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
- Auto Detecting Cognitive Events Using Machine Learning on Pupillary Data [0.0]
瞳孔の大きさは認知作業負荷の貴重な指標であり、自律神経系によって支配される注意の変化と覚醒を反映している。
本研究では、機械学習を用いて個人が経験した認知イベントを自動的に検出する可能性について検討する。
論文 参考訳(メタデータ) (2024-10-18T04:54:46Z) - 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) - Path-Specific Causal Reasoning for Fairness-aware Cognitive Diagnosis [45.935488572673215]
我々は,学生の感性的属性を排除するために,新しいパス特化因果推論フレームワーク(PSCRF)を設計する。
実世界のデータセット(例えば、PISAデータセット)に対する大規模な実験は、提案したPSCRFの有効性を実証する。
論文 参考訳(メタデータ) (2024-06-05T08:47:30Z) - Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。
最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。
以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
論文 参考訳(メタデータ) (2024-05-27T13:26:34Z) - 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) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。
実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - 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) - 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。