論文の概要: ECG-Based Driver Stress Levels Detection System Using Hyperparameter Optimization

• arxiv url: http://arxiv.org/abs/2101.00165v1
• Date: Fri, 1 Jan 2021 05:18:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 11:05:30.088585
• Title: ECG-Based Driver Stress Levels Detection System Using Hyperparameter Optimization
• Title（参考訳）: ハイパーパラメータ最適化を用いたecgに基づくドライバーストレスレベル検出システム
• Authors: Mohammad Naim Rastgoo, Bahareh Nakisa, Andry Rakotonirainy, Frederic Maire, Vinod Chandran
• Abstract要約: ストレスと運転は、クラッシュにつながる可能性のある危険な組み合わせです。 ドライバーのストレスレベルを高精度に分類できる実用的なシステムを構築することが不可欠です。
• 参考スコア（独自算出の注目度）: 4.74328260507014
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Stress and driving are a dangerous combination which can lead to crashes, as evidenced by the large number of road traffic crashes that involve stress. Motivated by the need to address the significant costs of driver stress, it is essential to build a practical system that can classify driver stress level with high accuracy. However, the performance of an accurate driving stress levels classification system depends on hyperparameter optimization choices such as data segmentation (windowing hyperparameters). The configuration setting of hyperparameters, which has an enormous impact on the system performance, are typically hand-tuned while evaluating the algorithm. This tuning process is time consuming and often depends on personal experience. There are also no generic optimal values for hyperparameters values. In this work, we propose a meta-heuristic approach to support automated hyperparameter optimization and provide a real-time driver stress detection system. This is the first systematic study of optimizing windowing hyperparameters based on Electrocardiogram (ECG) signal in the domain of driving safety. Our approach is to propose a framework based on Particle Swarm Optimization algorithm (PSO) to select an optimal/near optimal windowing hyperparameters values. The performance of the proposed framework is evaluated on two datasets: a public dataset (DRIVEDB dataset) and our collected dataset using an advanced simulator. DRIVEDB dataset was collected in a real time driving scenario, and our dataset was collected using an advanced driving simulator in the control environment. We demonstrate that optimising the windowing hyperparameters yields significant improvement in terms of accuracy. The most accurate built model applied to the public dataset and our dataset, based on the selected windowing hyperparameters, achieved 92.12% and 77.78% accuracy, respectively.
• Abstract（参考訳）: ストレスと運転は危険な組み合わせであり、ストレスを伴う大量の道路交通の衝突によって証明されるように、クラッシュにつながる可能性がある。 運転ストレスの大きなコストに対処する必要性に動機づけられ、運転ストレスレベルを高精度に分類できる実用的なシステムを構築することが不可欠である。 しかし、正確な運転ストレスレベル分類システムの性能は、データセグメンテーション(ウィンドウングハイパーパラメータ)のようなハイパーパラメータ最適化の選択に依存する。 システム性能に大きな影響を与えるハイパーパラメータの設定設定は通常、アルゴリズムを評価する際に手動で調整される。 このチューニングプロセスは時間がかかり、個人的な経験に依存します。 ハイパーパラメータ値に対する汎用的な最適値も存在しない。 本研究では,自動ハイパーパラメータ最適化を支援するメタヒューリスティック手法を提案し,リアルタイムドライバストレス検出システムを提案する。 これは運転安全領域における心電図(ecg)信号に基づくウィンドウニングハイパーパラメータの最適化に関する最初の体系的研究である。 提案手法は,パラメータ最適化アルゴリズム (PSO) をベースとして,最適・近距離ウィンドウ化ハイパーパラメータ値を選択するフレームワークを提案する。 提案するフレームワークの性能は,公開データセット(DRIVEDBデータセット)と,高度なシミュレータを用いて収集したデータセットの2つのデータセットで評価する。 DRIVEDBデータセットを実時間駆動シナリオで収集し,制御環境における先進運転シミュレータを用いてデータセットを収集した。 ウィンドウ化ハイパーパラメータを最適化すると精度が大幅に向上することを示す。 公開データセットと当社のデータセットに適用した最も正確な構築モデルは、選択したウィンドウハイパーパラメータに基づいて、それぞれ92.12%と77.78%の精度を達成しました。

関連論文リスト

• Hyperparameter Optimization for Driving Strategies Based on Reinforcement Learning [1.3654846342364308]
  シミュレーション環境でRLエージェントを学習するために,効率的なグローバル最適化アルゴリズムを用いる。 既存の手動チューニングパラメータと比較して、4%の大幅な増加がある。
  論文  参考訳（メタデータ） (2024-07-19T12:40:08Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• AutoRL Hyperparameter Landscapes [69.15927869840918]
  強化学習(Reinforcement Learning, RL)は印象的な結果を生み出すことができるが、その使用はハイパーパラメータがパフォーマンスに与える影響によって制限されている。 我々は,これらのハイパーパラメータの景観を1つの時間だけではなく,複数の時間内に構築し,解析する手法を提案する。 これは、ハイパーパラメータがトレーニング中に動的に調整されるべきであるという理論を支持し、ランドスケープ解析によって得られるAutoRL問題に関するさらなる洞察の可能性を示している。
  論文  参考訳（メタデータ） (2023-04-05T12:14:41Z)
• A Framework for History-Aware Hyperparameter Optimisation in Reinforcement Learning [8.659973888018781]
  強化学習(RL)システムは、システムの性能に影響を与える一連の初期条件に依存する。 これらのトレードオフを軽減するため,複雑なイベント処理と時間モデルの統合に基づくフレームワークを提案する。 提案手法を,RLの変種であるDQNを用いた5Gモバイル通信ケーススタディで検証した。
  論文  参考訳（メタデータ） (2023-03-09T11:30:40Z)
• Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
  文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。 そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。 理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-02-18T23:31:20Z)
• AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
  ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。 ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:25:01Z)
• A Comparative study of Hyper-Parameter Optimization Tools [2.6097538974670935]
  我々は、4つのpythonライブラリ、すなわちOptuna、Hyperopt、Optunity、およびシーケンシャルモデルアルゴリズム構成(SMAC)の性能を比較した。 私たちは、OptunaがCASH問題とNeurIPSのブラックボックス最適化の課題に対してより良いパフォーマンスを持つことを発見した。
  論文  参考訳（メタデータ） (2022-01-17T14:49:36Z)
• Towards Robust and Automatic Hyper-Parameter Tunning [39.04604349338802]
  我々は,新しいHPO法を導入し,畳み込みネットワークの中間層の低ランク因子分解を用いて解析応答面を定義する方法について検討する。 我々は,この表面がモデル性能の代理としてどのように振る舞うかを定量化し,オートHyperと呼ぶ信頼領域探索アルゴリズムを用いて解くことができる。
  論文  参考訳（メタデータ） (2021-11-28T05:27:34Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Rethinking the Hyperparameters for Fine-tuning [78.15505286781293]
  事前訓練されたImageNetモデルからの微調整は、様々なコンピュータビジョンタスクのデファクトスタンダードとなっている。 ファインチューニングの現在のプラクティスは、通常、ハイパーパラメータのアドホックな選択を選択することである。 本稿では、微調整のためのハイパーパラメータの設定に関するいくつかの一般的なプラクティスを再検討する。
  論文  参考訳（メタデータ） (2020-02-19T18:59:52Z)

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。