論文の概要: Mental Workload Estimation with Electroencephalogram Signals by
Combining Multi-Space Deep Models
- arxiv url: http://arxiv.org/abs/2308.02409v2
- Date: Tue, 12 Mar 2024 12:25:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 01:52:41.093270
- Title: Mental Workload Estimation with Electroencephalogram Signals by
Combining Multi-Space Deep Models
- Title（参考訳）: 多空間深層モデルを用いた脳波信号によるメンタルワークロード推定
- Authors: Hong-Hai Nguyen, Ngumimi Karen Iyortsuun, Seungwon Kim, Hyung-Jeong
Yang, and Soo-Hyung Kim
- Abstract要約: 精神活動は日常的なプロセスであり、過負荷として知られる脳が過度に活動すると、人間の健康に悪影響を及ぼす可能性がある。
本稿では,メンタルワークロードを3つの状態(低,中,高)に分類し,メンタルワークロードレベルの連続性を推定する。
本手法は,複数の空間次元からの情報を活用し,心的推定において最適な結果を得る。
- 参考スコア（独自算出の注目度）: 13.054897887317342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The human brain remains continuously active, whether an individual is working
or at rest. Mental activity is a daily process, and if the brain becomes
excessively active, known as overload, it can adversely affect human health.
Recently, advancements in early prediction of mental health conditions have
emerged, aiming to prevent serious consequences and enhance the overall quality
of life. Consequently, the estimation of mental status has garnered significant
attention from diverse researchers due to its potential benefits. While various
signals are employed to assess mental state, the electroencephalogram,
containing extensive information about the brain, is widely utilized by
researchers. In this paper, we categorize mental workload into three states
(low, middle, and high) and estimate a continuum of mental workload levels. Our
method leverages information from multiple spatial dimensions to achieve
optimal results in mental estimation. For the time domain approach, we employ
Temporal Convolutional Networks. In the frequency domain, we introduce a novel
architecture based on combining residual blocks, termed the Multi-Dimensional
Residual Block. The integration of these two domains yields significant results
compared to individual estimates in each domain. Our approach achieved a 74.98%
accuracy in the three-class classification, surpassing the provided data
results at 69.00%. Specially, our method demonstrates efficacy in estimating
continuous levels, evidenced by a corresponding Concordance Correlation
Coefficient (CCC) result of 0.629. The combination of time and frequency domain
analysis in our approach highlights the exciting potential to improve
healthcare applications in the future.
- Abstract（参考訳）: 人間の脳は、働くか休んでいるかにかかわらず、継続的に活動する。
精神活動は日常的なプロセスであり、過負荷として知られる脳が過度に活動すると、人間の健康に悪影響を及ぼす可能性がある。
近年,精神状態の早期予測の進歩が出現し,深刻な結果の防止と生活の質の向上が目指されている。
その結果、精神状態の推定は、その潜在的な利益のために、様々な研究者から大きな注目を集めている。
様々な信号が精神状態を評価するために用いられる一方で、脳に関する広範な情報を含む脳波は研究者によって広く利用されている。
本稿では,メンタルワークロードを3つの状態(低,中,高)に分類し,メンタルワークロードレベルの連続性を推定する。
本手法は,複数の空間次元からの情報を活用し,知的推定に最適な結果を得る。
時間領域アプローチでは、時間的畳み込みネットワークを採用しています。
周波数領域では,多次元残差ブロックと呼ばれる残差ブロックを結合した新しいアーキテクチャを導入する。
これら2つのドメインの統合は、各ドメインの個々の見積もりと比較して大きな結果をもたらす。
提案手法は3クラス分類において74.98%の精度を達成し,結果の69.00%を上回った。
特に本手法は, 0.629の一致相関係数 (concordance correlation coefficient, ccc) の結果から, 連続レベル推定における有効性を示す。
われわれのアプローチにおける時間と周波数領域の分析の組み合わせは、将来医療応用を改善するエキサイティングな可能性を強調している。
関連論文リスト
- Cross-subject Brain Functional Connectivity Analysis for Multi-task Cognitive State Evaluation [16.198003101055264]
本研究は脳機能と脳波信号とを併用し,複数の被験者の脳領域の関連性を把握し,リアルタイム認知状態を評価する。
分析と評価のために30件の被験者が取得され, 内的対象, 対人的対象, ジェンダー的基盤となる脳機能接続など, さまざまな視点で解釈される。
論文 参考訳（メタデータ） (2024-08-27T12:51:59Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - A Self-supervised Framework for Improved Data-Driven Monitoring of
Stress via Multi-modal Passive Sensing [7.084068935028644]
ストレス応答の生理的前駆体を追跡するための多モード半教師付きフレームワークを提案する。
本手法は,ウェアラブルデバイスと異なる領域と解像度のマルチモーダルデータの利用を可能にする。
実世界のデータのコーパスを用いて、知覚的ストレスに関するトレーニング実験を行う。
論文 参考訳（メタデータ） (2023-03-24T20:34:46Z) - Modeling cognitive load as a self-supervised brain rate with
electroencephalography and deep learning [2.741266294612776]
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。
論文 参考訳（メタデータ） (2022-09-21T07:44:21Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics
of Functional Connectivity [9.015698823470899]
空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。
我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。
その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
論文 参考訳（メタデータ） (2021-09-07T14:23:34Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳（メタデータ） (2020-02-29T18:49:45Z)
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。