論文の概要: Brain-based control of car infotainment

• arxiv url: http://arxiv.org/abs/2004.11978v1
• Date: Fri, 24 Apr 2020 20:32:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 04:25:45.762354
• Title: Brain-based control of car infotainment
• Title（参考訳）: 脳による車載インフォテインメントの制御
• Authors: Andrea Bellotti, Sergey Antopolskiy, Anna Marchenkova, Alessia Colucciello, Pietro Avanzini, Giovanni Vecchiato, Jonas Ambeck-Madsen, Luca Ascari
• Abstract要約: 本稿では,自動車のインフォテインメントメニューを制御するために,イベント関連電位(ERP)をランダムな実験パラダイムで誘導する,BCI(Brain-Computer Interface)を提案する。 対象特定モデルは、ターゲット刺激と非ターゲット刺激に対する脳波応答を分類するために、異なる機械学習アプローチで訓練された。 実験室内トレーニングセットと車内トレーニングセットのCAと,これらの条件における脳波反応の統計的差異は認められなかった。
• 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: Nowadays, the possibility to run advanced AI on embedded systems allows natural interaction between humans and machines, especially in the automotive field. We present a custom portable EEG-based Brain-Computer Interface (BCI) that exploits Event-Related Potentials (ERPs) induced with an oddball experimental paradigm to control the infotainment menu of a car. A preliminary evaluation of the system was performed on 10 participants in a standard laboratory setting and while driving on a closed private track. The task consisted of repeated presentations of 6 different menu icons in oddball fashion. Subject-specific models were trained with different machine learning approaches on cerebral data from either only laboratory or driving experiments (in-lab and in-car models) or a combination of the two (hybrid model) to classify EEG responses to target and non-target stimuli. All models were tested on the subjects' last in-car sessions that were not used for the training. Analysis of ERPs amplitude showed statistically significant (p < 0.05) differences between the EEG responses associated with target and non-target icons, both in the laboratory and while driving. Classification Accuracy (CA) was above chance level for all subjects in all training configurations, with a deep CNN trained on the hybrid set achieving the highest scores (mean CA = 53 $\pm$ 12 %, with 16 % chance level for the 6-class discrimination). The ranking of the features importance provided by a classical BCI approach suggests an ERP-based discrimination between target and non-target responses. No statistical differences were observed between the CAs for the in-lab and in-car training sets, nor between the EEG responses in these conditions, indicating that the data collected in the standard laboratory setting could be readily used for a real driving application without a noticeable decrease in performance.
• Abstract（参考訳）: 現在、組み込みシステム上で高度なAIを実行することは、特に自動車分野における人間と機械の自然な相互作用を可能にする。 本稿では,自動車のインフォテインメントメニューを制御するために,イベント関連電位(ERP)をランダムな実験パラダイムで誘導する,BCI(Brain-Computer Interface)を提案する。 このシステムの予備的な評価は、通常の実験室で10名の被験者と、クローズド・プライベート・トラックで運転中に行われた。 タスクは6つの異なるメニューアイコンを奇抜な方法で繰り返し提示する。 被験者固有のモデルは、実験または運転実験(車内モデルと車内モデル)または2つの(ハイブリッドモデル)の組み合わせから、脳内データに対する異なる機械学習アプローチで訓練され、目標刺激と非目標刺激に対する脳波応答を分類した。 全てのモデルがトレーニングに使用されなかった最後の車内セッションでテストされた。 ERPの振幅分析では、実験室と運転中の両方で、ターゲットアイコンと非ターゲットアイコンに関連する脳波反応の統計的に有意な差が認められた(p < 0.05)。 分類精度(ca)は、すべてのトレーニング構成において、すべての被験者の確率レベルを上回っており、このハイブリッドセットで訓練された深層cnnが最も高いスコア(ca = 53 $\pm$ 12 %、6階級の差別の確率レベルは16 %)に達した。 古典的BCIアプローチによって提供される特徴のランキングは、ERPに基づくターゲット応答と非ターゲット応答の区別を示唆している。 車両内トレーニングセットのcasと車内トレーニングセットのeeg応答との間には統計的に差は見られず、標準実験室で収集されたデータは性能低下を伴わずに実際の運転アプリケーションに容易に使用できることが示唆された。

関連論文リスト

• EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Machine Learning Mechanism with Right and Left Voluntary Hand Movement [0.0]
  このシステムは、自発的な左右の動きに基づいて車椅子のナビゲーションをシミュレートするように設計されている。 Support Vector Machines (SVM)、XGBoost、ランダムフォレスト、双方向長短期記憶(Bi-LSTM)アテンションベースモデルなど、さまざまな機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-13T07:41:37Z)
• Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
  本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。 我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。 実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-29T12:40:45Z)
• Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines [20.22894459715378]
  本稿では,新しいドライバ認知負荷評価データセットCL-Driveを紹介する。 データは、没入型車両シミュレーターで運転中に21人の被験者から収集された。 各ドライバーは、実験を通して10秒ごとに主観的認知負荷を報告した。
  論文  参考訳（メタデータ） (2023-04-09T16:35:31Z)
• Embedding Synthetic Off-Policy Experience for Autonomous Driving via Zero-Shot Curricula [48.58973705935691]
  我々は、データの10%サブセットのみを使用してトレーニングされたエージェントが、データセット全体に対してトレーニングされたエージェントと同様に動作することを示す。 次に、この難易度スコアをゼロショット転送に使用して、模倣学習に基づく計画エージェントのカリキュラムを生成することを実証する。
  論文  参考訳（メタデータ） (2022-12-02T18:57:21Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• 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)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。