論文の概要: EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning

• arxiv url: http://arxiv.org/abs/2001.02399v2
• Date: Sat, 16 May 2020 12:37:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 10:01:41.567176
• Title: EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning
• Title（参考訳）: 深部Q-Learningを用いた運転安全のための脳波に基づくDrowsinessの推定
• Authors: Yurui Ming, Dongrui Wu, Yu-Kai Wang, Yuhui Shi, Chin-Teng Lin
• Abstract要約: 本研究では、深部Q-ラーニングを用いて、模擬耐久運転テスト中に得られた脳波データセットを分析することを提案する。 運転テストにおける用語を強化学習フレームワークに適合させ,Q-ラーニングタスクの最適化として眠気推定問題を定式化する。 その結果、トレーニングされたモデルでは、脳波データに対して十分な方法で精神状態の変動を追跡できることがわかった。
• 参考スコア（独自算出の注目度）: 46.3327842128563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fatigue is the most vital factor of road fatalities and one manifestation of fatigue during driving is drowsiness. In this paper, we propose using deep Q-learning to analyze an electroencephalogram (EEG) dataset captured during a simulated endurance driving test. By measuring the correlation between drowsiness and driving performance, this experiment represents an important brain-computer interface (BCI) paradigm especially from an application perspective. We adapt the terminologies in the driving test to fit the reinforcement learning framework, thus formulate the drowsiness estimation problem as an optimization of a Q-learning task. By referring to the latest deep Q-Learning technologies and attending to the characteristics of EEG data, we tailor a deep Q-network for action proposition that can indirectly estimate drowsiness. Our results show that the trained model can trace the variations of mind state in a satisfactory way against the testing EEG data, which demonstrates the feasibility and practicability of this new computation paradigm. We also show that our method outperforms the supervised learning counterpart and is superior for real applications. To the best of our knowledge, we are the first to introduce the deep reinforcement learning method to this BCI scenario, and our method can be potentially generalized to other BCI cases.
• Abstract（参考訳）: 疲労は道路死の最も重要な要因であり、運転中の疲労の症状は眠気である。 本稿では、深部Q-learningを用いて、模擬耐久運転テスト中に得られた脳波データセットを分析することを提案する。 この実験は、眠気と運転性能の相関を計測することにより、特にアプリケーションの観点から重要な脳-コンピュータインターフェース(BCI)パラダイムを示す。 強化学習フレームワークに適合するように運転試験の用語を適応させ,q学習タスクの最適化として眠気推定問題を定式化する。 最新のQ-Learning技術を参照し、脳波データの特徴に言及することにより、間接的に眠気を推定できる行動提案のための深いQ-ネットワークをカスタマイズする。 その結果、訓練されたモデルは脳波検査データに対して、心の状態の変動を十分に追跡することができ、この新たな計算パラダイムの実現可能性と実用性が示された。 また,本手法は教師あり学習法よりも優れ,実際の応用に優れていることを示す。 我々の知る限りでは、このbciシナリオに深層強化学習法を導入するのは初めてであり、この手法は他のbciケースに一般化できる可能性がある。

関連論文リスト

• Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding [2.0039413639026917]
  本稿では,オンライン上で使用しながら,監督を必要とせずにオフラインのパフォーマンスレベルに達する適応手法を提案する。 本稿では,脳波データからの運動画像脳復号の効率を実証する。
  論文  参考訳（メタデータ） (2024-03-15T22:22:10Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• An Expert's Guide to Training Physics-informed Neural Networks [5.198985210238479]
  物理インフォームドニューラルネットワーク(PINN)はディープラーニングフレームワークとして普及している。 PINNは観測データと偏微分方程式(PDE)の制約をシームレスに合成することができる。 PINNのトレーニング効率と全体的な精度を大幅に向上させる一連のベストプラクティスを提案する。
  論文  参考訳（メタデータ） (2023-08-16T16:19:25Z)
• EEG-based Cognitive Load Classification using Feature Masked Autoencoding and Emotion Transfer Learning [13.404503606887715]
  脳波(EEG)を用いた認知負荷の新しい分類法を提案する。 感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。 実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T02:59:19Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• EEG-based Classification of Drivers Attention using Convolutional Neural Network [0.0]
  本研究は、参加者の脳活動に基づいて訓練された注意分類器の性能を比較した。 審美的フィードバック下で得られた生脳波データに基づいて訓練したCNNモデルは,89%の精度を達成できた。 この結果から,CNNおよび生脳波信号は受動的BCIの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-23T10:55:52Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。