論文の概要: EEG-based Cognitive Load Classification using Feature Masked
Autoencoding and Emotion Transfer Learning
- arxiv url: http://arxiv.org/abs/2308.00246v1
- Date: Tue, 1 Aug 2023 02:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 15:40:56.510263
- Title: EEG-based Cognitive Load Classification using Feature Masked
Autoencoding and Emotion Transfer Learning
- Title（参考訳）: 特徴マスク型自動エンコーディングと感情伝達学習を用いた脳波に基づく認知負荷分類
- Authors: Dustin Pulver, Prithila Angkan, Paul Hungler, and Ali Etemad
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.404503606887715
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cognitive load, the amount of mental effort required for task completion,
plays an important role in performance and decision-making outcomes, making its
classification and analysis essential in various sensitive domains. In this
paper, we present a new solution for the classification of cognitive load using
electroencephalogram (EEG). Our model uses a transformer architecture employing
transfer learning between emotions and cognitive load. We pre-train our model
using self-supervised masked autoencoding on emotion-related EEG datasets and
use transfer learning with both frozen weights and fine-tuning to perform
downstream cognitive load classification. To evaluate our method, we carry out
a series of experiments utilizing two publicly available EEG-based emotion
datasets, namely SEED and SEED-IV, for pre-training, while we use the CL-Drive
dataset for downstream cognitive load classification. The results of our
experiments show that our proposed approach achieves strong results and
outperforms conventional single-stage fully supervised learning. Moreover, we
perform detailed ablation and sensitivity studies to evaluate the impact of
different aspects of our proposed solution. This research contributes to the
growing body of literature in affective computing with a focus on cognitive
load, and opens up new avenues for future research in the field of cross-domain
transfer learning using self-supervised pre-training.
- Abstract（参考訳）: 認知的負荷(Cognitive Load)は、タスク完了に必要な精神的な労力の量であり、パフォーマンスと意思決定の成果において重要な役割を果たし、その分類と分析は様々な敏感な領域において不可欠である。
本稿では,脳波(eeg)を用いた認知負荷分類のための新しい解法を提案する。
本モデルでは,感情と認知負荷の伝達学習を用いたトランスフォーマーアーキテクチャを用いる。
感情関連脳波データセットの自己教師付きマスク自動エンコーディングと,凍った重みと微調整を併用した転送学習を用いて,下流の認知負荷分類を行う。
本手法を評価するために,脳波を用いた2つの感情データセット(SEEDとSEED-IV)を用いて事前学習を行い,CL-Driveデータセットを下流認知負荷分類に用いる。
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。
さらに,提案手法の異なる側面の影響を評価するため,詳細なアブレーションと感度の研究を行った。
本研究は,認知負荷に着目した情緒コンピューティングにおける文学の発展に寄与し,自己教師付き事前学習を用いたクロスドメイントランスファー学習の分野における新たな研究道を開く。
関連論文リスト
- A Supervised Information Enhanced Multi-Granularity Contrastive Learning Framework for EEG Based Emotion Recognition [14.199298112101802]
本研究では,脳波に基づく感情認識(SICLEER, Supervised Info-enhanced Contrastive Learning)のための新しいコントラスト学習フレームワークを提案する。
自己教師付きコントラスト学習損失と教師付き分類損失を組み合わせた共同学習モデルを提案する。
論文 参考訳（メタデータ） (2024-05-12T11:51:00Z) - Emotion Recognition Using Transformers with Masked Learning [7.650385662008779]
本研究では、視覚変換器(ViT)と変換器(Transformer)のモデルを用いて、Valence-Arousal(VA)の推定に焦点をあてる。
このアプローチは、従来の畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ベースのメソッドを超越し、新しいTransformerベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-19T12:26:53Z) - Multimodal Visual-Tactile Representation Learning through
Self-Supervised Contrastive Pre-Training [0.850206009406913]
MViTacは、コントラスト学習を利用して視覚と触覚を自己指導的に統合する新しい手法である。
両方の感覚入力を利用することで、MViTacは学習表現のモダリティ内およびモダリティ間損失を利用して、材料特性の分類を強化し、より適切な把握予測を行う。
論文 参考訳（メタデータ） (2024-01-22T15:11:57Z) - Using i-vectors for subject-independent cross-session EEG transfer
learning [2.384393656668996]
認知負荷分類は、脳波(EEG)などの生理学的指標に基づいて、作業中の記憶資源の活用を自動的に判定するタスクである。
本稿では,この問題に対処するために,音声処理のツールや方法論を用いる,学際的なアプローチに従う。
我々が使用しているコーパスは2021年に、クロスセッションのワークロード推定に関する最初の受動的脳-コンピュータインターフェースコンペティションの一部として公開された。
論文 参考訳（メタデータ） (2024-01-16T21:56:27Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。
最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文 参考訳（メタデータ） (2023-07-28T14:51:09Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z) - 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) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z) - Self-supervised ECG Representation Learning for Emotion Recognition [25.305949034527202]
我々は心電図に基づく感情認識のための自己教師型深層マルチタスク学習フレームワークを利用する。
提案手法は,完全教師付き学習を用いて学習したネットワークと比較して,性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2020-02-04T17:15:37Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。