論文の概要: Classification of Distraction Levels Using Hybrid Deep Neural Networks From EEG Signals

• arxiv url: http://arxiv.org/abs/2212.06830v1
• Date: Tue, 13 Dec 2022 07:02:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 17:45:48.194894
• Title: Classification of Distraction Levels Using Hybrid Deep Neural Networks From EEG Signals
• Title（参考訳）: 脳波信号を用いたハイブリッドディープニューラルネットワークによる抽出レベルの分類
• Authors: Dae-Hyeok Lee, Sung-Jin Kim, Yeon-Woo Choi
• Abstract要約: この研究は、飛行環境下での障害レベルを分類する最初の試みである。 合計10人のパイロットが模擬飛行環境で実験を行った。 大平均値の精度は0.8437であり、全被験者で障害レベルを分類した。
• 参考スコア（独自算出の注目度）: 3.5665681694253903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-invasive brain-computer interface technology has been developed for detecting human mental states with high performances. Detection of the pilots' mental states is particularly critical because their abnormal mental states could cause catastrophic accidents. In this study, we presented the feasibility of classifying distraction levels (namely, normal state, low distraction, and high distraction) by applying the deep learning method. To the best of our knowledge, this study is the first attempt to classify distraction levels under a flight environment. We proposed a model for classifying distraction levels. A total of ten pilots conducted the experiment in a simulated flight environment. The grand-average accuracy was 0.8437 for classifying distraction levels across all subjects. Hence, we believe that it will contribute significantly to autonomous driving or flight based on artificial intelligence technology in the future.
• Abstract（参考訳）: 非侵襲的な脳-コンピュータインタフェース技術は、高い性能で人間の精神状態を検出するために開発された。 パイロットの精神状態の検出は、異常な精神状態が破滅的な事故を引き起こす可能性があるため、特に重要である。 本研究では,Deep Learning法を適用して,障害レベル(通常状態,低障害,高障害)を分類できる可能性を示した。 我々の知る限りでは、この研究は飛行環境下での障害レベルを分類する最初の試みである。 障害レベルを分類するモデルを提案した。 合計10人のパイロットがシミュレートされた飛行環境で実験を行った。 総計の精度は0.8437で全被験者の気晴らしレベルを分類した。 したがって、将来的には人工知能技術に基づく自動運転や飛行に大きく貢献するだろうと考えています。

関連論文リスト

• IGDrivSim: A Benchmark for the Imitation Gap in Autonomous Driving [35.64960921334498]
  textbfIGDrivSimはWaymaxシミュレータ上に構築されたベンチマークである。 実験の結果,この認識ギャップは安全かつ効果的な運転行動の学習を妨げることが示された。 本研究は,模倣と強化学習を組み合わせることで,禁止行為に対する簡単な報奨を生かし,これらの失敗を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-11-07T12:28:52Z)
• Decoding Fatigue Levels of Pilots Using EEG Signals with Hybrid Deep Neural Networks [3.4068841624198942]
  本研究は, 異なる疲労レベルを分類するために深層学習技術を用いることの可能性を示した。 私たちの知る限りでは、パイロットの疲労レベルを分類するのはこれが初めてです。 実験には10人のパイロットが参加し、模擬飛行環境で行われた。
  論文  参考訳（メタデータ） (2024-10-30T23:57:41Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Decoding EEG-based Workload Levels Using Spatio-temporal Features Under Flight Environment [29.9928699910032]
  本研究は,異なる作業負荷レベルを分類する深層学習技術の導入の可能性について紹介する。 我々の知る限りでは、この研究はパイロットの負荷レベルを分類する最初の試みである。
  論文  参考訳（メタデータ） (2023-11-10T08:47:19Z)
• Adversarial Attacks Assessment of Salient Object Detection via Symbolic Learning [4.613806493425003]
  脳プログラミングは、優れた古き良き人工知能の分野における象徴的な学習である。 この研究は、信頼できる視覚的注意システムの設計において、記号的学習の堅牢性が不可欠であることを示す。 我々は,この手法を5つの異なるディープラーニングアプローチと比較し,ロバスト性に関する象徴的パラダイムと一致しないことを示した。
  論文  参考訳（メタデータ） (2023-09-12T01:03:43Z)
• Your Room is not Private: Gradient Inversion Attack on Reinforcement Learning [47.96266341738642]
  プライバシーは、ロボットが実質的な個人情報にアクセスすることによって、具体化されたAIの領域における重要な関心事として浮上する。 本稿では, 状態, 行動, 監視信号の再構成に勾配インバージョンを利用する, 値ベースアルゴリズムと勾配ベースアルゴリズムに対する攻撃を提案する。
  論文  参考訳（メタデータ） (2023-06-15T16:53:26Z)
• What's on your mind? A Mental and Perceptual Load Estimation Framework towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
  精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。 これらの測定値の融合により、心的および知覚的負荷レベルを分類する。 我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
  論文  参考訳（メタデータ） (2022-08-10T21:19:49Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Brain-Inspired Deep Imitation Learning for Autonomous Driving Systems [0.38673630752805443]
  ヒトは、脳の両側の構造的および機能的非対称性から恩恵を受ける強力な一般化能力を持つ。 そこで我々は,人間のニューラルネットワークの非対称性に基づいて,ディープニューラルネットワークにおけるデュアルニューラルネットワークポリシー(NCP)アーキテクチャを設計する。 実験の結果,脳にインスパイアされた手法は,見えないデータを扱う場合の一般化に関する既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-30T14:21:46Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)

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。