論文の概要: CLARE: Cognitive Load Assessment in REaltime with Multimodal Data
- arxiv url: http://arxiv.org/abs/2404.17098v1
- Date: Fri, 26 Apr 2024 01:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 14:14:08.142323
- Title: CLARE: Cognitive Load Assessment in REaltime with Multimodal Data
- Title（参考訳）: CLARE:マルチモーダルデータを用いたリアルタイムの認知的負荷評価
- Authors: Anubhav Bhatti, Prithila Angkan, Behnam Behinaein, Zunayed Mahmud, Dirk Rodenburg, Heather Braund, P. James Mclellan, Aaron Ruberto, Geoffery Harrison, Daryl Wilson, Adam Szulewski, Dan Howes, Ali Etemad, Paul Hungler,
- Abstract要約: このデータセットには、自己報告された認知負荷スコアを持つ24人の被験者の生理的および視力的なデータが含まれている。
このデータセットは、心電図(ECG)、心電図(EDA)、脳波(EEG)、迷路追跡の4つのモードから構成される。
データセットには,2つの異なる評価スキームに基づく機械学習モデルとディープラーニングモデルを用いたベンチマークバイナリ分類結果も提供する。
- 参考スコア（独自算出の注目度）: 15.552693461575126
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a novel multimodal dataset for Cognitive Load Assessment in REaltime (CLARE). The dataset contains physiological and gaze data from 24 participants with self-reported cognitive load scores as ground-truth labels. The dataset consists of four modalities, namely, Electrocardiography (ECG), Electrodermal Activity (EDA), Electroencephalogram (EEG), and Gaze tracking. To map diverse levels of mental load on participants during experiments, each participant completed four nine-minutes sessions on a computer-based operator performance and mental workload task (the MATB-II software) with varying levels of complexity in one minute segments. During the experiment, participants reported their cognitive load every 10 seconds. For the dataset, we also provide benchmark binary classification results with machine learning and deep learning models on two different evaluation schemes, namely, 10-fold and leave-one-subject-out (LOSO) cross-validation. Benchmark results show that for 10-fold evaluation, the convolutional neural network (CNN) based deep learning model achieves the best classification performance with ECG, EDA, and Gaze. In contrast, for LOSO, the best performance is achieved by the deep learning model with ECG, EDA, and EEG.
- Abstract（参考訳）: 本稿では,Realtime(CLARE)における認知負荷評価のための新しいマルチモーダルデータセットを提案する。
このデータセットには、自己報告された認知負荷スコアを持つ24人の被験者の生理的および視力的なデータが含まれている。
このデータセットは、心電図(ECG)、心電図(EDA)、脳波(EEG)、迷路追跡の4つのモードから構成される。
実験参加者のメンタルロードのさまざまなレベルをマッピングするために、参加者はコンピュータベースのオペレーターのパフォーマンスとメンタルワークロードタスク(MATB-IIソフトウェア)の4つの9分間のセッションを完了した。
実験中、参加者は認知負荷を10秒毎に報告した。
データセットには、機械学習とディープラーニングモデルによるベンチマークバイナリ分類結果、すなわち10倍と1桁のオブジェクトアウト(LOSO)クロスバリデーションの2つの異なる評価スキームも提供します。
ベンチマークの結果から、畳み込みニューラルネットワーク(CNN)に基づくディープラーニングモデルでは、ECG、EDA、Gazeで最高の分類性能が得られることが示された。
対照的に、LOSOでは、ECG、EDA、EEGを用いたディープラーニングモデルによって、最高のパフォーマンスが達成されます。
関連論文リスト
- Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load
Measurement: Dataset and Baselines [20.22894459715378]
本稿では,新しいドライバ認知負荷評価データセットCL-Driveを紹介する。
データは、没入型車両シミュレーターで運転中に21人の被験者から収集された。
各ドライバーは、実験を通して10秒ごとに主観的認知負荷を報告した。
論文 参考訳（メタデータ） (2023-04-09T16:35:31Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Self-supervised representation learning from 12-lead ECG data [2.2691593216516868]
臨床12誘導心電図(ECG)データの短い部分からの自己監督的表現学習の包括的評価を行った。
本研究では,コンピュータビジョン (simclr, byol, swav) と音声 (cpc) による最先端の自己教師付き学習アルゴリズムの適応について検討する。
最適性能評価手法であるCPCでは、線形評価性能は教師付き性能よりわずか0.8%低い。
論文 参考訳（メタデータ） (2021-03-23T16:50:39Z) - Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for
Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。
本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。
このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文 参考訳（メタデータ） (2021-02-21T18:19:49Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - A Deep Neural Network for SSVEP-based Brain-Computer Interfaces [3.0595138995552746]
脳-コンピュータインターフェース(BCI)のスペルのターゲット識別(英: Target Identification)とは、被験者がスペルを意図したターゲット特性を予測する脳波分類(EEG)を指す。
この設定では、ターゲット同定に対処し、新しいディープニューラルネットワーク(DNN)アーキテクチャを提案する。
提案したDNNは、マルチチャネルSSVEPを、ハーモニック、チャンネル、時間、および完全に接続された層で分類されたサブバンド間の畳み込みで処理する。
論文 参考訳（メタデータ） (2020-11-17T11:11:19Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - 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) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。