Fugu-MT 論文翻訳(概要): Predicting Students' Exam Scores Using Physiological Signals

論文の概要: Predicting Students' Exam Scores Using Physiological Signals

arxiv url: http://arxiv.org/abs/2301.12051v1
Date: Sat, 28 Jan 2023 02:04:34 GMT
ステータス: 処理完了
システム内更新日: 2023-01-31 19:22:15.792594
Title: Predicting Students' Exam Scores Using Physiological Signals
Title（参考訳）: 生理的信号を用いた学生のエクサムスコア予測
Authors: Willie Kang, Sean Kim, Eliot Yoo, Samuel Kim
Abstract要約: この研究は、皮膚温度、心拍数、電磁気活動の3つの信号に焦点を当てた。我々は,特徴として統計を抽出し,それらを様々なバイナリ分類器に入力し,相対的に上位または下位のグレードを予測する。実験結果は、様々な機械学習アルゴリズムにおいて、k-nearest 近傍アルゴリズムで 0.81 ROC-AUC が得られた。
参考スコア（独自算出の注目度）: 0.8138288420049127
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While acute stress has been shown to have both positive and negative effects on performance, not much is known about the impacts of stress on students grades during examinations. To answer this question, we examined whether a correlation could be found between physiological stress signals and exam performance. We conducted this study using multiple physiological signals of ten undergraduate students over three different exams. The study focused on three signals, i.e., skin temperature, heart rate, and electrodermal activity. We extracted statistics as features and fed them into a variety of binary classifiers to predict relatively higher or lower grades. Experimental results showed up to 0.81 ROC-AUC with k-nearest neighbor algorithm among various machine learning algorithms.
Abstract（参考訳）: 急性ストレスは, 成績に肯定的, 否定的な影響があることが示されているが, 学生の成績にストレスが及ぼす影響についてはあまり分かっていない。そこで本研究では,生理的ストレス信号と試験成績の相関関係について検討した。本研究は、3つの異なる試験で10人の大学生の複数の生理的シグナルを用いて行った。この研究は、皮膚温度、心拍数、電磁気活動の3つの信号に焦点を当てた。特徴として統計を抽出し,様々なバイナリ分類器に入力し,相対的に上位または下位のグレードを予測する。実験結果は、様々な機械学習アルゴリズムのうち、k-nearest 近傍アルゴリズムで 0.81 ROC-AUC が得られた。

関連論文リスト

Tracing Human Stress from Physiological Signals using UWB Radar [31.246225867596337]
本稿では,人間のストレス状態の連続検出を重視したストレス追跡問題を正式に定義する。 DSTと呼ばれる新しい応力追跡法が提案されている。実験の結果,提案手法は人間のストレス状態の追跡において,すべてのベースラインを著しく上回ることがわかった。
論文参考訳（メタデータ） (2024-10-14T04:47:16Z)
Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
論文参考訳（メタデータ） (2024-08-16T02:17:21Z)
Integrating Attentional Factors and Spacing in Logistic Knowledge Tracing Models to Explore the Impact of Training Sequences on Category Learning [37.80414603767789]
本研究は,ロジスティック・ナレッジ・トレーシング(LKT)モデルに注意要素とスペーシングを取り入れた新しい手法を提案する。その結果,AFM(Additive Factors Model)に注意要素とスペーシング特徴を組み込むことで,インターリービングとブロッキングの効果を捉える能力が著しく向上することが判明した。
論文参考訳（メタデータ） (2024-06-22T20:22:19Z)
Investigating the Generalizability of Physiological Characteristics of Anxiety [3.4036712573981607]
不安やストレスと高覚醒感情との関連が示された生理的特徴の一般化可能性を評価する。この研究は、心電図やEDA信号からストレスと覚醒を横断する最初のクロスコーパス評価であり、ストレス検出の一般化性に関する新たな発見に寄与した。
論文参考訳（メタデータ） (2024-01-23T16:49:54Z)
Measuring Cognitive Workload Using Multimodal Sensors [1.8582645184234494]
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。
論文参考訳（メタデータ） (2022-05-05T23:18:00Z)
3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文参考訳（メタデータ） (2021-12-18T17:05:53Z)
Feature Selection on Thermal-stress Dataset [3.885779089924737]
本研究では,熱ストレスデータであるANUstressDBから適切な特徴を選択することで,ストレス分類を改善することを目的とする。相関分析,等級測定,遺伝的アルゴリズムの3つの特徴選択手法について検討した。
論文参考訳（メタデータ） (2021-09-08T16:17:24Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
Correct block-design experiments mitigate temporal correlation bias in EEG classification [68.85562949901077]
[1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
論文参考訳（メタデータ） (2020-11-25T22:25:21Z)
GSR Analysis for Stress: Development and Validation of an Open Source Tool for Noisy Naturalistic GSR Data [0.0]
ガルバニック皮膚反応(Galvanic Skin Response、GSR)は、ストレスの指標の1つである。本稿では,GSR解析のためのオープンソースのツールを提案する。これは,学習アルゴリズムと統計アルゴリズムを併用して,ストレス検出のためのGSR特徴抽出を行う。その結果,10倍のクロスバリデーションを用いて,92%の精度で応力を検出することができることがわかった。
論文参考訳（メタデータ） (2020-05-04T20:40:39Z)
Accurate Stress Assessment based on functional Near Infrared Spectroscopy using Deep Learning Approach [0.0]
本研究では,10名の健常者から記録された脳の機能的近赤外分光法(fNIRS)を用いて,モントリオール・イメージング・ストレス・タスクによって引き起こされるストレスを評価する。実験の結果, トレーニングされたfNIRSモデルは, 88.52～0.77%の精度で応力分類を行うことがわかった。その低い計算コストは、リアルタイムのストレスアセスメントに適用される可能性を開く。
論文参考訳（メタデータ） (2020-02-14T23:55:08Z)

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。