論文の概要: Studying Drowsiness Detection Performance while Driving through Scalable
Machine Learning Models using Electroencephalography
- arxiv url: http://arxiv.org/abs/2209.04048v1
- Date: Thu, 8 Sep 2022 22:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 13:10:49.341544
- Title: Studying Drowsiness Detection Performance while Driving through Scalable
Machine Learning Models using Electroencephalography
- Title（参考訳）: 脳電図を用いたスケーラブルな機械学習モデルによる眠気検出性能の検討
- Authors: Jos\'e Manuel Hidalgo Rogel, Enrique Tom\'as Mart\'inez Beltr\'an,
Mario Quiles P\'erez, Sergio L\'opez Bernal, Gregorio Mart\'inez P\'erez,
Alberto Huertas Celdr\'an
- Abstract要約: 眠気はドライバーにとって大きな関心事であり、交通事故の主な原因の1つである。
Brain-Computer Interfaces (BCI) と Machine Learning (ML) はドライバの眠気の検出を可能にしている。
この研究は、BCIと脳波に基づく特徴を用いたインテリジェントなフレームワークを用いて、運転シナリオの眠気を検出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Drowsiness is a major concern for drivers and one of the leading causes of
traffic accidents. Advances in Cognitive Neuroscience and Computer Science have
enabled the detection of drivers' drowsiness by using Brain-Computer Interfaces
(BCIs) and Machine Learning (ML). Nevertheless, several challenges remain open
and should be faced. First, a comprehensive enough evaluation of drowsiness
detection performance using a heterogeneous set of ML algorithms is missing in
the literature. Last, it is needed to study the detection performance of
scalable ML models suitable for groups of subjects and compare it with the
individual models proposed in the literature. To improve these limitations,
this work presents an intelligent framework that employs BCIs and features
based on electroencephalography (EEG) for detecting drowsiness in driving
scenarios. The SEED-VIG dataset is used to feed different ML regressors and
three-class classifiers and then evaluate, analyze, and compare the
best-performing models for individual subjects and groups of them. More in
detail, regarding individual models, Random Forest (RF) obtained a 78%
f1-score, improving the 58% obtained by models used in the literature such as
Support Vector Machine (SVM). Concerning scalable models, RF reached a 79%
f1-score, demonstrating the effectiveness of these approaches. The lessons
learned can be summarized as follows: i) not only SVM but also other models not
sufficiently explored in the literature are relevant for drowsiness detection,
and ii) scalable approaches suitable for groups of subjects are effective to
detect drowsiness, even when new subjects that are not included in the models
training are evaluated.
- Abstract（参考訳）: 眠気はドライバーにとって大きな関心事であり、交通事故の主な原因の1つである。
認知神経科学とコンピュータサイエンスの進歩により、BCI(Brain-Computer Interfaces)とML(Machine Learning)を使用してドライバーの眠気の検出が可能になった。
それでも、いくつかの課題は未解決のままであり、直面するべきである。
まず,不均一なMLアルゴリズムを用いた快適度検出性能の包括的評価が文献に欠落している。
最後に,対象者のグループに適したスケーラブルMLモデルの検出性能について検討し,文献で提案した個別モデルと比較することが必要である。
これらの制限を改善するため、この研究はBCIを用いたインテリジェントな枠組みを示し、脳波(EEG)に基づいて運転シナリオの眠気を検出する。
SEED-VIGデータセットは、異なるML回帰器と3クラスの分類器を供給し、個別の被験者やグループの最高のパフォーマンスモデルを評価し、分析し、比較するために使用される。
より詳しくは、個々のモデルに関して、Random Forest (RF)は78%のf1スコアを取得し、Support Vector Machine (SVM)のような文献で使われているモデルによって得られた58%を改善した。
スケーラブルモデルに関して、RFは79%のf1スコアに達し、これらのアプローチの有効性を実証した。
学んだ教訓は次のように要約できる。
i)SVMだけでなく、文献で十分に調査されていない他のモデルも、眠気検出に関係しており、
二 モデル訓練に含まれない新規被験者が評価された場合でも、被験者のグループに適したスケーラブルなアプローチは、眠気の検出に有効である。
関連論文リスト
- Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
異常検出は、データ内の確立されたパターンから逸脱を検出する。
本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。
実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-06-18T15:11:44Z) - Systematic Review: Anomaly Detection in Connected and Autonomous Vehicles [0.0]
この系統的なレビューは、連結車両と自律車両の異常検出に焦点を当てている。
異常検出に最もよく使用される人工知能(AI)アルゴリズムは、LSTM、CNN、オートエンコーダなどのニューラルネットワークと1クラスのSVMである。
自動車への異常検出の展開を調査し,道路上での性能評価を行うためには,今後の研究が必要である。
論文 参考訳（メタデータ） (2024-05-04T18:31:38Z) - Towards Better Modeling with Missing Data: A Contrastive Learning-based
Visual Analytics Perspective [7.577040836988683]
データ不足は機械学習(ML)モデリングの課題となる可能性がある。
現在のアプローチは、特徴計算とラベル予測に分類される。
本研究は、観測データに欠落した値でモデル化するコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T13:16:24Z) - Study on the effectiveness of AutoML in detecting cardiovascular disease [0.0]
本稿では、機械学習(ML)が心血管疾患の予測を可能にする有望な技術である患者指向システムの開発と応用との関連について述べる。
心血管疾患を検出するためのAutoMLモデルの構造は、使用する基本モデルの効率と精度だけでなく、初期データを前処理するシナリオにも依存する。
論文 参考訳（メタデータ） (2023-08-19T08:46:27Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z) - Discover, Explanation, Improvement: An Automatic Slice Detection
Framework for Natural Language Processing [72.14557106085284]
スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。
本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。
評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
論文 参考訳（メタデータ） (2022-11-08T19:00:00Z) - EEG-Fest: Few-shot based Attention Network for Driver's Vigilance
Estimation with EEG Signals [160.57870373052577]
運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。
EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
論文 参考訳（メタデータ） (2022-11-07T21:35:08Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - Detecting Driver Drowsiness as an Anomaly Using LSTM Autoencoders [0.0]
LSTMオートエンコーダをベースとしたアーキテクチャは,ResNet-34を特徴抽出器として使用する。
提案モデルでは,曲線下0.8740領域の検出率を実現し,特定のシナリオにおいて大幅な改善が可能である。
論文 参考訳（メタデータ） (2022-09-12T14:25:07Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z)
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。