Dergiler / Politeknik Dergisi / 2022 / Cilt: 25 Sayı: 3

Dalgacık Aşırı Öğrenme Makinesi Otomatik Kodlayıcılarına Dayalı Öğretmenlerde EEG, EMG ve EKG Tabanlı Psikososyal Risk Düzeylerinin Belirlenmesi

EEG, EMG and ECG based Determination of Psychosocial Risk Levels in Teachers based on Wavelet Extreme Learning Machine Autoencoders

Dönüş Şengür(FIRAT ÜNİVERSİTESİ, EĞİTİM FAKÜLTESİ)0000-0002-8786-6557
Sayfa
985–989
Yayın Tarihi
2022-10-01
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar, önerilen DAÖM-OK ve DAÖM sınıflandırıcısının karşılaştırılan yöntemlerden daha iyi performans gösterdiğini göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kutsal bir iş yapan öğretmenler birçok psikososyal riskle karşı karşıyadırlar.
📊
Temel Bulgular & Veri:Önerilen yöntemin performans değerlendirilmesi için Elektrokardiyografi (EKG), Elektromiyografi (EMG) ve Elektroensefalografi (EEG) içeren bir veri kümesi kullanılmıştır.
💡
Sonuç & Katkı:Sonuçlar, önerilen DAÖM-OK ve DAÖM sınıflandırıcısının karşılaştırılan yöntemlerden daha iyi performans gösterdiğini göstermiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Öğretmenlerin psikososyal riskleri · fizyolojik faktörler · Tahmin

Özet

Kutsal bir iş yapan öğretmenler birçok psikososyal riskle karşı karşıyadırlar. Bu riskler genellikle okul yönetimi, öğrenciler ve çevresel faktörlerden kaynaklanabilir. Makine öğrenimi ve veri madenciliği yaklaşımları son zamanlarda sosyal ve eğitim araştırmalarında bir hayli ilgi görmüştür. Bu çalışmada öğretmenlerin psikososyal risk düzeylerini tahmin etmek için veri artırmaya ve veri sınıflandırmaya dayalı yeni bir yaklaşım önerilmiştir. Veri artırma, aşırı öğrenme makinesi tabanlı otomatik kodlayıcıları (AÖM-OK) kullanılarak gerçekleştirilir. Daha spesifik olarak, dalgacık aktivasyon fonksiyonu ileentegre edilen AÖM-OK, DAÖM-OK adı verilen yeni bir yaklaşımın geliştirilmesini sağlamıştır. Veri artırmanın ardından öğretmenlerin psikososyal risk düzeylerinin tahmininde geleneksel bir AÖM sınıflandırıcısı kullanılmıştır. Önerilen yöntemin performans değerlendirilmesi için Elektrokardiyografi (EKG), Elektromiyografi (EMG) ve Elektroensefalografi (EEG) içeren bir veri kümesi kullanılmıştır. Sınıflandırma doğruluğu, değerlendirme ölçütü olarak kullanılmıştır. Tüm kodlamalar MATLAB'de yapılmış ve önerilen yöntemle % 99,9 doğruluk elde edilmiştir. Karar ağaçları (KA), destek vektör makineleri (DVM) ve K-en yakın komşu (KYK) gibi bazı makine öğrenimi teknikleriyle de performans karşılaştırması yapılmıştır. Sonuçlar, önerilen DAÖM-OK ve DAÖM sınıflandırıcısının karşılaştırılan yöntemlerden daha iyi performans gösterdiğini göstermiştir.

Abstract

Teachers who perform a sacred work are faced with many psychosocial risks. These risks can often be caused by the school administration, the students, and environmental factors. Machine learning and data mining approaches have recently gained much attention in social and educational researches. In this study, a novel approach, which is based on data augmentation and data classification, is proposed for the prediction of the psychosocial risk levels of the teachers. The data augmentation is carried out by using an extreme learning machine autoencoders (ELM-AE). More specifically, the wavelet activation function is incorporated into the ELM-AE to develop a novel approach called WELM-AE. After data augmentation, a traditional ELM classifier is used in the prediction of the psychosocial risk levels of teachers. A dataset, which contains physiological factors, namely Electrocardiography (ECG), Electromyography (EMG), and Electroencephalography (EEG), is used to evaluate the performance of the proposed method. Classification accuracy is used as the evaluation metric. All coding is carried out in MATLAB, and a 99.9% accuracy score is obtained with the proposed method. A performance comparison is also carried out with some machine learning techniques, namely decision trees (DT), support vector machines (SVM), and K-nearest neighbour (KNN). The results show that the proposed WELM-AE and ELM classifier outperform the compared methods.

🔖

Bu Makaleye Atıf Yap

Şengür, D. (2022). Dalgacık Aşırı Öğrenme Makinesi Otomatik Kodlayıcılarına Dayalı Öğretmenlerde EEG, EMG ve EKG Tabanlı Psikososyal Risk Düzeylerinin Belirlenmesi. Politeknik Dergisi, Cilt: 25 Sayı: 3, 985–989. https://doi.org/10.2339/politeknik.886593

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Villalobos, G. H., Vargas, A. M., Rondón, M. A., & Felknor, S. A., “Validation of new psychosocial factors questionnaires: A Colombian national study”, American journal of industrial medicine, 56(1): 111-123, (2013).
  2. Souto, I., Pereira, A., Brito, E., Sancho, L., & Barros, S., “Occupational Health Risk Among Teachers in Higher Education”, In International Conference on Healthcare Ergonomics and Patient Safety, 311-322. Springer, Cham, (2019).
  3. Jemeļjanenko, A., & Geske, A., “Management of Psychosocial Risks in The Educational Sector Of Latvia”, In Proceedings of the International Scientific Conference. Volume VI (Vol. 215, p. 223), (2019).
  4. Heredia, S. A., Morales, M. F., Infante, R., Sanchez, D., Paez, C., & Gabini, S., “Psychosocial risk factors in university teachers”, Revista Espacios, 39(49), (2018).
  5. Mosquera, R., Parra-Osorio, L., & Castrillón, O. D., “Prediction of Psychosocial Risks in Colombian Teachers Public Schools Using Machine Learning Techniques”, Revista de la Universidad Nacional de Colombia, 7(29), 267-281, (2018).
  6. Ekici S., Turhan M., “Pychosocial Risk Level Identification for Teachers Using Machine Learning Algorithms”, 3. International Battalgazi Science Conference, 21-23 Sept. pp. 406-410, (2019).
  7. Viloria, A., López, J. R., Llinás, N. O., Mercado, C. V., Coronado, L. E. L., Sepulveda, A. M. N., & Lezama, O. B. P. “Prediction of Psychosocial Risks in Teachers Using Data Mining”, In Advances in Cybernetics, Cognition, and Machine Learning for Communication Technologies (pp. 501-508). Springer, Singapore, (2020).
  8. Huang, G. B., Zhu, Q. Y., & Siew, C. K., “Extreme learning machine: theory and applications”, Neurocomputing, 70(1-3): 489-501, (2006).
  9. Alcin, O. F., Sengur, A., Ghofrani, S., & Ince, M. C., “GA-SELM: Greedy algorithms for sparse extreme learning machine”, Measurement, 55: 126-132, (2014).
  10. Sun, K., Zhang, J., Zhang, C., & Hu, J., “Generalized extreme learning machine autoencoder and a new deep neural network”, Neurocomputing, 230: 374-381, (2017).
  11. Rafiei, M., Niknam, T. and Khooban, M., "Probabilistic Forecasting of Hourly Electricity Price by Generalization of ELM for Usage in Improved Wavelet Neural Network," IEEE Transactions on Industrial Informatics, 3(1):71-79, ( 2017).
  12. Güner, Ahmet, Ömer Faruk Alçin, and Abdulkadir Şengür. "Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features." Measurement 145: 214-225, (2019).
  13. Alcin, Omer Faruk, Abdulkadir Sengur, and Melih Cevdet Ince. "Forward-backward pursuit based sparse extreme learning machine." Journal of The Faculty of Engineering and Architecture of Gazi University 30.1: 111-117, (2015).