論文の概要: EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2107.09507v4
- Date: Fri, 18 Feb 2022 02:27:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 08:01:57.409922
- Title: EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network
- Title（参考訳）: 解釈可能な畳み込みニューラルネットワークを用いた脳波に基づくクロスサブジェクトドライバの眠気認識
- Authors: Jian Cui, Zirui Lan, Olga Sourina, Wolfgang M\"uller-Wittig
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the context of electroencephalogram (EEG)-based driver drowsiness
recognition, it is still challenging to design a calibration-free system, since
EEG signals vary significantly among different subjects and recording sessions.
Many efforts have been made to use deep learning methods for mental state
recognition from EEG signals. However, existing work mostly treats deep
learning models as black-box classifiers, while what have been learned by the
models and to which extent they are affected by the noise in EEG data are still
underexplored. In this paper, we develop a novel convolutional neural network
combined with an interpretation technique that allows sample-wise analysis of
important features for classification. The network has a compact structure and
takes advantage of separable convolutions to process the EEG signals in a
spatial-temporal sequence. Results show that the model achieves an average
accuracy of 78.35% on 11 subjects for leave-one-out cross-subject drowsiness
recognition, which is higher than the conventional baseline methods of
53.40%-72.68% and state-of-the-art deep learning methods of 71.75%-75.19%.
Interpretation results indicate the model has learned to recognize biologically
meaningful features from EEG signals, e.g., Alpha spindles, as strong
indicators of drowsiness across different subjects. In addition, we also
explore reasons behind some wrongly classified samples with the interpretation
technique and discuss potential ways to improve the recognition accuracy. Our
work illustrates a promising direction on using interpretable deep learning
models to discover meaningful patterns related to different mental states from
complex EEG signals.
- Abstract（参考訳）: 脳波(EEG)に基づくドライバの眠気認識の文脈では、脳波信号は異なる被験者や記録セッション間で大きく異なるため、キャリブレーションのないシステムを設計することは依然として困難である。
脳波信号からの心的状態認識に深層学習法を用いるために多くの努力がなされている。
しかし、既存の研究は主に深層学習モデルをブラックボックス分類器として扱うが、モデルから学んだことや、脳波データのノイズの影響の程度はまだ未調査である。
本稿では,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,重要な特徴のサンプルワイズ分析を可能にする。
ネットワークはコンパクトな構造を持ち、分離可能な畳み込みを利用して空間時間シーケンスで脳波信号を処理している。
その結果、従来の53.40%-72.68%のベースライン法や71.75%-75.19%の最先端のディープラーニング法よりも高い11名の被験者に対して平均78.35%の精度が得られた。
解釈の結果、このモデルは脳波信号(例えばアルファスピンドル)から生物学的に有意な特徴を認識することを学習したことを示している。
また,誤分類されたサンプルの背景にある理由を解釈手法で検討し,認識精度向上の可能性について考察する。
本研究は、解釈可能な深層学習モデルを用いて、複雑な脳波信号から異なる精神状態に関連する有意義なパターンを発見するための有望な方向性を示す。
関連論文リスト
- EEG decoding with conditional identification information [7.873458431535408]
脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。
従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。
ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
論文 参考訳（メタデータ） (2024-03-21T13:38:59Z) - Graph Convolutional Network with Connectivity Uncertainty for EEG-based
Emotion Recognition [20.655367200006076]
本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。
グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。
感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-10-22T03:47:11Z) - 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) - 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) - Subject-Independent Drowsiness Recognition from Single-Channel EEG with
an Interpretable CNN-LSTM model [0.8250892979520543]
単一チャネル脳波信号からの主観的非依存的眠気認識のための新しい畳み込みニューラルネットワーク(CNN)-Long Short-Term Memory(LSTM)モデルを提案する。
その結果, 公立データセット上での被写体独立性認識において, 11人の被写体の平均精度は72.97%であった。
論文 参考訳（メタデータ） (2021-11-21T10:37:35Z) - A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
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。
論文 参考訳（メタデータ） (2021-05-30T14:36:34Z) - 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) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Multi-Scale Neural network for EEG Representation Learning in BCI [2.105172041656126]
本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。
スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
論文 参考訳（メタデータ） (2020-03-02T04:06:47Z)
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。