Bu anlatısal derleme, sürücü uyuşukluğunun elektroensefalografi (EEG), tamamlayıcı biyosinyaller, giyilebilir sensörler ve yapay zekâ yöntemleri kullanılarak nasıl izlenebileceğini incelemektedir. Çalışma; EEG ritimlerinden sinyal ön işlemeye, makine öğrenmesinden konvolüsyonel ve transformer tabanlı modellere, kulak çevresi elektrotlardan gerçek sürüş doğrulamasına kadar geniş bir teknik çerçeve sunmaktadır. Derlemenin ana sonucu, yüksek laboratuvar doğruluğunun tek başına güvenilir bir sürücü güvenliği sistemi oluşturmadığı; kişilerden, cihazlardan ve veri kümelerinden bağımsız doğrulama, gecikme ölçümü, olasılık kalibrasyonu, belirsizlik analizi ve doğal sürüş testlerinin gerekli olduğudur. Bununla birlikte çalışma yeni bir deney, veri seti veya meta-analiz sunmayan, sistematik tarama yöntemi belirtilmemiş ve hakem değerlendirmesinden geçmemiş bir preprinttir.

Sürücü uyuşukluğu, yalnızca gözlerin kapanmasıyla başlayan ani ve ikili bir durum değildir. Uyanıklık ile uyku arasında ilerleyen; dikkati, tepki süresini, şerit kontrolünü, tehlike algısını ve karar vermeyi giderek bozan nörodavranışsal bir geçiştir. Sürücü kendi uyanıklığındaki azalmayı fark etmeden önce performansı bozulabileceği için izleme sisteminin yalnızca araç savrulduktan veya gözler kapandıktan sonra değil, riskli fizyolojik değişim gelişirken uyarı üretmesi amaçlanmaktadır.

EEG bu amaç için önemlidir çünkü beynin elektriksel etkinliğini yüksek zamansal çözünürlükle ölçer. Delta, theta, alpha ve beta ritimlerindeki değişimler uyanıklığın azalması hakkında bilgi sağlayabilir. Ancak derleme tek bir EEG bandının veya sabit bir eşik değerinin bütün sürücüler için geçerli olmadığını vurgulamaktadır. Uyku geçmişi, günün saati, bilişsel yük, gözlerin açık veya kapalı olması, elektrot konumu, sağlık durumu ve kişisel fizyoloji aynı EEG göstergesinin farklı kişilerde farklı görünmesine neden olabilir.

Türkiye açısından değerlendirme: Çalışma belirli bir ülke için geliştirilmiş deneysel bir sistem sunmadığından Türkiye’ye özgü sonuç bildirmemektedir. Bununla birlikte sürücülerin farklı yaş, sağlık, uyku düzeni, araç, yol, iklim ve çalışma koşullarında değerlendirilmesi gerektiğine ilişkin çerçeve Türkiye’de yürütülecek araştırmalara uyarlanabilir. Türkiye’de kullanılacak bir sistemin yerel sürücülerle, gerçek yol koşullarında, gece ve gündüz sürüşlerinde, farklı araç sınıflarında ve bağımsız veri kümelerinde doğrulanması gerekir. Derleme, EEG tabanlı cihazların kazaları kesin olarak önlediğini veya bugün doğrudan seri araçlara yerleştirilmeye hazır olduğunu göstermemektedir.

Sürücü uyuşukluğu neden yalnızca kamera veya araç hareketiyle ölçülemez?

Sürücü izleme yöntemleri çalışmada üç ana grupta ele alınmaktadır: araç tabanlı göstergeler, görüntü tabanlı izleme ve fizyolojik ölçümler. Direksiyon hareketleri, şerit sapması ve araç dinamikleri sürüş performansındaki bozulmayı gösterebilir; ancak bu değişimler uyanıklık azaldıktan sonra ortaya çıkabilir. Başka bir ifadeyle araç tabanlı sistemler çoğu zaman nörofizyolojik nedenin kendisini değil, sürüşte oluşan sonucu ölçer.

Kamera tabanlı yöntemler göz kapağının uzun süre kapalı kalmasını, esnemeyi, bakış yönünü ve baş pozisyonunu izleyebilir. Bununla birlikte aydınlatma değişimi, gece sürüşü, gözlük, yüzün kısmen kapanması, kamera açısı ve kişiler arasındaki yüz farklılıkları görüntü kalitesini ve model performansını etkileyebilir.

Fizyolojik ölçümler ise azalan uyanıklığın altında yatan sinirsel, gözle ilgili ve otonom değişimlere daha doğrudan yaklaşır. Çalışmanın ikinci sayfasındaki Şekil 1, araç sinyallerini, kamera bulgularını ve EEG, elektrookülografi ile kalp ritmi gibi fizyolojik sinyalleri aynı izleme zincirinde göstermektedir. Şekilde bu verilerin yapay zekâ ile birleştirilerek sürekli bir uyuşukluk risk göstergesine ve önleyici uyarıya dönüştürülmesi önerilmektedir.

EEG sürücünün uyanıklığındaki değişimi nasıl gösterir?

EEG, kafa derisi veya kulak çevresindeki elektrotlarla beynin elektriksel etkinliğini ölçmektedir. Derlemede sürücü uyuşukluğunun tek bir evrensel EEG işaretiyle değil, farklı frekans bantları arasındaki dağılımın değişmesiyle temsil edildiği açıklanmaktadır.

• Delta etkinliği: İleri uyuşukluk ve mikro uyku eğilimi sırasında artabilen yavaş dalga bileşenidir.
• Theta etkinliği: Erken yorgunlukta bilişsel çabanın ve telafi edici kontrolün artışıyla, daha ileri aşamalarda ise azalan uyanıklıkla ilişkilendirilebilir.
• Alpha etkinliği: Görsel katılımın azalması veya kortikal etkinliğin dinlenme yönünde değişmesiyle bağlantılı olabilir; ancak değişimin yönü göreve, göz durumuna ve uyuşukluk aşamasına göre farklılaşabilir.
• Beta etkinliği: Uyanıklık ve etkin bilişsel katılımla ilişkilendirilen daha hızlı etkinliktir; azalması uyanıklığın düşmesine eşlik edebilir.

Derleme, yavaş EEG etkinliğinin hızlı beta etkinliğine göre baskınlaşmasının azalan kortikal uyanıklığa işaret edebileceğini belirtmektedir. Ancak bu ilişki sabit bir tanı eşiği değildir. Aynı sürücünün bile farklı günlerdeki uyku süresi, kafein kullanımı, stres düzeyi ve sürüş görevi EEG örüntüsünü değiştirebilir.

Çalışmanın altıncı sayfasındaki Şekil 2, uyanık durumdan yorgunluk ve mikro uyku riskine ilerleyen süreci EEG dalgaları, frekans bandı güçleri, kafa derisi haritaları ve zaman-frekans görüntüleriyle birlikte göstermektedir. Aynı şemada göz kırpma, kalp hızı değişkenliği, fotopletismografi, elektrodermal etkinlik ve solunum sinyallerinin de uyanıklık göstergesine katkı sağlayabileceği anlatılmaktadır. Şeklin ana mesajı, güvenilir değerlendirmenin tek bir sinyal veya sabit eşik yerine zaman içinde değişen çoklu fizyolojik örüntülere dayanması gerektiğidir.

Uyuşukluk neden ikili değil, sürekli bir durum olarak modellenmelidir?

Birçok veri kümesi sürücüyü “uyanık” ve “uyuşuk” olarak iki sınıfa ayırmaktadır. Derleme bu yaklaşımın, güvenlik uyarısının en değerli olabileceği geçiş aşamasını gizleyebileceğini belirtmektedir. Uyuşukluk; uyanık, erken yorgun, geçiş hâlinde, ileri uyuşuk ve mikro uyku riski taşıyan düzeylerden oluşan sürekli bir süreç olarak düşünülebilir.

Göz kapağının belirli bir zaman aralığında kapalı kaldığı oranı temsil eden PERCLOS, tepki süresindeki değişkenlik veya uzmanlarca puanlanan uyanıklık düzeyi sürekli referans olarak kullanılabilir. Zamansal modeller, yalnızca o anki EEG penceresine değil önceki uyanıklık durumlarına da bakarak ani ve tutarsız sınıf değişimlerini azaltabilir.

Bu yaklaşımın güvenlik açısından önemi, sistemin yalnızca sürücünün başı düştüğünde veya araç şeritten çıktığında tepki vermemesi; risk artışının zamansal eğilimini yakalayarak daha erken ve daha kararlı bir uyarı oluşturabilmesidir.

EEG dışında hangi biyosinyaller kullanılabilir?

Derleme, EEG’nin tamamlayıcı sinyallerle birleştirilmesinin geçici sinyal bozulmalarına karşı dayanıklılığı artırabileceğini değerlendirmektedir:

• Elektrookülografi (EOG): Göz hareketlerini, yavaş göz hareketlerini ve göz kırpma dinamiklerini ölçer.
• Elektrokardiyografi (ECG): Kalbin elektriksel etkinliğini ve kalp atımları arasındaki süreleri kaydeder.
• Kalp hızı değişkenliği (HRV): Ardışık kalp atımları arasındaki süre değişimini inceler ve otonom sinir sistemi hakkında bilgi sağlar.
• Fotopletismografi (PPG): Optik olarak nabız dalgasını ölçer ve saat veya kulaklık benzeri cihazlara yerleştirilebilir.
• Elektrodermal etkinlik: Derinin ter bezi etkinliğine bağlı iletkenlik değişimini ölçerek sempatik uyarılma hakkında bilgi verir.
• Solunum: Solunum hızı ve örüntüsündeki değişimleri izler.

Bu sinyaller EEG’nin yerine geçen kusursuz göstergeler değildir. Örneğin kalp hızı değişkenliği stres, solunum, duruş, ilaç, kafein ve kardiyovasküler durumdan etkilenebilir. Elektrodermal etkinlik stres ile uyuşukluğu birbirine karıştırabilir. EOG ise göz hareketleri konusunda güçlü olsa da tek başına kortikal uyanıklığı doğrudan ölçmez.

Çoklu sensör yaklaşımının amacı, her sensörün farklı bir fizyolojik bileşeni yakalamasından yararlanmaktır. Buna karşılık sensör sayısının artması eş zamanlama, enerji tüketimi, kalibrasyon, bakım, veri aktarımı ve kullanıcı rahatsızlığı sorunlarını da büyütmektedir. Derleme, olabilecek en fazla sensörü kullanmak yerine düşük kanallı bir EEG çekirdeğine öngörü değeri yüksek bir veya iki tamamlayıcı sinyal eklenmesinin daha uygulanabilir olabileceğini savunmaktadır.

Giyilebilir EEG sistemleri neden önemlidir?

Araştırma sınıfı EEG sistemleri yüksek sayıda kanal, iletken jel, kafa derisi hazırlığı, kablo ve eğitimli uygulayıcı gerektirebilir. Bu kurulumlar kontrollü laboratuvar deneyleri için yararlı olsa da günlük araç kullanımında rahat, hızlı ve görünmez bir izleme sistemi oluşturmak için uygun değildir.

Kulak çevresi ve kulak içi elektrotlar, saçın daha az olduğu ve görsel olarak daha az dikkat çeken bir bölgeden EEG kaydı almayı amaçlamaktadır. Kuru elektrotlar iletken jel gerektirmediği için uzun süreli ve kişisel kullanıma daha uygundur. Kulaklık biçimindeki cihazlar ayrıca EEG, EOG, elektrodermal etkinlik ve başka sensörleri ortak bir gövde içinde birleştirme olanağı sunmaktadır.

Bununla birlikte daha rahat bir cihaz otomatik olarak güvenilir bir cihaz anlamına gelmez. Kulak çevresi EEG sinyalleri kafa derisi sistemlerine göre daha düşük genlikli ve daha sınırlı mekânsal kapsama sahip olabilir. Terleme, çene hareketi, konuşma, titreşim, elektrotun yer değiştirmesi ve kişiler arasındaki kulak yapısı farklılıkları temas kalitesini bozabilir.

Gerçek kullanım için yalnızca sınıflandırma algoritması değil; elektrot malzemesi, temas basıncı, cilt güvenliği, temizlik, anatomik uyum, pil süresi, kablosuz veri güvenliği, elektromanyetik uyumluluk ve cihazın arıza hâlindeki davranışı da değerlendirilmelidir.

EEG verisi nasıl temizlenir ve hazırlanır?

EEG sinyali düşük genliklidir ve göz hareketi, yüz kasları, elektrik hattı paraziti, araç titreşimi ve elektrot hareketinden kolayca etkilenebilir. Derlemede tipik bir ön işleme zinciri şu şekilde açıklanmaktadır:

1. Kanal kalitesinin ve elektrot temasının değerlendirilmesi,
2. EEG kanallarının yeniden referanslanması,
3. Bant geçiren filtreyle ilgi dışındaki frekansların azaltılması,
4. Şebeke elektriği parazitinin çentik filtreyle bastırılması,
5. Sinyalin zaman pencerelerine ayrılması,
6. Bozuk bölümlerin veya bileşenlerin tespit edilmesi,
7. Ölçek ve dağılım farklılıklarının normalizasyonla azaltılması.

Bağımsız bileşen analizi, göz ve kas kaynaklı örüntüleri EEG’den ayırmak amacıyla kullanılabilir. Ancak derlemenin önemli uyarılarından biri, aşırı agresif temizliğin uyuşuklukla ilişkili gerçek göz hareketi bilgisini de silebilmesidir. EEG’ye ek olarak EOG kullanılan bir sistemde göz etkinliği ayrı bir sinyal olarak korunabilirken, yalnızca EEG kullanan bir modelde hangi bileşenlerin kaldırıldığı özellikle dikkatle değerlendirilmelidir.

EEG’den hangi özellikler çıkarılır?

Geleneksel makine öğrenmesi yöntemleri, her sinyal penceresini sınıflandırıcının kullanabileceği sayısal özelliklere dönüştürür. Derlemede üç ana özellik alanı ele alınmaktadır:

Uzun analiz pencereleri frekans gücünü daha kararlı hesaplayabilir, ancak uyarının gecikmesine yol açar. Kısa pencereler daha hızlı tepki verirken daha değişken ve gürültülü sonuçlar üretebilir. Örtüşen pencereler, zamansal yumuşatma, kişiye uyarlanan başlangıç değerleri ve ardışık filtreleme bu dengeyi iyileştirmek için kullanılabilir.

Çoklu biyosinyaller nasıl birleştirilir?

Derlemede üç temel veri birleştirme stratejisi açıklanmaktadır:

• Erken birleştirme: EEG, EOG, ECG veya diğer sensörlerden çıkarılan özellikler tek bir özellik vektöründe birleştirilir. Yöntem basittir ancak ölçek farklarına ve eksik sensörlere duyarlıdır.
• Ara düzey birleştirme: Her sinyal için ayrı temsil öğrenilir ve bu temsiller modelin ara katmanlarında birleştirilir. Sinyaller arasındaki ilişkileri öğrenebilir ancak daha karmaşık bir model gerektirir.
• Geç birleştirme: Her sensör ayrı bir tahmin üretir ve son karar bu tahminlerin birleştirilmesiyle verilir. Modülerdir ve bir sensör devre dışı kaldığında daha esnek olabilir; ancak sinyaller arasındaki erken etkileşimleri kaçırabilir.

Özellik seçimi ve boyut azaltma işlemlerinin yalnızca eğitim verileri üzerinde yapılması gerekmektedir. Bütün veri kullanılarak önceden seçilen özellikler test katılımcılarından eğitim sürecine bilgi sızmasına ve gerçekte olduğundan daha yüksek performans bildirilmesine neden olabilir.

Hangi makine öğrenmesi yöntemleri kullanılmaktadır?

Destek vektör makineleri, doğrusal ayırma analizi, lojistik regresyon, k-en yakın komşu, rastgele orman ve güçlendirme yöntemleri sınırlı katılımcı sayısına sahip veri kümelerinde etkili olabilir. Bu modeller bant gücü, dalgacık, entropi ve istatistiksel özelliklere dayanır. Hesaplama gereksinimleri görece düşük olduğu için araç içi veya giyilebilir uç cihazlarda uygulanmaları daha kolay olabilir.

Geleneksel modellerin temel sınırlılığı, başarılarının büyük ölçüde sinyal temizliğine ve elle seçilmiş özelliklerin kalitesine bağlı olmasıdır. Sürücüler arasında EEG örüntüleri değiştiğinde sabit özellikler yeterli olmayabilir. Buna rağmen derleme, derin öğrenme modellerinin mutlaka daha iyi olduğu sonucuna varmamaktadır; küçük veri kümelerinde daha sade modeller daha kararlı ve açıklanabilir sonuçlar verebilir.

Derin öğrenme modelleri neyi değiştirmektedir?

Konvolüsyonel sinir ağları (CNN), ham veya az işlenmiş EEG’den yerel zamansal ve elektrotlar arası mekânsal örüntüleri öğrenebilir. EEGNet gibi derinlik ayrılabilir konvolüsyon kullanan kompakt mimariler, daha az parametreyle çalıştıkları için düşük güç tüketimli giyilebilir sistemler açısından önemlidir.

Uzun kısa süreli bellek ağları (LSTM), zamansal konvolüsyon ağları ve CNN-LSTM birleşimleri uyuşukluğun zaman içindeki ilerleyişini modellemeyi amaçlar. Dikkat mekanizmaları ve transformer mimarileri, farklı zaman noktaları veya EEG kanalları arasındaki daha uzun süreli ilişkileri öğrenebilir. EEG Conformer yaklaşımı, yerel EEG örüntülerini çıkaran konvolüsyon katmanlarını daha geniş bağlamı değerlendiren öz dikkat mekanizmasıyla birleştirmektedir.

Derin modellerin önemli riski, uyuşukluğun fizyolojik işaretlerini öğrenmek yerine kişinin kimliğini, kayıt cihazının özelliklerini veya hareket artefaktlarını ezberlemesidir. Bu nedenle model açıklamaları, frekans bozma testleri, kanal çıkarma deneyleri ve özellik azaltma analizleriyle kararların gerçekçi nörofizyolojik örüntülere dayanıp dayanmadığı araştırılmalıdır.

Katılımcı sızıntısı performansı neden yapay olarak yükseltir?

EEG kaydı kısa pencerelere bölündüğünde aynı kişiden alınan komşu pencereler birbirine oldukça benzer olabilir. Bu pencerelerin bir kısmı eğitim, bir kısmı test grubuna rastgele dağıtılırsa model yeni bir sürücüde uyuşukluğu tanımak yerine eğitim sırasında gördüğü kişinin EEG yapısını tanıyabilir.

Gerçek bir kişi bağımsız değerlendirmede, test grubundaki sürücülerin hiçbir kaydı model geliştirme sürecinde kullanılmamalıdır. Veri bölme işlemi sinyal ön işleme, özellik seçimi, boyut azaltma ve hiperparametre ayarından önce yapılmalıdır. Küçük veri kümelerinde iç içe çapraz doğrulama; daha güçlü bir kanıt düzeyinde ise başka merkez, cihaz veya veri kümesinden gelen tamamen bağımsız dış doğrulama kullanılmalıdır.

Doğruluk neden tek başına yeterli değildir?

Uyuşukluk olayları uyanık sürüşten daha seyrek olduğunda model bütün pencereleri uyanık olarak işaretleyerek yüksek görünen bir doğruluk elde edebilir. Derleme bu nedenle aşağıdaki ölçütlerin birlikte raporlanmasını önermektedir:

• Duyarlılık ve özgüllük,
• Kesinlik ve F1 skoru,
• Dengeli doğruluk,
• Matthews korelasyon katsayısı,
• ROC-AUC ve PR-AUC,
• Uyuşukluk olayını algılama gecikmesi,
• Sürekli tahminlerde hata ve zamansal uyum,
• Olasılık kalibrasyonu ve tahmin belirsizliği.

Bir model uyuşuk ve uyanık örnekleri doğru sıralasa bile tahmin ettiği risk olasılıkları güvenilir olmayabilir. Örneğin yüzde 90 risk bildirdiği olayların yalnızca küçük bir kısmı gerçekten uyuşukluk içeriyorsa uyarı sistemi gereksiz alarmlar üretir. Kalibrasyon eğrileri, Brier skoru ve beklenen kalibrasyon hatası, tahmin edilen olasılığın gözlenen olay sıklığıyla ne kadar uyumlu olduğunu değerlendirmek için kullanılabilir.

Belirsizlik tahmini de güvenlik açısından önemlidir. Elektrot teması kötüleştiğinde veya model daha önce görmediği bir fizyolojik örüntüyle karşılaştığında sistem kesin fakat yanlış bir karar vermek yerine düşük güven bildirebilmeli ya da karar vermekten kaçınabilmelidir.

Laboratuvar başarısından gerçek sürüşe nasıl geçilir?

Çalışmanın onuncu sayfasındaki Şekil 3, geliştirme ve veri bölmeden performans değerlendirmesine, oradan araç içi izleme ve canlı uygulamaya uzanan bir doğrulama yolu göstermektedir. Şemada bağımsız katılımcı ayrımı, iç içe çapraz doğrulama, dış veri kümeleri, çoklu performans ölçütleri, kalibrasyon, tahmin belirsizliği, uyarı sistemi, veri güvenliği ve dağıtım sonrası izleme birlikte ele alınmaktadır.

Simülatör deneyleri, yöntemin ilk değerlendirmesini sağlayabilir; ancak gerçek sürüşte yol yüzeyi, araç titreşimi, konuşma, çene hareketi, gece-gündüz değişimi, farklı iklimler, trafik yoğunluğu ve sürücü davranışı gibi ek değişkenler vardır. Prospektif değerlendirmede yalnızca doğru sınıflandırma değil, uyarının sürücüye zamanında ulaşması, anlaşılması, aşırı alarm üretmemesi ve sürücünün güvenli bir davranış göstermesine yardımcı olması değerlendirilmelidir.

Uzun süreli beyin ve kalp sinyalleri, yalnızca uyuşukluk hakkında değil başka fizyolojik özellikler hakkında da bilgi taşıyabilir. Bu nedenle veri minimizasyonu, yerel cihazda işleme, güvenli kablosuz iletişim, anonimleştirme, erişim kontrolü, yazılım sürüm takibi ve dağıtım sonrası güvenlik izleme sistemin temel bileşenleri olmalıdır.

Karşılaştırılan çalışmaların ortak mesajı nedir?

Derlemenin Tablo 1’i sekiz temsilî çalışmayı sinyal, yöntem, doğrulama odağı, katkı ve sınırlılık açısından karşılaştırmaktadır. Çalışmaların ortak yönü, EEG bant ölçülerinden dalgacık özelliklerine ve derin ağlara kadar çok farklı yöntemlerin kontrollü koşullarda uyuşuklukla ilişkili örüntüler yakalayabilmesidir.

Ancak tabloda her yöntemin sınırlılığı da vurgulanmaktadır. El yapımı özellikler kişiler arası değişime duyarlı olabilir; çoklu biyosinyal özellikleri karmaşık ön işleme gerektirebilir; HRV stres ve sağlık durumundan etkilenebilir; dinamik modeller güvenilir referans etiketlerine ihtiyaç duyar; derin ağlar aşırı uyum ve katılımcı sızıntısı riski taşır; kulak içi EEG cihazları ise uzun süreli doğal sürüşte henüz yeterince doğrulanmamıştır.

Derlemenin genel değerlendirmesi, tek bir algoritmanın bütün sorunları çözmediğidir. Gerçek kullanım değeri; sensör rahatlığı, sinyal güvenilirliği, kişi bağımsız genelleme, düşük gecikme, enerji verimliliği, açıklanabilirlik ve insan-makine etkileşiminin birlikte geliştirilmesine bağlıdır.

Çalışmanın güçlü yönleri nelerdir?

• EEG fizyolojisini, giyilebilir donanımı, sinyal işlemeyi ve yapay zekâyı ortak bir sistem perspektifinde ele almaktadır.
• Uyuşukluğu yalnızca ikili sınıflandırma değil, zaman içinde ilerleyen bir fizyolojik süreç olarak değerlendirmektedir.
• Katılımcı sızıntısı ve rastgele pencere bölme sorunlarını görünür hâle getirmektedir.
• Doğruluk dışında kalibrasyon, belirsizlik, gecikme ve dış doğrulama gereksinimlerine dikkat çekmektedir.
• Giyilebilir EEG’nin konfor, temas kalitesi, pil, kablosuz güvenlik ve gerçek kullanım sorunlarını tartışmaktadır.
• Yapay zekâ başarısını sürücü davranışı ve güvenli uyarı tasarımından ayrı değerlendirmemektedir.

Çalışmanın sınırlılıkları nelerdir?

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Anlatısal derlemedir; sistematik tarama protokolü bildirilmemiştir.
• Hangi veri tabanlarının, hangi tarihler arasında ve hangi anahtar kelimelerle tarandığı açıklanmamıştır.
• Dahil etme ve dışlama ölçütleri ile çalışma seçim akışı verilmemiştir.
• Kaynakların risk yanlılığı veya metodolojik kalite değerlendirmesi yapılmamıştır.
• Meta-analiz, birleştirilmiş doğruluk veya nicel etki büyüklüğü sunulmamıştır.
• Temsilî çalışmaların seçilme gerekçesi açıklanmamıştır.
• Bazı metin içi atıf numaraları kaynakça kayıtlarıyla eşleşmemektedir.
• Kaynakçada makalenin yazım tarihinden sonraki bir yayın tarihini taşıyan kayıt bulunmaktadır.
• Derlemenin bazı kaynakları sürücü uyuşukluğu konusuna doğrudan odaklanmamaktadır.

Çalışma neyi desteklemektedir?

Çalışma, EEG’nin sürücü uyanıklığındaki zamansal değişimleri incelemek için fizyolojik açıdan anlamlı bir sinyal olduğunu; EOG, ECG, HRV, PPG, elektrodermal etkinlik ve solunumla birleştirildiğinde daha geniş bir durum değerlendirmesi yapılabileceğini desteklemektedir. Ayrıca kişi bağımsız doğrulama, güvenilir olasılık tahmini, belirsizlik yönetimi ve doğal sürüş testlerinin gerçek uygulama için gerekli olduğunu savunmaktadır.

Çalışma neyi kanıtlamamaktadır?

Bu derleme belirli bir modelin en yüksek doğruluğa sahip olduğunu, kulak içi EEG’nin bütün sürücülerde güvenilir çalıştığını veya herhangi bir sistemin trafik kazalarını azalttığını doğrudan kanıtlamamaktadır. Yeni katılımcılarla deney yapılmamış, bir prototip geliştirilmemiş ve gerçek araçta güvenlik sonucu ölçülmemiştir. İncelenen yöntemlerin laboratuvar performansı, ticari veya operasyonel kullanıma hazır oldukları anlamına gelmez.

Çalışmanın Yöntemi ve Bulguları

Derlemenin yöntemsel yapısı

Sinyalden uyarıya önerilen teknik zincir

1. EEG ve seçilen tamamlayıcı biyosinyaller giyilebilir sensörlerden kaydedilir.
2. Kanal kalitesi ve elektrot teması gerçek zamanlı olarak değerlendirilir.
3. Gürültü, elektrik hattı paraziti, göz, kas ve hareket kaynaklı artefaktlar yönetilir.
4. Sinyaller zaman pencerelerine ayrılır ve uygun biçimde normalleştirilir.
5. Zaman, frekans veya zaman-frekans özellikleri çıkarılır ya da temsil doğrudan derin ağ tarafından öğrenilir.
6. Birden fazla sensör kullanılıyorsa erken, ara düzey veya geç birleştirme uygulanır.
7. Model uyanıklık sınıfı, sürekli uyuşukluk düzeyi veya risk olasılığı üretir.
8. Zamansal yumuşatma ve belirsizlik kontrolüyle kararsız tahminler azaltılır.
9. Risk eşiği aşıldığında sesli, görsel veya dokunsal uyarı oluşturulur.
10. Uyarının gecikmesi, yanlış alarm oranı ve sürücünün tepkisi gerçek sürüş koşullarında değerlendirilir.

Derlemenin temel bulgularının teknik özeti

Çalışmada yeni bir sınıflandırıcı eğitilmediği için özgün doğruluk, duyarlılık, özgüllük, AUC, F1 skoru veya istatistiksel anlamlılık değeri bildirilmemiştir. Temsilî çalışmalara ait farklı yöntemler anlatılmış, ancak bunların sonuçları ortak bir analizde birleştirilmemiştir. Bu nedenle derlemeden “en başarılı model” veya “ortalama doğruluk” sonucu çıkarılamaz.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: AI-Driven EEG-Based Driver Drowsiness Detection: A Narrative Review of Biosignals and Wearable Devices

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

Eş birinci yazar veya eş katkı: Metinde eş birinci yazarlık veya eş katkı bildirimi yer almamaktadır.

Sorumlu yazar: Mahsa Khaghani Asl Toloun.

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

DOI: Yüklenen sürümde ve doğrulanan SSRN kaydında DOI bilgisi gösterilmemektedir. DOI uydurulmamıştır.

SSRN kayıt numarası: 7139298.

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

Yayın platformu: SSRN.

Özgün yayınevi: Hakemli bir dergi yayınevi bu sürüm için bulunmamaktadır; çalışma SSRN preprint platformunda sunulmuştur.

Çalışmanın yazım tarihi: 14 Temmuz 2026.

SSRN’ye yüklenme tarihi: 23 Temmuz 2026.

Kaynak türü: Anlatısal derleme ve preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları ve literatür yorumları bu sınırlılık dikkate alınarak okunmalıdır.

Resmî kaynak bağlantısı:SSRN çalışma kaydı

Bu Türkçe içerik yüklenen çalışmanın ana metni, karşılaştırmalı tablosu, EEG ve biyosinyal şekilleri, yöntem tartışmaları ve kaynakçası temel alınarak hazırlanmıştır. Dış kaynaklardan bilimsel bulgu eklenmemiş; dış kontrol yalnızca çalışmanın SSRN üzerindeki bibliyografik kimliğini ve yayın tarihini doğrulamak için kullanılmıştır.

Çalışma yeni deneysel veri üretmemekte, belirli bir cihazı test etmemekte ve meta-analiz gerçekleştirmemektedir. Sistematik bir literatür taraması için gerekli veri tabanı, arama dizisi, tarih aralığı, dahil etme ve dışlama ölçütleri, seçim akışı ve risk yanlılığı değerlendirmesi sunulmamıştır. Bu nedenle derlemenin bütün ilgili yayınları kapsadığı veya temsilî çalışmaların tarafsız bir yöntemle seçildiği doğrulanamaz.

Metin içi atıflar ile kaynakça arasında birden fazla numara eşleşme sorunu bulunmaktadır. EEGLAB, EEG Conformer, TRIPOD+AI, PROBAST+AI ve DECIDE-AI ile ilgili bazı atıflar kaynakçadaki karşılıklarıyla tutarlı değildir. Kaynakçada çalışmanın yazım tarihinden sonraki Aralık 2026 tarihini taşıyan bir kayıt da bulunmaktadır. Bu sorunlar, makalenin temel kavramsal çerçevesini tamamen geçersiz kılmaz; ancak bibliyografik güvenilirliği azaltır ve nihai yayın öncesinde yazarlar veya platform tarafından düzeltilmesi gerekir.

Derlemenin ana sonucu, EEG tabanlı sürücü uyuşukluğu izlemenin bilimsel ve teknik açıdan umut verici olduğu, fakat laboratuvar sınıflandırma doğruluğunun gerçek yol güvenliği etkisiyle eş tutulamayacağıdır. Güvenilir uygulama için kişi bağımsız ve veri kümeleri arası doğrulama, doğal sürüş testi, ölçülmüş algılama gecikmesi, kalibrasyon, belirsizlik yönetimi, açıklanabilirlik, veri güvenliği ve insan faktörleri değerlendirmesi gereklidir.