論文の概要: Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines

• arxiv url: http://arxiv.org/abs/2304.04273v2
• Date: Thu, 21 Dec 2023 04:39:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 19:22:40.175846
• Title: Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines
• Title（参考訳）: 車両内ドライバ認知負荷計測のためのマルチモーダル脳-コンピュータインタフェース:データセットとベースライン
• Authors: Prithila Angkan, Behnam Behinaein, Zunayed Mahmud, Anubhav Bhatti, Dirk Rodenburg, Paul Hungler and Ali Etemad
• Abstract要約: 本稿では,新しいドライバ認知負荷評価データセットCL-Driveを紹介する。 データは、没入型車両シミュレーターで運転中に21人の被験者から収集された。 各ドライバーは、実験を通して10秒ごとに主観的認知負荷を報告した。
• 参考スコア（独自算出の注目度）: 20.22894459715378
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Through this paper, we introduce a novel driver cognitive load assessment dataset, CL-Drive, which contains Electroencephalogram (EEG) signals along with other physiological signals such as Electrocardiography (ECG) and Electrodermal Activity (EDA) as well as eye tracking data. The data was collected from 21 subjects while driving in an immersive vehicle simulator, in various driving conditions, to induce different levels of cognitive load in the subjects. The tasks consisted of 9 complexity levels for 3 minutes each. Each driver reported their subjective cognitive load every 10 seconds throughout the experiment. The dataset contains the subjective cognitive load recorded as ground truth. In this paper, we also provide benchmark classification results for different machine learning and deep learning models for both binary and ternary label distributions. We followed 2 evaluation criteria namely 10-fold and leave-one-subject-out (LOSO). We have trained our models on both hand-crafted features as well as on raw data.
• Abstract（参考訳）: 本稿では、心電図(ECG)や心電図(EDA)などの他の生理的信号とともに、眼球追跡データとともに脳波(EEG)信号を含む新しいドライバ認知負荷評価データセットCL-Driveを紹介する。 対象者の認知負荷の異なるレベルを誘発するために, 様々な運転条件において, 没入車シミュレータで運転中, 被験者21名から収集した。 作業は3分ごとに9つの複雑性レベルで構成された。 各ドライバーは実験中10秒ごとに主観的認知負荷を報告した。 データセットは、基底真理として記録された主観的認知負荷を含む。 本稿では,二項ラベル分布と三項ラベル分布の両方に対して,異なる機械学習モデルとディープラーニングモデルのためのベンチマーク分類結果を提供する。 評価基準は10倍, LOSO (Left-one-subject-out) の2つであった。 我々は手作りの機能と生データの両方でモデルを訓練しました。

関連論文リスト

• Predicting cognitive load in immersive driving scenarios with a hybrid CNN-RNN model [14.447227532284321]
  本稿では,1次元畳み込みニューラルネットワークとリカレントニューラルネットワークを組み合わせて認知負荷を予測するハイブリッドニューラルネットワークを提案する。 実験的な再調査により,提案モデルではパラメータが少ないと精度が99.82%から99.99%に向上することが示された。
  論文  参考訳（メタデータ） (2024-07-24T04:08:59Z)
• CLARE: Cognitive Load Assessment in REaltime with Multimodal Data [15.552693461575126]
  このデータセットには、自己報告された認知負荷スコアを持つ24人の被験者の生理的および視力的なデータが含まれている。 このデータセットは、心電図(ECG)、心電図(EDA)、脳波(EEG)、迷路追跡の4つのモードから構成される。 データセットには,2つの異なる評価スキームに基づく機械学習モデルとディープラーニングモデルを用いたベンチマークバイナリ分類結果も提供する。
  論文  参考訳（メタデータ） (2024-04-26T01:17:06Z)
• 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)
• Estimating Driver Personality Traits from On-Road Driving Data [1.4330510916280879]
  本稿では,運転支援システムにおける運転データを用いた運転者の心理的特徴の推定に焦点をあてる。 本研究では,認知機能,心理的運転スタイル,作業負荷感などのドライバの心理的特徴を推定するモデルを構築した。
  論文  参考訳（メタデータ） (2023-02-09T20:46:46Z)
• 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)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• 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)
• Brain-based control of car infotainment [0.0]
  本稿では,自動車のインフォテインメントメニューを制御するために,イベント関連電位(ERP)をランダムな実験パラダイムで誘導する,BCI(Brain-Computer Interface)を提案する。 対象特定モデルは、ターゲット刺激と非ターゲット刺激に対する脳波応答を分類するために、異なる機械学習アプローチで訓練された。 実験室内トレーニングセットと車内トレーニングセットのCAと,これらの条件における脳波反応の統計的差異は認められなかった。
  論文  参考訳（メタデータ） (2020-04-24T20:32:05Z)

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。