論文の概要: EEG-based Classification of Drivers Attention using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2108.10062v1
• Date: Mon, 23 Aug 2021 10:55:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 18:53:25.245180
• Title: EEG-based Classification of Drivers Attention using Convolutional Neural Network
• Title（参考訳）: 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運転注意の分類
• Authors: Fred Atilla and Maryam Alimardani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate detection of a drivers attention state can help develop assistive technologies that respond to unexpected hazards in real time and therefore improve road safety. This study compares the performance of several attention classifiers trained on participants brain activity. Participants performed a driving task in an immersive simulator where the car randomly deviated from the cruising lane. They had to correct the deviation and their response time was considered as an indicator of attention level. Participants repeated the task in two sessions; in one session they received kinesthetic feedback and in another session no feedback. Using their EEG signals, we trained three attention classifiers; a support vector machine (SVM) using EEG spectral band powers, and a Convolutional Neural Network (CNN) using either spectral features or the raw EEG data. Our results indicated that the CNN model trained on raw EEG data obtained under kinesthetic feedback achieved the highest accuracy (89%). While using a participants own brain activity to train the model resulted in the best performances, inter-subject transfer learning still performed high (75%), showing promise for calibration-free Brain-Computer Interface (BCI) systems. Our findings show that CNN and raw EEG signals can be employed for effective training of a passive BCI for real-time attention classification.
• Abstract（参考訳）: 運転者の注意状態の正確な検出は、予期せぬ危険にリアルタイムで対応し、道路安全を改善する支援技術の開発に役立つ。 本研究は,参加者の脳活動について訓練した注意分類器の性能を比較した。 参加者は、クルージングレーンからランダムに外れた没入型シミュレータで運転タスクを実行した。 彼らは偏差を正す必要があり、その応答時間は注意の指標とみなされた。 参加者は2つのセッションでタスクを繰り返し、あるセッションでは審美的なフィードバックを受け取り、別のセッションではフィードバックを受けなかった。 脳波信号を用いて脳波スペクトルバンドパワーを用いたサポートベクトルマシン(SVM)と、スペクトル特徴または生脳波データを用いた畳み込みニューラルネットワーク(CNN)の3つの注意分類器を訓練した。 その結果, 審美的フィードバックにより得られた脳波データに基づくcnnモデルが最も精度が高かった(89%)。 モデルのトレーニングに参加者自身の脳活動を使用することで、最高のパフォーマンスが得られる一方で、オブジェクト間移動学習は高い(75%)パフォーマンスを示し、キャリブレーションなしのBrain-Computer Interface(BCI)システムの実現を約束している。 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。

関連論文リスト

• An EEG Channel Selection Framework for Driver Drowsiness Detection via Interpretability Guidance [7.657035689406044]
  眠気運転は運転安全性に重大な影響を及ぼし、運転者の眠気検出に緊急の需要が生じる。 脳波信号は精神疲労状態を正確に反映できるため、眠気モニタリングにおいて広く研究されている。 本稿では,ドライバの眠気検出作業のための解釈可能性誘導型チャネル選択(ICS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T13:24:37Z)
• EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive Activity from EEG [0.0]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。 転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
  論文  参考訳（メタデータ） (2022-12-08T10:15:52Z)
• Brain informed transfer learning for categorizing construction hazards [0.0]
  この研究は、市販の脳-コンピュータインターフェースを通じて記録された人間の脳信号から学習することで、機械学習アルゴリズムを改善するためのステップである。 より一般化された視覚認識システムは、この「ループ内の人間」のアプローチに基づいて効果的に開発することができる。
  論文  参考訳（メタデータ） (2022-11-17T19:41:04Z)
• Convolutional Spiking Neural Networks for Detecting Anticipatory Brain Potentials Using Electroencephalogram [0.21847754147782888]
  スパイキングニューラルネットワーク(SNN)は、生体系におけるシナプス接続を模倣しスパイクトレインを発生させるため、注目を集めている。 近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。 本稿では、畳み込みスパイクニューラルネットワーク(CSNN)を用いて、予測速度の遅い大脳皮質電位を検出することの実現可能性について検討する。
  論文  参考訳（メタデータ） (2022-08-14T19:04:15Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• 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)
• EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning [46.3327842128563]
  本研究では、深部Q-ラーニングを用いて、模擬耐久運転テスト中に得られた脳波データセットを分析することを提案する。 運転テストにおける用語を強化学習フレームワークに適合させ,Q-ラーニングタスクの最適化として眠気推定問題を定式化する。 その結果、トレーニングされたモデルでは、脳波データに対して十分な方法で精神状態の変動を追跡できることがわかった。
  論文  参考訳（メタデータ） (2020-01-08T07:10:03Z)

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。