論文の概要: Machine Learning Based Prediction of Future Stress Events in a Driving Scenario

• arxiv url: http://arxiv.org/abs/2106.07542v1
• Date: Tue, 8 Jun 2021 20:12:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-20 17:50:21.097732
• Title: Machine Learning Based Prediction of Future Stress Events in a Driving Scenario
• Title（参考訳）: 機械学習による運転シナリオにおける将来のストレス事象の予測
• Authors: Joseph Clark, Rajdeep Kumar Nath, Himanshu Thapliyal
• Abstract要約: 提案モデルでは,足と手にあるGalvanic Skin Response信号から抽出した特徴と,運転者の胸部からの呼吸・心電図信号から抽出した特徴を取り入れた。 その結果、モデルの性能は良好であり、車両のストレス防止システムの一部として使用できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a model for predicting a driver's stress level up to one minute in advance. Successfully predicting future stress would allow stress mitigation to begin before the subject becomes stressed, reducing or possibly avoiding the performance penalties of stress. The proposed model takes features extracted from Galvanic Skin Response (GSR) signals on the foot and hand and Respiration and Electrocardiogram (ECG) signals from the chest of the driver. The data used to train the model was retrieved from an existing database and then processed to create statistical and frequency features. A total of 42 features were extracted from the data and then expanded into a total of 252 features by grouping the data and taking six statistical measurements of each group for each feature. A Random Forest Classifier was trained and evaluated using a leave-one-subject-out testing approach. The model achieved 94% average accuracy on the test data. Results indicate that the model performs well and could be used as part of a vehicle stress prevention system.
• Abstract（参考訳）: 本稿では,運転者のストレスレベルを最大1分前まで予測するモデルを提案する。 将来のストレスの予測に成功すれば、被験者がストレスになる前にストレス軽減が始められ、ストレスのパフォーマンス上のペナルティを低減または回避できる。 提案モデルでは,足と手にあるGalvanic Skin Response(GSR)信号と,運転者の胸部からの呼吸・心電図(ECG)信号から抽出した特徴を抽出する。 モデルのトレーニングに使用されたデータは、既存のデータベースから取得され、その後、統計的および頻度的特徴を作成するために処理される。 データから42個の特徴を抽出し、各特徴について各グループの6つの統計的測定値を用いて、合計252個の特徴に拡張した。 ランダム・フォレスト分類器を訓練し, 実験手法を用いて評価した。 このモデルはテストデータで平均94%の精度を達成した。 その結果,モデルの性能は良好であり,車両のストレス防止システムの一部として使用できることがわかった。

関連論文リスト

• Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators [9.336308366735656]
  本稿では,電力系統における後電圧トラジェクトリの間隔を予測するための新しいデータ駆動手法を提案する。 提案した演算子回帰モデルでは、電圧軌跡の観測された部分を、観測後の未観測軌跡にマッピングする。 ニューイングランド39バス試験システムを用いて提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-31T17:20:13Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Personalized Prediction of Recurrent Stress Events Using Self-Supervised Learning on Multimodal Time-Series Data [1.7598252755538808]
  ウェアラブル生体信号データを用いたマルチモーダル・パーソナライズされたストレス予測システムを開発した。 我々は、各被験者のデータに基づいてモデルを事前学習するために、自己教師付き学習を採用する。 その結果,最小限のアノテーションで各ユーザのストレス予測をパーソナライズできることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T00:44:06Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)
• An Improved Subject-Independent Stress Detection Model Applied to Consumer-grade Wearable Devices [7.714433991463217]
  ストレス検出モデルを訓練する2つの一般的なアプローチは、主観的および主観的非依存的な訓練方法である。 本稿では,ニューラルネットワークアーキテクチャを用いたストレス関連バイオ信号処理パイプラインを導入し,対象非依存モデルの性能向上を図る。 提案モデルでは,従来の手法よりも1.63%高い平均精度のスコアが得られた。
  論文  参考訳（メタデータ） (2022-03-18T00:19:42Z)
• Semi-Supervised Learning and Data Augmentation in Wearable-based Momentary Stress Detection in the Wild [14.745523471054744]
  本研究は、未ラベルのウェアラブルセンサデータを野生でのストレス検出に活用することを検討する。 まず生理的・行動的データにデータ拡張手法を適用し, 教師付きストレス検出モデルのロバスト性を向上させる。 ラベルのないデータシーケンスを活用するための半教師付き学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-02-22T01:10:02Z)
• Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model [4.903969235471705]
  深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
  論文  参考訳（メタデータ） (2021-10-09T06:26:42Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。