論文の概要: ALEBk: Feasibility Study of Attention Level Estimation via Blink
Detection applied to e-Learning
- arxiv url: http://arxiv.org/abs/2112.09165v1
- Date: Thu, 16 Dec 2021 19:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 16:12:57.693972
- Title: ALEBk: Feasibility Study of Attention Level Estimation via Blink
Detection applied to e-Learning
- Title（参考訳）: ALEBk: e-Learning に適用した Blink Detection による注意レベル推定の可能性の検討
- Authors: Roberto Daza, Daniel DeAlcala, Aythami Morales, Ruben Tolosana, Ruth
Cobos, Julian Fierrez
- Abstract要約: オンラインセッションにおける学生の視線点滅率と注意度との関係を実験的に評価した。
その結果, 点眼周波数と注意レベルとの逆相関が示唆された。
本研究は,今後のeラーニングプラットフォームに注目度推定技術を導入するための新しい研究ラインを開設する。
- 参考スコア（独自算出の注目度）: 6.325464216802613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a feasibility study of remote attention level estimation
based on eye blink frequency. We first propose an eye blink detection system
based on Convolutional Neural Networks (CNNs), very competitive with respect to
related works. Using this detector, we experimentally evaluate the relationship
between the eye blink rate and the attention level of students captured during
online sessions. The experimental framework is carried out using a public
multimodal database for eye blink detection and attention level estimation
called mEBAL, which comprises data from 38 students and multiples acquisition
sensors, in particular, i) an electroencephalogram (EEG) band which provides
the time signals coming from the student's cognitive information, and ii) RGB
and NIR cameras to capture the students face gestures. The results achieved
suggest an inverse correlation between the eye blink frequency and the
attention level. This relation is used in our proposed method called ALEBk for
estimating the attention level as the inverse of the eye blink frequency. Our
results open a new research line to introduce this technology for attention
level estimation on future e-learning platforms, among other applications of
this kind of behavioral biometrics based on face analysis.
- Abstract（参考訳）: 本研究は,視線リンク周波数に基づく遠隔注意レベル推定の実現可能性について述べる。
本稿ではまず,CNN(Convolutional Neural Networks)に基づく瞬目検出システムを提案する。
この検出器を用いて,オンラインセッションにおける学生の視線点滅率と注意度との関係を実験的に評価した。
この実験フレームワークは,38名の学生と複数の取得センサから得られたデータ,特に目まばたき検出と注意レベル推定のための公開マルチモーダルデータベースであるmebalを用いて実施されている。
一 学生の認知情報から来る時間的信号を提供する脳波(eeg)バンド
二 生徒のジェスチャーを捉えるためのRGB及びNIRカメラ。
その結果,眼点滅頻度と注意レベルとの逆相関が示唆された。
この関係は,眼の瞬き周波数の逆転として注目度を推定するために提案手法であるALEBkで用いられる。
本研究は,今後のeラーニングプラットフォームにおける注意レベル推定技術として,顔分析に基づくこのような行動バイオメトリックスを応用するための新しい研究ラインを開設する。
関連論文リスト
- DeepFace-Attention: Multimodal Face Biometrics for Attention Estimation with Application to e-Learning [18.36413246876648]
本研究では,Webカメラビデオに適用した顔分析手法のアンサンブルを用いて,注意レベル(認知的負荷)を推定する革新的な手法を提案する。
我々のアプローチは、最先端の顔分析技術を適用し、ユーザの認知的負荷を、高い注意や低い注意の形で定量化する。
提案手法は,mEBAL2ベンチマークを用いて,既存の最先端の精度を向上する。
論文 参考訳（メタデータ） (2024-08-10T11:39:11Z) - mEBAL2 Database and Benchmark: Image-based Multispectral Eyeblink Detection [14.052943954940758]
本研究は、RGBおよび近赤外(NIR)個々の画像における新しいマルチスペクトルデータベースとアイブリンク検出のための新しいアプローチを導入する。
mEBAL2は、現存する最大のアイリンクデータベースである。
mEBAL2は180人の学生から21,100の画像シーケンスを含んでいる。
論文 参考訳（メタデータ） (2023-09-14T17:25:25Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳（メタデータ） (2022-06-17T10:17:24Z) - 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) - Exploring Visual Engagement Signals for Representation Learning [56.962033268934015]
VisEは、クラスタ化されたエンゲージメント信号から派生した擬似ラベルにソーシャルイメージをマップする弱い教師付き学習アプローチである。
この方法でトレーニングされたモデルが、感情認識や政治的バイアス検出といった主観的なコンピュータビジョンタスクにどのように役立つかを研究する。
論文 参考訳（メタデータ） (2021-04-15T20:50:40Z) - Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for
Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。
本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。
このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文 参考訳（メタデータ） (2021-02-21T18:19:49Z) - 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) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-25T02:15:24Z) - mEBAL: A Multimodal Database for Eye Blink Detection and Attention Level
Estimation [17.279661852408335]
mEBALはアイリンクの検出とアテンションレベル推定のためのマルチモーダルデータベースである。
6,000のサンプルと38人の学生の注意レベルで構成されている。
論文 参考訳（メタデータ） (2020-06-09T15:05:08Z) - Few-Shot Relation Learning with Attention for EEG-based Motor Imagery
Classification [11.873435088539459]
脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。
運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。
脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
論文 参考訳（メタデータ） (2020-03-03T02:34:44Z)
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。