論文の概要: Machine Learning for Motor Learning: EEG-based Continuous Assessment of Cognitive Engagement for Adaptive Rehabilitation Robots

• arxiv url: http://arxiv.org/abs/2002.07541v2
• Date: Wed, 19 Feb 2020 16:59:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 20:09:35.603376
• Title: Machine Learning for Motor Learning: EEG-based Continuous Assessment of Cognitive Engagement for Adaptive Rehabilitation Robots
• Title（参考訳）: 運動学習のための機械学習:適応リハビリテーションロボットにおける認知エンゲージメントの脳波による連続的評価
• Authors: Neelesh Kumar and Konstantinos P. Michmizos
• Abstract要約: 認知エンゲージメント(CE)は運動学習には不可欠であるが、リハビリテーションロボットでは未利用である。 本稿では,脳波を客観的に測定し,CEをリアルタイムに評価するエンドツーエンドの計算フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although cognitive engagement (CE) is crucial for motor learning, it remains underutilized in rehabilitation robots, partly because its assessment currently relies on subjective and gross measurements taken intermittently. Here, we propose an end-to-end computational framework that assesses CE in real-time, using electroencephalography (EEG) signals as objective measurements. The framework consists of i) a deep convolutional neural network (CNN) that extracts task-discriminative spatiotemporal EEG to predict the level of CE for two classes -- cognitively engaged vs. disengaged; and ii) a novel sliding window method that predicts continuous levels of CE in real-time. We evaluated our framework on 8 subjects using an in-house Go/No-Go experiment that adapted its gameplay parameters to induce cognitive fatigue. The proposed CNN had an average leave-one-out accuracy of 88.13\%. The CE prediction correlated well with a commonly used behavioral metric based on self-reports taken every 5 minutes ($\rho$=0.93). Our results objectify CE in real-time and pave the way for using CE as a rehabilitation parameter for tailoring robotic therapy to each patient's needs and skills.
• Abstract（参考訳）: 認知エンゲージメント(CE)は運動学習において重要であるが、現在、その評価は間欠的に行われた主観的・全体的測定に依存しているため、リハビリテーションロボットでは未使用のままである。 本稿では,脳波信号を用いてCEをリアルタイムに評価するエンドツーエンドの計算フレームワークを提案する。 フレームワークは、 一 深層畳み込みニューラルネットワーク(CNN)で、タスク識別時空間脳波を抽出し、2つのクラスのCEのレベルを予測すること。 二 リアルタイムにCEの連続的なレベルを予測する新しいスライディングウインドウ手法。 ゲームプレイパラメータを適応させて認知疲労を誘発する社内Go/No-Go実験を8名を対象に評価した。 提案するcnnの平均離職精度は88.13\%であった。 CE予測は5分毎の自己申告に基づく行動指標(\rho$=0.93)とよく相関している。 本研究はCEをリアルタイムに対象とし,各患者のニーズやスキルに合わせてロボット療法を調整するためのリハビリテーションパラメータとしてCEを使用するための道を開く。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Using i-vectors for subject-independent cross-session EEG transfer learning [2.384393656668996]
  認知負荷分類は、脳波(EEG)などの生理学的指標に基づいて、作業中の記憶資源の活用を自動的に判定するタスクである。 本稿では,この問題に対処するために,音声処理のツールや方法論を用いる,学際的なアプローチに従う。 我々が使用しているコーパスは2021年に、クロスセッションのワークロード推定に関する最初の受動的脳-コンピュータインターフェースコンペティションの一部として公開された。
  論文  参考訳（メタデータ） (2024-01-16T21:56:27Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive Activity from EEG [0.0]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。 転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
  論文  参考訳（メタデータ） (2022-12-08T10:15:52Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Curriculum Learning for Safe Mapless Navigation [71.55718344087657]
  本研究は,カリキュラム学習(CL)に基づくアプローチがエージェントのパフォーマンスに与える影響について検討する。 特に、ロボットマップレスナビゲーションの安全性に焦点をあて、標準的なエンドツーエンド(E2E)トレーニング戦略と比較する。
  論文  参考訳（メタデータ） (2021-12-23T12:30:36Z)
• Evaluation of Interpretability for Deep Learning algorithms in EEG Emotion Recognition: A case study in Autism [4.752074022068791]
  説明可能な人工知能(XAI)に関する現在のモデルでは、特徴関連性を測定するための信頼性の欠如が明らかで定量化されている。 この研究は、脳波に基づく顔の感情認識を成功させるために、より透明な特徴関連計算を統合する最初のものである。
  論文  参考訳（メタデータ） (2021-11-25T18:28:29Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor Imagery Recognition [9.039355687614076]
  本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。 注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。 0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
  論文  参考訳（メタデータ） (2020-05-02T10:03:40Z)
• Deep Learning of Movement Intent and Reaction Time for EEG-informed Adaptation of Rehabilitation Robots [0.0]
  適応は 運動学習の促進において リハビリテーションロボットにとって 重要なメカニズムです 本稿では,脳波を用いた深部畳み込みニューラルネットワーク(CNN)を提案する。 本研究は,脳波の同期データから,個別の運動成分が運動学習にどう関与するかを予測できることを示す。
  論文  参考訳（メタデータ） (2020-02-18T13:20:46Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。