論文の概要: Affective State Detection using fNIRs and Machine Learning
- arxiv url: http://arxiv.org/abs/2402.18241v1
- Date: Wed, 28 Feb 2024 11:12:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 15:13:39.292758
- Title: Affective State Detection using fNIRs and Machine Learning
- Title(参考訳): fNIRと機械学習による影響状態検出
- Authors: Ritam Ghosh
- Abstract要約: そこで本研究では,9つの被験者を対象とする実験を行い,想い,娯楽,認知負荷の情緒的状態について考察した。
その結果,認知負荷の予測精度は,他の2つのクラスよりも高かった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Affective states regulate our day to day to function and has a tremendous
effect on mental and physical health. Detection of affective states is of
utmost importance for mental health monitoring, smart entertainment selection
and dynamic workload management. In this paper, we discussed relevant
literature on affective state detection using physiology data, the benefits and
limitations of different sensors and methods used for collecting physiology
data, and our rationale for selecting functional near-infrared spectroscopy. We
present the design of an experiment involving nine subjects to evoke the
affective states of meditation, amusement and cognitive load and the results of
the attempt to classify using machine learning. A mean accuracy of 83.04% was
achieved in three class classification with an individual model; 84.39%
accuracy was achieved for a group model and 60.57% accuracy was achieved for
subject independent model using leave one out cross validation. It was found
that prediction accuracy for cognitive load was higher (evoked using a pen and
paper task) than the other two classes (evoked using computer bases tasks). To
verify that this discrepancy was not due to motor skills involved in the pen
and paper task, a second experiment was conducted using four participants and
the results of that experiment has also been presented in the paper.
- Abstract(参考訳): 影響のある状態は、私たちの日々の働きを規制し、精神と身体の健康に大きな影響を与えます。
感情状態の検出は、メンタルヘルスモニタリング、スマートエンタテインメントの選択、動的ワークロード管理において最も重要である。
本稿では,生理学データを用いた情動状態検出に関する文献,生理学データ収集に用いるセンサの利点と限界,機能近赤外分光法を選択するための理論的根拠について論じる。
本研究では,9つの被験者を対象とする実験を設計し,想い,娯楽,認知負荷の情緒的状態と機械学習を用いた分類の試みを行った。
個人モデルによる3つの分類では平均83.04%の精度が達成され、グループモデルでは84.39%の精度が達成され、被験者独立モデルでは60.57%の精度がleaf one out cross validationを用いて達成された。
その結果、認知負荷の予測精度は、他の2つのクラス(コンピュータベースタスク)よりも高い(ペンと紙タスク)。
ペン・紙作業に関わる運動能力に起因したものではないことを確認するため,第2の実験を4名の被験者を用いて実施し,実験結果も発表している。
関連論文リスト
- Deep Learning for Time Series Classification of Parkinson's Disease Eye
Tracking Data [0.0]
我々は、現在最先端のディープラーニングアルゴリズムを用いて、ササード実験による視線追跡データを用いて、パーキンソン病の分類を行う。
モデルが分類課題を学習し、未知の対象に一般化できることが判明した。
論文 参考訳(メタデータ) (2023-11-28T00:03:18Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a
Computational Approach [63.67533153887132]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳(メタデータ) (2023-11-16T07:22:56Z) - A Novel Loss Function Utilizing Wasserstein Distance to Reduce
Subject-Dependent Noise for Generalizable Models in Affective Computing [0.4818210066519976]
感情は人間の行動の重要な部分であり、思考、意思決定、コミュニケーションスキルに影響を与える可能性がある。
感情を正確に監視し識別する能力は、行動訓練、感情的幸福の追跡、人間とコンピュータのインターフェイスの開発など、多くの人間中心のアプリケーションで有用である。
論文 参考訳(メタデータ) (2023-08-17T01:15:26Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall
Activity Annotations from Wearable Sensors [79.57744087902266]
そこで本研究では,Wildデータに着目した4つのアノテーション手法を比較した。
本研究は,異なるラベル付け手法がアノテーションの品質に直接影響を及ぼすことを示す。
アクティビティダイアログと可視化ツールを組み合わせることで,参加者のアクティビティデータを検査し,ラベル付けすることができる。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳(メタデータ) (2023-01-19T12:33:50Z) - Analyzing Wearables Dataset to Predict ADLs and Falls: A Pilot Study [0.0]
本稿では,日常の生活と転倒の行動を認識するシステムの評価に使用できる,30のウェアラブルベースのデータセットを網羅的にレビューする。
5つの機械学習手法を用いたSisFallデータセットの比較分析をピソンで行う。
本研究から得られた結果は,KNNが他の機械学習手法よりも精度,精度,リコールの点で優れていることを証明している。
論文 参考訳(メタデータ) (2022-09-11T04:41:40Z) - Objective Prediction of Tomorrow's Affect Using Multi-Modal
Physiological Data and Personal Chronicles: A Study of Monitoring College
Student Well-being in 2020 [0.0]
本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。
1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。
その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
論文 参考訳(メタデータ) (2022-01-26T23:06:20Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳(メタデータ) (2021-10-19T11:45:01Z) - Bayesian Active Learning for Wearable Stress and Affect Detection [0.7106986689736827]
デバイス上での深層学習アルゴリズムによるストレス検出は、広汎なコンピューティングの進歩により増加傾向にある。
本稿では,ベイズニューラルネットワークの近似によるモデル不確実性を表現可能なフレームワークを提案する。
提案手法は, 提案手法により, 推定時の効率を著しく向上し, 獲得したプール点数がかなり少なくなる。
論文 参考訳(メタデータ) (2020-12-04T16:19:37Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳(メタデータ) (2020-05-02T06:41:20Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳(メタデータ) (2020-04-05T13:46:16Z)
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。