論文の概要: Measuring Cognitive Workload Using Multimodal Sensors

• arxiv url: http://arxiv.org/abs/2205.04235v1
• Date: Thu, 5 May 2022 23:18:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-15 15:30:01.375714
• Title: Measuring Cognitive Workload Using Multimodal Sensors
• Title（参考訳）: マルチモーダルセンサを用いた認知負荷の測定
• Authors: Niraj Hirachan, Anita Mathews, Julio Romero, Raul Fernandez Rojas
• Abstract要約: 本研究の目的は,マルチモーダルセンシングと機械学習を用いて認知負荷を推定する指標のセットを特定することである。 課題難易度(易度と難度)の2段階において,12名の被験者の認知負荷を誘発する3つの認知テストを実施した。
• 参考スコア（独自算出の注目度）: 1.8582645184234494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study aims to identify a set of indicators to estimate cognitive workload using a multimodal sensing approach and machine learning. A set of three cognitive tests were conducted to induce cognitive workload in twelve participants at two levels of task difficulty (Easy and Hard). Four sensors were used to measure the participants' physiological change, including, Electrocardiogram (ECG), electrodermal activity (EDA), respiration (RESP), and blood oxygen saturation (SpO2). To understand the perceived cognitive workload, NASA-TLX was used after each test and analysed using Chi-Square test. Three well-know classifiers (LDA, SVM, and DT) were trained and tested independently using the physiological data. The statistical analysis showed that participants' perceived cognitive workload was significantly different (p<0.001) between the tests, which demonstrated the validity of the experimental conditions to induce different cognitive levels. Classification results showed that a fusion of ECG and EDA presented good discriminating power (acc=0.74) for cognitive workload detection. This study provides preliminary results in the identification of a possible set of indicators of cognitive workload. Future work needs to be carried out to validate the indicators using more realistic scenarios and with a larger population.
• Abstract（参考訳）: 本研究の目的は,マルチモーダルセンシングと機械学習を用いて認知負荷を推定する指標のセットを特定することである。 2段階の作業難易度(安易かつ硬度)で12名の被験者に認知的作業負荷を誘発する3つの認知テストを実施した。 心電図(ECG)、心電図(EDA)、呼吸(RESP)、酸素飽和(SpO2)の4つのセンサーが被験者の生理的変化を測定した。 認識作業の負荷を理解するため、NASA-TLXは各テスト後に使用し、Chi-Squareテストを用いて分析した。 3つの知識分類器(LDA, SVM, DT)を生理的データを用いて独立に訓練・試験した。 統計的分析の結果, 被験者の認知的作業負荷は, 異なる認知レベルを誘導する実験条件の有効性を示すテスト間で有意に異なる (p<0.001) ことがわかった。 分類の結果,ECGとEDAの融合は認知負荷検出に優れた判別力(acc=0.74)を示した。 本研究は,認知負荷の指標セットの同定における予備的な結果を提供する。 より現実的なシナリオとより人口の多い指標を検証するためには、今後の作業が必要である。

関連論文リスト

• Auto Detecting Cognitive Events Using Machine Learning on Pupillary Data [0.0]
  瞳孔の大きさは認知作業負荷の貴重な指標であり、自律神経系によって支配される注意の変化と覚醒を反映している。 本研究では、機械学習を用いて個人が経験した認知イベントを自動的に検出する可能性について検討する。
  論文  参考訳（メタデータ） (2024-10-18T04:54:46Z)
• Wearable Device-Based Real-Time Monitoring of Physiological Signals: Evaluating Cognitive Load Across Different Tasks [6.673424334358673]
  本研究は,中等教育学生の脳波(EEG)データに対する認知負荷評価を行うために,最先端のウェアラブルモニタリング技術を用いている。 この研究は、中等教育学生の認知負荷を評価するための応用価値と、様々な課題にまたがる有用性について考察した。
  論文  参考訳（メタデータ） (2024-06-11T10:48:26Z)
• Characterizing Information Seeking Processes with Multiple Physiological Signals [12.771920957950334]
  本研究では,インフォメーション・インフォメーション・インフォメーション・インフォメーション(IN)の実現,クエリ・フォーミュレーション(QF),クエリ・サブミッション(QS),関連判断(RJ)の4段階からなる情報検索について検討する。 本研究は,これらの段階にわたる生理的信号を分析し,一対の非パラメトリック反復測定統計検査の結果を報告する。 本研究は,情報探索プロセスにおけるユーザの行動と感情的反応に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2024-05-01T05:15:00Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• EEG-based Cognitive Load Classification using Feature Masked Autoencoding and Emotion Transfer Learning [13.404503606887715]
  脳波(EEG)を用いた認知負荷の新しい分類法を提案する。 感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。 実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T02:59:19Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Using EEG Signals to Assess Workload during Memory Retrieval in a Real-world Scenario [3.9763527484363292]
  本研究では,参加者の典型的なオフィス作業における記憶負荷と脳波の関係について検討した。 脳波帯パワー、相互情報、コヒーレンスを機械学習モデルを訓練し、高いメモリ負荷状態と低いメモリ負荷状態の分類に利用した。
  論文  参考訳（メタデータ） (2023-05-14T02:01:54Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。