論文の概要: Decoding EEG-based Workload Levels Using Spatio-temporal Features Under
Flight Environment
- arxiv url: http://arxiv.org/abs/2312.09423v1
- Date: Fri, 10 Nov 2023 08:47:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:24:07.627260
- Title: Decoding EEG-based Workload Levels Using Spatio-temporal Features Under
Flight Environment
- Title(参考訳): 時空間特徴を用いた飛行環境下での脳波に基づくワークロードレベルの復号
- Authors: Dae-Hyeok Lee, Sung-Jin Kim, Si-Hyun Kim, Seong-Whan Lee
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.9928699910032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of pilots' mental states is important due to the potential for
their abnormal mental states to result in catastrophic accidents. This study
introduces the feasibility of employing deep learning techniques to classify
different workload levels, specifically normal state, low workload, and high
workload. To the best of our knowledge, this study is the first attempt to
classify workload levels of pilots. Our approach involves the hybrid deep
neural network that consists of five convolutional blocks and one long
short-term memory block to extract the significant features from
electroencephalography signals. Ten pilots participated in the experiment,
which was conducted within the simulated flight environment. In contrast to
four conventional models, our proposed model achieved a superior grand--average
accuracy of 0.8613, surpassing other conventional models by at least 0.0597 in
classifying workload levels across all participants. Our model not only
successfully classified workload levels but also provided valuable feedback to
the participants. Hence, we anticipate that our study will make the significant
contributions to the advancement of autonomous flight and driving leveraging
artificial intelligence technology in the future.
- Abstract(参考訳): 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重要である。
本研究は,作業負荷レベル,特に正常状態,低負荷,高負荷など,さまざまな作業負荷レベルを分類するためのディープラーニング技術の適用可能性について紹介する。
私たちの知る限りでは、この研究はパイロットのワークロードレベルを分類する最初の試みです。
脳波信号から重要な特徴を抽出するために、5つの畳み込みブロックと1つの長い短期記憶ブロックからなるハイブリッドディープニューラルネットワークを用いる。
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。
従来の4つのモデルとは対照的に,提案モデルは0.8613の精度が向上し,全参加者の作業負荷レベルを分類する上で,従来のモデルよりも0.0597以上向上した。
私たちのモデルは、ワークロードレベルをうまく分類するだけでなく、参加者に貴重なフィードバックを与えました。
したがって、我々の研究は、自律飛行の進歩と将来人工知能技術を活用した運転に重要な貢献を期待する。
関連論文リスト
- 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) - Flying Quadrotors in Tight Formations using Learning-based Model Predictive Control [30.715469693232492]
本研究では、第一原理モデリングとデータ駆動アプローチの利点を組み合わせたフレームワークを提案する。
このモデルを新しい学習ベースの予測モデル制御フレームワークに組み込むことで、性能が大幅に向上することを示す。
また,本フレームワークは,46秒の飛行データのみを用いて,例外的なサンプル効率を実現している。
論文 参考訳(メタデータ) (2024-10-13T05:03:16Z) - Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-03-14T14:23:23Z) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳(メタデータ) (2023-10-28T10:19:55Z) - Contrastive Initial State Buffer for Reinforcement Learning [25.849626996870526]
強化学習(Reinforcement Learning)では、探究と搾取のトレードオフは、限られたサンプルから効率的な学習を実現するための複雑な課題となる。
本稿では,過去の経験から状態を戦略的に選択し,エージェントを環境に初期化するContrastive Initial State Bufferの概念を紹介する。
環境に関する事前情報に頼ることなく、2つの複雑なロボットタスクに対するアプローチを検証する。
論文 参考訳(メタデータ) (2023-09-18T13:26:40Z) - Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。
複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。
実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文 参考訳(メタデータ) (2023-06-27T17:58:39Z) - Classification of Distraction Levels Using Hybrid Deep Neural Networks
From EEG Signals [3.5665681694253903]
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。
論文 参考訳(メタデータ) (2022-12-13T07:02:24Z) - Hierarchical Skills for Efficient Exploration [70.62309286348057]
強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。
下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。
教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-20T22:29:32Z) - 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) - Adversarial Training is Not Ready for Robot Learning [55.493354071227174]
対人訓練は,ノルム有界摂動に耐性のあるディープラーニングモデルを訓練する有効な方法である。
敵訓練により得られたニューラルコントローラが3種類の欠陥を受けることを理論的および実験的に示す。
この結果から, ロボット学習にはまだ対応できていないことが示唆された。
論文 参考訳(メタデータ) (2021-03-15T07:51:31Z) - Autoregressive Knowledge Distillation through Imitation Learning [70.12862707908769]
我々は,知識蒸留における模倣学習の観点から駆動される自己回帰モデルに対する圧縮手法を開発した。
本手法は,シーケンスレベルの知識蒸留など,他の蒸留アルゴリズムより一貫して優れている。
また,本手法を訓練した学生は,スクラッチからトレーニングした生徒よりも1.4~4.8BLEU/ROUGEポイント高く,教師モデルと比較して推論速度を最大14倍に向上させた。
論文 参考訳(メタデータ) (2020-09-15T17:43:02Z)
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。