論文の概要: A Novel Capsule Neural Network Based Model for Drowsiness Detection
Using Electroencephalography Signals
- arxiv url: http://arxiv.org/abs/2204.01666v1
- Date: Mon, 4 Apr 2022 17:23:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 15:38:28.596514
- Title: A Novel Capsule Neural Network Based Model for Drowsiness Detection
Using Electroencephalography Signals
- Title（参考訳）: 脳電図信号を用いた新しいカプセル型ニューラルネットワークによる眠気検出モデル
- Authors: Luis Guarda, Juan Tapia, Enrique Lopez Droguett, Marcelo Ramos
- Abstract要約: Capsule Neural Networksは、データ量を減らすために提案された新しいディープラーニングアルゴリズムである。
本稿では,脳波信号チャネルの分光画像の結合を用いて,CapsNetを用いた深層学習による眠気検出手法を提案する。
- 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: The early detection of drowsiness has become vital to ensure the correct and
safe development of several industries' tasks. Due to the transient mental
state of a human subject between alertness and drowsiness, automated drowsiness
detection is a complex problem to tackle. The electroencephalography signals
allow us to record variations in an individual's brain's electrical potential,
where each of them gives specific information about a subject's mental state.
However, due to this type of signal's nature, its acquisition, in general, is
complex, so it is hard to have a large volume of data to apply techniques of
Deep Learning for processing and classification optimally. Nevertheless,
Capsule Neural Networks are a brand-new Deep Learning algorithm proposed for
work with reduced amounts of data. It is a robust algorithm to handle the
data's hierarchical relationships, which is an essential characteristic for
work with biomedical signals. Therefore, this paper presents a Deep
Learning-based method for drowsiness detection with CapsNet by using a
concatenation of spectrogram images of the electroencephalography signals
channels. The proposed CapsNet model is compared with a Convolutional Neural
Network, which is outperformed by the proposed model, which obtains an average
accuracy of 86,44% and 87,57% of sensitivity against an average accuracy of
75,86% and 79,47% sensitivity for the CNN, showing that CapsNet is more
suitable for this kind of datasets and tasks.
- Abstract（参考訳）: drrowsinessの早期発見は、いくつかの業界のタスクの正確かつ安全な開発を確保するために不可欠である。
覚醒と眠気の間の過渡的な精神状態のため、自動的な眠気検出は、対処すべき複雑な問題である。
脳波信号は、個人の脳の電気電位の変化を記録し、それぞれが被験者の精神状態に関する特定の情報を与える。
しかし、この種の信号の性質から、その取得は一般に複雑であるため、処理や分類にDeep Learningの技法を最適に適用する大量のデータを持つことは困難である。
それでも、Capsule Neural Networksは、データ量を減らすために提案された新しいDeep Learningアルゴリズムである。
データの階層的関係を扱うためのロバストなアルゴリズムであり、生物医学的信号を扱う上で不可欠な特性である。
そこで本研究では,脳波信号チャネルの分光画像の結合を用いて,CapsNetを用いた深層学習による眠気検出手法を提案する。
提案したCapsNetモデルは,CNNの平均精度75,86%,79,47%に対して平均精度86,44%,感度87,57%を得る畳み込みニューラルネットワークと比較して,CapsNetがこの種のデータセットやタスクに適していることを示す。
関連論文リスト
- End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。
このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。
この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
論文 参考訳（メタデータ） (2024-07-17T13:34:05Z) - Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。
極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。
ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文 参考訳（メタデータ） (2024-05-07T12:20:12Z) - Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。
提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文 参考訳（メタデータ） (2023-11-02T08:26:29Z) - Neuromorphic Auditory Perception by Neural Spiketrum [27.871072042280712]
本研究では、時間変化のアナログ信号を効率的なスパイクパターンに変換するために、スパイク時相と呼ばれるニューラルスパイク符号化モデルを導入する。
このモデルは、様々な聴覚知覚タスクにおいて、スパイクニューラルネットワークのトレーニングを容易にする、正確に制御可能なスパイクレートを備えたスパースで効率的な符号化スキームを提供する。
論文 参考訳（メタデータ） (2023-09-11T13:06:19Z) - Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。
単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。
これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文 参考訳（メタデータ） (2023-07-20T13:34:11Z) - Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition [0.0]
ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
論文 参考訳（メタデータ） (2022-11-14T21:34:02Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Information contraction in noisy binary neural networks and its
implications [11.742803725197506]
我々は、各ニューロンが不正な出力を発生させる確率がゼロでない、ノイズの多いバイナリニューラルネットワークを考察する。
私たちの重要な発見は、ノイズの多いニューラルネットワークで必要なニューロンの数が少ないことです。
本稿では,情報理論のレンズを通して,ノイズの多い情報処理システムに対する新たな理解を提供する。
論文 参考訳（メタデータ） (2021-01-28T00:01:45Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z)
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。