İnsanlarda korku düzeyi sınıflandırması için mantık-temelli bilgi odaklı çift yönlü çoklu-dikkat GRU çerçevesi

Vücuttaki Korkuyu Okumanın Önemi

Korku sadece midede hissettiğiniz bir duygu değildir—kalp atışınızı, terlemenizi ve hatta beyin dalgalarınızı yeniden şekillendirir. Bilgisayarlar bu ince değişiklikleri güvenilir şekilde okuyabilseydi, terapistler kaygıyı gerçek zamanlı izleyebilir, otomobiller ve robotlar insanların paniklediğini fark edip tepki verebilir ve sanal gerçeklik kullanıcıları güvende tutmak için uyarlamalar yapabilirdi. Bu çalışma, beyin ve vücut sinyallerini yapılandırılmış, kural tabanlı bir akıl yürütme ile birleştirerek makinelerin insanlardaki farklı korku düzeylerini tanımasını öğretmeyi araştırıyor; amaç hem doğru hem de insanlarca anlaşılabilir sistemler geliştirmektir.

Beyni ve Vücudu Dinlemek

Araştırmacılar tek bir ölçümün korkuyu tam olarak yakalayamayacağı fikrinden yola çıkıyor. Bu yüzden beyin kaynaklı elektriksel aktivite, terlediğimizde artan cilt iletkenliği, kalp ritmindeki değişimler, solunum desenleri ve yüz hareketleri gibi çeşitli fizyolojik sinyalleri bir araya getiriyorlar. İki mevcut deneysel veri koleksiyonu kullanılıyor. DEAP adlı veri seti, insanların müzik videoları izlerken beyin ve vücut sinyallerini kaydediyor ve ne kadar hoşlandıklarını ve ne kadar yoğun hissettiklerini derecelendiriyorlar. Diğeri, DECAF, insanlara korku uyandıran film sahneleri izletirken veya müzik dinletirken beyin taramaları ve vücut sensörleri kullanıyor. Bu multimodal veri kümeleri, korkunun sinir sistemi genelinde nasıl ortaya çıktığına dair zengin bir tablo sunuyor.

Ham Sinyalleri Basit Kurallara Dönüştürmek

Ham sinyaller tek başına gürültülü ve yorumlanması güç olduğundan ekip bunları duygu ile bilinen bağlantılara sahip özniteliklere indirger. Örneğin, sıklıkla olumsuz ruh haliyle ilişkilendirilen sol ve sağ alın bölgesi arasındaki beyin dalgalarındaki “frontal alfa asimetri”yi hesaplıyorlar ve stresle birlikte artma eğiliminde olan cildin elektriksel yanıtındaki tepeleri sayıyorlar. Ayrıca beyin sinyallerini klasik frekans bantlarına—delta, theta, alfa, beta ve gama—ayırıyor ve kalp ritmi değişkenliğini özetliyorlar. Bu sürekli sayıları doğrudan kara kutu bir modele vermek yerine mantık-temelli öğrenme öneriyorlar: her öznitelik istatistiksel olarak seçilmiş eşiklerle “yüksek” veya “düşük” olarak değerlendirilir. Bu ikili yapı taşlarından, endüktif mantık programlama olarak bilinen bir algoritma, yüksek cilt yanıtı ve düşük kalp değişkenliği gibi kombinasyonların güvenilir şekilde korkuyu gösterdiği IF–THEN kurallarını keşfeder; bu kurallar insan tarafından okunabilir niteliktedir.

Kuralları Derin Öğrenme ile Eşleştirmek

Mantıksal kurallar kararları anlaşılır kılarken, modern derin öğrenme modelleri karmaşık verilerden mümkün olan tüm öngörüyü çıkarmada daha başarılıdır. Bu yüzden yazarlar mantık çıktısını zamanla değişen sinyaller için tasarlanmış çeşitli sinir ağı mimarilerine verilen tek giriş olarak ele alırlar. Bunlar arasında standart tekrarlayan ağlar, uzun-kısa süreli bellek ağları (LSTM), daha basit gated recurrent unit (GRU) ve çift yönlü çoklu-dikkat GRU adı verilen gelişmiş bir tasarım bulunur. Bu son model yalnızca her özellik dizisini ileri ve geri taramakla kalmaz, aynı zamanda dikkat mekanizmalarını kullanarak cilt iletkenliğinde ani zirve gibi en bilgilendirici anlara veya beyin ritimlerindeki ani değişimlere odaklanır; önemsiz dalgalanmaları ise görmezden gelir.

Sistemin Korkuyu Okumadaki Başarısı

Yaklaşımlarını test etmek için ekip, mantık-temelli katmanla ve katmansız aynı girdiler üzerinde eğitilmiş modelleri karşılaştırır. Modelleri korkusuz ile korku arasında ne kadar doğru ayırt ettiklerine ve DEAP verisinde korkusuzdan yüksek korkuya kadar dört düzeyi ne kadar iyi ayırt edebildiklerine göre değerlendirirler. Geniş çaplı çapraz doğrulama ve istatistiksel testler boyunca, mantıksal kurallar eklemek performansı tutarlı şekilde artırır ve sonuçları bir test bölmesinden diğerine daha kararlı kılar. Ön plana çıkan mimari olan bilgi odaklı çift yönlü çoklu-dikkat GRU, DEAP veri setinde yaklaşık %96,7 doğruluk elde eder ve DECAF’taki müzik kliplerinde benzer yüksek performans gösterir; böylece daha önce yayımlanmış birkaç yöntemi ve daha geleneksel makine öğrenmesi tekniklerini geride bırakır.

Geleceğin Duygu-Ahengi Araçları İçin Anlamı

Basitçe ifade etmek gerekirse, çalışma birden fazla vücut ve beyin sinyalini okuyup bunları derin öğrenmeden önce açık, kural benzeri bilgiyle yorumladıklarında bilgisayarların insan korku düzeylerini etkileyici bir güvenilirlikle ölçebildiğini gösteriyor. Bu hibrit tasarım her iki dünyanın en iyisini sunuyor: modern sinir ağlarının gücü ve uzmanların inceleyip iyileştirebileceği mantıksal kuralların şeffaflığı. Böyle bir yaklaşım, duygularımızı yalnızca tahmin etmekle kalmayıp neden korktuğumuzu açıkladığı için daha güvenilir ve kişiselleştirilmiş teknolojilere kapı aralayarak gelecek ruh sağlığı izleme, uyarlanabilir eğlence ve güvenlik sistemlerinin temelini oluşturabilir.

Atıf: Joshva, A.A., Balasubramanian, V.K. & Murugappan, M. A logic-based knowledge-driven bidirectional multi-attention GRU framework for fear level classification in humans. Sci Rep 16, 13722 (2026). https://doi.org/10.1038/s41598-026-44151-x

Anahtar kelimeler: duygu tanıma, korku tespiti, fizyolojik sinyaller, derin öğrenme, açıklanabilir yapay zeka