論文の概要: A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG
- arxiv url: http://arxiv.org/abs/2106.00613v1
- Date: Sun, 30 May 2021 14:36:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 13:59:28.366895
- Title: A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG
- Title（参考訳）: 単一チャネル脳波によるクロスオブジェクトドライバの動作検出のためのコンパクトかつ解釈可能な畳み込みニューラルネットワーク
- Authors: Jian Cui, Zirui Lan, Yisi Liu, Ruilin Li, Fan Li, Olga Sourina, and
Wolfgang Mueller-Wittig
- Abstract要約: 本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。
その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
- 参考スコア（独自算出の注目度）: 4.963467827017178
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Driver drowsiness is one of main factors leading to road fatalities and
hazards in the transportation industry. Electroencephalography (EEG) has been
considered as one of the best physiological signals to detect drivers drowsy
states, since it directly measures neurophysiological activities in the brain.
However, designing a calibration-free system for driver drowsiness detection
with EEG is still a challenging task, as EEG suffers from serious mental and
physical drifts across different subjects. In this paper, we propose a compact
and interpretable Convolutional Neural Network (CNN) to discover shared EEG
features across different subjects for driver drowsiness detection. We
incorporate the Global Average Pooling (GAP) layer in the model structure,
allowing the Class Activation Map (CAM) method to be used for localizing
regions of the input signal that contribute most for classification. Results
show that the proposed model can achieve an average accuracy of 73.22% on 11
subjects for 2-class cross-subject EEG signal classification, which is higher
than conventional machine learning methods and other state-of-art deep learning
methods. It is revealed by the visualization technique that the model has
learned biologically explainable features, e.g., Alpha spindles and Theta
burst, as evidence for the drowsy state. It is also interesting to see that the
model uses artifacts that usually dominate the wakeful EEG, e.g., muscle
artifacts and sensor drifts, to recognize the alert state. The proposed model
illustrates a potential direction to use CNN models as a powerful tool to
discover shared features related to different mental states across different
subjects from EEG signals.
- Abstract（参考訳）: 運転者の眠気は、交通産業における道路事故や危険につながる主要な要因の1つである。
脳波(EEG)は、脳内の神経生理学的活動を直接測定するため、運転者のドロージー状態を検出する最も優れた生理的信号の1つと考えられている。
しかし、脳波によるドライバーの眠気検知のためのキャリブレーションフリーシステムの設計は、さまざまな被験者の心身のドリフトに悩まされているため、依然として難しい課題である。
本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。
モデル構造にGAP(Global Average Pooling)層を組み込むことで,クラス活性化マップ(Class Activation Map, CAM)法を入力信号の領域のローカライズに利用することができる。
その結果,従来の機械学習手法や最先端の深層学習手法よりも高い2クラスクロスオブジェクト脳波信号分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
可視化技術により、このモデルは生物学的に説明可能な特徴、例えばアルファスピンドルやテータバーストを、眠気状態の証拠として学習したことが明らかとなった。
また、このモデルでは通常、覚醒性脳波(筋肉のアーティファクトやセンサードリフトなど)を支配する人工物を使用して警告状態を認識することも興味深い。
提案モデルは、脳波信号から異なる被験者にまたがる異なる精神状態に関連する特徴を共有できる強力なツールとして、cnnモデルを使用する可能性を示す。
関連論文リスト
- Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。
本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文 参考訳（メタデータ） (2024-08-20T13:11:43Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Variational Autoencoder Learns Better Feature Representations for
EEG-based Obesity Classification [0.8399688944263843]
肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。
肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-01T22:48:45Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - Interpretable Convolutional Neural Networks for Subject-Independent
Motor Imagery Classification [22.488536453952964]
本稿では,脳コンピュータインタフェース(BCI)研究のための説明可能なディープラーニングモデルを提案する。
具体的には,運動画像(MI)タスクから得られる脳波信号を分類することを目的とする。
トポグラフィーでLRPの出力を示す熱マップを可視化し, 神経生理学的因子の同定を行った。
論文 参考訳（メタデータ） (2021-12-14T07:35:52Z) - EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。
その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文 参考訳（メタデータ） (2021-05-30T14:47:20Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z)
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。