論文の概要: Modeling cognitive load as a self-supervised brain rate with
electroencephalography and deep learning
- arxiv url: http://arxiv.org/abs/2209.10992v1
- Date: Wed, 21 Sep 2022 07:44:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:17:26.934813
- Title: Modeling cognitive load as a self-supervised brain rate with
electroencephalography and deep learning
- Title（参考訳）: 脳波と深層学習を用いた自己教師型脳速度としての認知負荷のモデル化
- Authors: Luca Longo
- Abstract要約: 本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。
脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。
学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
- 参考スコア（独自算出の注目度）: 2.741266294612776
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The principal reason for measuring mental workload is to quantify the
cognitive cost of performing tasks to predict human performance. Unfortunately,
a method for assessing mental workload that has general applicability does not
exist yet. This research presents a novel self-supervised method for mental
workload modelling from EEG data employing Deep Learning and a continuous brain
rate, an index of cognitive activation, without requiring human declarative
knowledge. This method is a convolutional recurrent neural network trainable
with spatially preserving spectral topographic head-maps from EEG data to fit
the brain rate variable. Findings demonstrate the capacity of the convolutional
layers to learn meaningful high-level representations from EEG data since
within-subject models had a test Mean Absolute Percentage Error average of 11%.
The addition of a Long-Short Term Memory layer for handling sequences of
high-level representations was not significant, although it did improve their
accuracy. Findings point to the existence of quasi-stable blocks of learnt
high-level representations of cognitive activation because they can be induced
through convolution and seem not to be dependent on each other over time,
intuitively matching the non-stationary nature of brain responses.
Across-subject models, induced with data from an increasing number of
participants, thus containing more variability, obtained a similar accuracy to
the within-subject models. This highlights the potential generalisability of
the induced high-level representations across people, suggesting the existence
of subject-independent cognitive activation patterns. This research contributes
to the body of knowledge by providing scholars with a novel computational
method for mental workload modelling that aims to be generally applicable, does
not rely on ad-hoc human-crafted models supporting replicability and
falsifiability.
- Abstract（参考訳）: メンタルワーク負荷を測定する主な理由は、タスクの実行の認知的コストを定量化し、人間のパフォーマンスを予測することである。
残念ながら、一般に適用可能なメンタルワークロードを評価する方法はまだ存在しない。
本研究では,人間の宣言的知識を必要とせず,深層学習と認知活性化指標である連続脳速度を用いた脳波データからメンタルワークロードをモデル化する新しい自己教師あり手法を提案する。
脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。
脳波データから有意義な高レベル表現を学習するための畳み込み層の能力は、オブジェクト内モデルでは平均11%の絶対誤差がテストされた。
高レベル表現のシーケンスを処理するための長期記憶層の追加は重要ではなかったが、精度は向上した。
学習した認知活性化の準安定ブロックの存在は、畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
より多くの参加者からのデータによって誘導されるクロスサブジェクトモデルは、より多くの変動性を持つので、イントラサブジェクトモデルと同様の精度を得た。
これは、被写体非依存の認知活性化パターンの存在を示唆する、人々間で誘導される高レベル表現の潜在的な一般化可能性を強調している。
本研究は, 一般応用を目指すメンタルワークロードモデリングの新しい計算手法を研究者に提供し, 再現性とファルシフィフィビリティを補助する有能な人体モデルに頼らないことにより, 知識の体系に寄与する。
関連論文リスト
- BLEND: Behavior-guided Neural Population Dynamics Modeling via Privileged Knowledge Distillation [6.3559178227943764]
本稿では,特権的知識蒸留による行動誘導型ニューラル人口動態モデリングフレームワークBLENDを提案する。
特権情報として行動を考えることにより、行動観察(私的特徴)と神経活動(正規特徴)の両方を入力として扱う教師モデルを訓練する。
学生モデルは神経活動のみを用いて蒸留される。
論文 参考訳（メタデータ） (2024-10-02T12:45:59Z) - Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。
fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか?
以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
論文 参考訳（メタデータ） (2024-09-17T17:24:17Z) - Growing Deep Neural Network Considering with Similarity between Neurons [4.32776344138537]
我々は、訓練段階におけるコンパクトモデルにおいて、ニューロン数を漸進的に増加させる新しいアプローチを探求する。
本稿では,ニューロン類似性分布に基づく制約を導入することにより,特徴抽出バイアスと神経冗長性を低減する手法を提案する。
CIFAR-10とCIFAR-100データセットの結果、精度が向上した。
論文 参考訳（メタデータ） (2024-08-23T11:16:37Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳（メタデータ） (2022-07-07T15:37:17Z) - STNDT: Modeling Neural Population Activity with a Spatiotemporal
Transformer [19.329190789275565]
我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。
本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2022-06-09T18:54:23Z) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Learning identifiable and interpretable latent models of
high-dimensional neural activity using pi-VAE [10.529943544385585]
本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。
我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。
人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
論文 参考訳（メタデータ） (2020-11-09T22:00:38Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z) - Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。
トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。
しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文 参考訳（メタデータ） (2020-02-22T22:12:56Z)
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。