headset ya VR.

Nguvu za kimbinu

• Uchakataji wa ishara ya EEG, machine learning na urekebishaji wa Unity vimeunganishwa katika usanifu mmoja wa end-to-end.
• Data halisi ya EEG ya multimodal inayopatikana kwa umma imetumiwa.
• Vipengele vya maeneo ya muda na masafa vimetathminiwa pamoja.
• Faili za modeli zimeunganishwa kwenye Python backend na matokeo ya utabiri yamehamishwa kwenye injini ya Unity.
• Upokeaji wa UDP umetenganishwa na main render thread ya Unity kwa usanifu sahihi wa thread-dispatch.
• Vigezo vya mazingira ya kuona na kusikia vimeunganishwa na darasa la kihisia.

Vikwazo vikuu vya kimbinu

• Kutokulingana kwa ndani kwa chanzo kati ya idadi za epoki 85.744 na 17.149 hakuelezwi.
• Mgawanyo wa train/test usiotegemea mshiriki haujaripotiwa.
• Kwa darasa Neutral, metrika kamili ya utendaji haijatolewa katika matokeo yanayoonekana.
• Vipengele 878 havijaelezwa kwa feature manifest kamili.
• Licha ya kauli ya “artifact removal” katika Abstract, hakuna algoriti maalumu ya kuondoa artefakti iliyoonyeshwa katika sehemu ya kina ya mbinu.
• Lengo la 100 ms halijathibitishwa kwa jaribio la kiasi la end-to-end latency.
• Hakuna FPS, jitter, packet loss au profaili ya utendaji iliyotolewa kwa mazingira ya Unity.
• Hakuna jaribio la mtumiaji la mzunguko funge lililofanywa kwa kifaa halisi cha VR na kifaa cha EEG hai.
• Ufanisi katika PTSD, phobia au matumizi mengine ya kliniki haujachunguzwa.

Maelezo ya Chanzo na Mbinu

Jina kamili la awali la utafiti:EEQ SİQNALLARI ƏSASINDA VİRTUAL MÜHİTİN İŞLƏNİB HAZIRLANMASI.

Kichwa cha Kiingereza:DEVELOPMENT OF A VIRTUAL ENVIRONMENT BASED ON EEQ SIGNALS. Tahajia ya “EEQ” katika kichwa cha Kiingereza cha chanzo pia imehifadhiwa.

Waandishi, kwa mpangilio wa chanzo: Lalə M. ZEYNALOVA; Vüqar RƏHIMLI.

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

Hadhi za waandishi: Katika chanzo, Lalə M. Zeynalova anaonyeshwa kama doçent/Associate Professor; Vüqar Rəhimli kama mwanafunzi wa vikundi vya SABAH/student.

Mwandishi wa kwanza mwenza/mchango sawa: Hakuna taarifa kama hiyo katika chanzo.

Mwandishi wa mawasiliano: Hakuna alama tofauti ya corresponding-author katika chanzo; anwani za barua pepe za waandishi wote wawili zimetolewa kando.

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

Mchapishaji: Azerbaijan State Oil and Industry University Press.

Utambulisho wa chapisho: Volume 28, Issue 2, 2026, katika faili ya chanzo uk. 91–98.

DOI: 10.32010/DQMH3410.

Mchakato wa makala: Received 1 May 2026; Revised 24 May 2026; Accepted 25 June 2026.

Siku kamili ya kuchapishwa mtandaoni: Hakuna siku tofauti ya kuchapishwa mtandaoni inayoweza kuthibitishwa iliyoonyeshwa katika faili ya chanzo au metadata rasmi ya makala.

Kiungo rasmi:https://doi.org/10.32010/DQMH3410.

Rekodi rasmi ya mchapishaji:https://press.asoiu.edu.az/pahtei/article.php?id=208.

Aina ya chanzo: Ni utafiti wa uhandisi wa kompyuta unaotumika, unaojumuisha uchanganuzi wa data ya EEG, machine learning na ujumuishaji wa prototipu inayofanya kazi ya Python–Unity.

Hali ya mapitio ya rika: Kulingana na sera ya uchapishaji ya jarida, tathmini za kisayansi za wakaguzi huzingatiwa katika uamuzi wa uchapishaji. Utafiti ni makala ya jarida iliyokubaliwa; ripoti binafsi za wakaguzi za makala hazipatikani kwa umma.

Leseni/hakimiliki: Hakuna leseni tofauti ya Creative Commons iliyotajwa kwa makala yenyewe. Kurasa rasmi za mchapishaji zina kauli “All rights reserved”. Kwa hiyo, picha za skrini kutoka chanzo hazijanakiliwa kwenye HTML hii ya Verianla.

Ufadhili: Hakuna taarifa tofauti ya ufadhili katika chanzo.

Mgongano wa maslahi: Hakuna taarifa tofauti ya mgongano wa maslahi katika chanzo.

Upatikanaji wa data: Utafiti hutumia seti ya data ya DREAMER; hata hivyo, hakuna sehemu tofauti ya Data Availability Statement iliyotolewa katika chanzo.

Kamati ya maadili: Hakuna taarifa ya kamati ya maadili kuhusu kukusanya washiriki wapya katika chanzo. Utafiti unatokana na uchanganuzi wa pili wa rekodi zilizopo za DREAMER.

Michango ya waandishi: Hakuna CRediT au taarifa ya kina ya michango ya waandishi katika chanzo.

Maelezo kuhusu mnyororo wa chanzo wa DREAMER: Ingawa makala hutumia DREAMER kama chanzo kikuu cha data, chapisho asili la seti ya data ya DREAMER halionekani katika orodha ya marejeo; chapisho la seti ya data ya DEAP linaonekana katika marejeo.

Onyo kuhusu idadi ya sampuli: Sampuli 85.744 katika muhtasari haziendani kwa namna iliyoelezwa na jumla ya epoki 17.149, sampuli 13.719 za mafunzo na sampuli 3.430 za jaribio katika sehemu kuu ya mbinu. Maandishi haya ya Verianla hayajabadilisha nambari moja kwa nyingine.

Onyo kuhusu muundo wa uthibitishaji: Chanzo kinaripoti mgawanyo wa nasibu wa epoch wa %80/%20; hakielezi subject-independent test kwa msingi wa washiriki. Kwa hiyo, thamani ya accuracy ya %70,39 haijafasiriwa kama utendaji kwa mtumiaji mpya.

Onyo kuhusu idadi ya vipengele: Chanzo kinaripoti vipengele 878 kwa kila epoki, lakini kwa kuwa hakitoi feature list inayoonyesha kila safu ya vipengele 878, nambari hii haiwezi kuhesabiwa upya kwa kujitegemea kutoka maelezo ya mbinu.

Onyo kuhusu uchakataji wa artefakti: Muhtasari hutumia kauli “artifact removal”; katika sehemu ya kina ya preprocessing, hatua kuu zilizoelezwa wazi ni unormalishaji wa Z-score na uchujaji wa band-pass wa Butterworth wa daraja la nne wa 1–50 Hz. Utaratibu tofauti wa ICA/EOG wa kuondoa artefakti haujafafanuliwa kwa kina katika chanzo.

Onyo kuhusu ucheleweshaji: Makala inaweka lengo la chini ya 100 ms kwa ucheleweshaji wa jumla wa mfumo, huku pia ikisema kwamba injini ya urekebishaji hupokea data kila sekunde 0,2. Kwa kuwa chanzo hakina matokeo ya end-to-end latency benchmark, utendaji wa wakati halisi wa chini ya 100 ms haujawasilishwa kama matokeo ya majaribio yaliyothibitishwa.

Kikomo cha matumizi: Chanzo kinaonyesha prototipu halisi ya programu na urekebishaji wa mazingira ya Unity; hata hivyo, si utafiti wa kliniki au wa uzoefu wa mtumiaji wa mzunguko funge kwa washiriki wanaotumia headset halisi ya VR. Matumizi ya ukarabati wa PTSD, phobia na neuro-gaming yanapaswa kutathminiwa kama uwezekano wa matumizi ya baadaye.

Hali ya Verianla Live: Accuracy ya jumla na F1-score za madarasa mawili pekee ni metrika tofauti; metrika ya darasa neutral haipo na kuna kutokulingana kwa ndani kwa chanzo katika idadi za sampuli. Kwa hiyo, Verianla Live haikutumiwa.

Chanzo cha maudhui ya kisayansi: Hatua za EEG preprocessing, fomula, bendi za masafa, idadi za data, matokeo ya Random Forest, usanifu wa Python–Unity, uhamishaji wa UDP, muundo wa thread-dispatch na mipaka ya matumizi katika makala hii ya Verianla zinategemea utafiti uliochunguzwa. Uthibitishaji wa nje ulitumika tu kwa utambulisho wa kibibliografia, jarida/mchapishaji, sera ya mapitio ya rika na rekodi rasmi ya uchapishaji.