Beyin Bilgisayar Arayüzleri (BBA), aslen felçli hastalara yardımcı olması amacıyla geliştirilen ve beyin aktiviteleri ile bilgisayara komut verilmesini sağlayan sistemlerdir. Bu çalışmada, Beyin Bilgisayar Arayüzü sistemlerinden yararlanılarak, bilişsel durumun objektif, kolay uygulanabilir ve yorumlanabilir bir yöntemle incelenmesi amaçlanmıştır. Yetmiş sağlıklı katılımcı, bir Beyin Bilgisayar Arayüzü sistemi aracılığıyla altı adet görevi yerine getirmiş ve eş zamanlı olarak katılımcıların göz bebeği değişim oranı, göz kırpma oranı ve galvanik deri direnci (GDD) verileri toplanmıştır. Her bir görevden sonra katılımcılar Nasa-TLX formlarını doldurmuş ve aynı zamanda katılımcıların görevlerdeki başarı düzeyleri de tespit edilmiştir. Toplanan verilerin istatistiki yöntemlerle analiz edilmesinin ardından, K-Ortalamalar tekniği kullanılarak bilişsel durum kümeleri oluşturulmuştur. Bu kümelerle birlikte görev başarı düzeyleri de dikkate alınarak her bir katılımcının genel bilişsel durumları düşük riskli ve yüksek riskli olarak sınıflandırılmıştır. Bu sınıflandırmanın diğer tekniklerle tutarlılığını ölçmek amacıyla aynı verilerle Lojistik Regresyon, Karar Ağacı ve Yapay Sinir Ağları yöntemleri kullanılarak da sınıflandırma yapılmış ve %87,1 ile %100 arasında tutarlılık sağlanmıştır.
Brain-Computer Interfaces provide opportunity for locked-in patients to use computers through brain activities. In this study, generating an objective, easily implementable and interpretable method to investigate cognitive state was aimed using a Brain-Computer Interface. Seventy healthy participants completed six Brain-Computer Interface based tasks. Concurrently, participants’ pupil dilation, blink rate and Galvanic Skin Response data were collected. Nasa-TLX forms were filled out by the participants after each task and task performances of the participants were also retained. After the collected data were analyzed through statitistical tecniques, cognitive state clusters were generated through K-Means method. General cognitive state classes were obtained as low risk and high risk by considering cognitive state clusters and task performances. Logistic Regression, Decision Tree and Neural Networks were also used as other classification methods with the same data to see consistency. As a result, it has been seen that, suggested method provided %87,1-%100 consistency with other techniques.