論文の概要: Wearable Device-Based Physiological Signal Monitoring: An Assessment Study of Cognitive Load Across Tasks
- arxiv url: http://arxiv.org/abs/2406.07147v1
- Date: Tue, 11 Jun 2024 10:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 16:25:09.117808
- Title: Wearable Device-Based Physiological Signal Monitoring: An Assessment Study of Cognitive Load Across Tasks
- Title（参考訳）: ウェアラブルデバイスを用いた生理信号モニタリング:タスク間の認知負荷の評価
- Authors: Ling He, Yanxin Chen, Wenqi Wang, Shuting He, Xiaoqiang Hu,
- Abstract要約: 本研究では、最先端のウェアラブル監視技術を用いて、高精度で時間分解能の高い認知負荷評価を行う。
この研究は、SVS学生の認知負荷の評価における応用価値と、様々なタスクにまたがる有用性について考察した。
- 参考スコア（独自算出の注目度）: 6.673424334358673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study employs cutting-edge wearable monitoring technology to conduct high-precision, high-temporal-resolution cognitive load assessment on EEG data from the FP1 channel and heart rate variability (HRV) data of secondary vocational students(SVS). By jointly analyzing these two critical physiological indicators, the research delves into their application value in assessing cognitive load among SVS students and their utility across various tasks. The study designed two experiments to validate the efficacy of the proposed approach: Initially, a random forest classification model, developed using the N-BACK task, enabled the precise decoding of physiological signal characteristics in SVS students under different levels of cognitive load, achieving a classification accuracy of 97%. Subsequently, this classification model was applied in a cross-task experiment involving the National Computer Rank Examination, demonstrating the method's significant applicability and cross-task transferability in diverse learning contexts. Conducted with high portability, this research holds substantial theoretical and practical significance for optimizing teaching resource allocation in secondary vocational education, as well as for cognitive load assessment methods and monitoring. Currently, the research findings are undergoing trial implementation in the school.
- Abstract（参考訳）: 本研究では、最先端ウェアラブルモニタリング技術を用いて、FP1チャネルからの脳波データと二次職業学生(SVS)の心拍変動(HRV)データに基づいて、高精度で時間分解能の高い認知負荷評価を行う。
これら2つの重要な生理指標を共同で分析することにより、SVS学生の認知負荷の評価と様々なタスクにおける有用性について、その応用価値を考察する。
当初、N-BACKタスクを用いて開発されたランダム森林分類モデルにより、認知負荷の異なるSVS学生の生理的信号特性の正確な復号化が可能となり、分類精度は97%に達した。
その後、この分類モデルは、国家コンピュータランク試験を含むクロスタスク実験に応用され、多様な学習文脈における方法の有意な適用性とクロスタスクの伝達性を実証した。
高可搬性で実施される本研究は、二次職業教育における資源配分の指導を最適化するための理論的・実践的意義と、認知的負荷評価方法とモニタリングのための意義を有している。
研究成果は、現在、同校で試行中である。
関連論文リスト
- A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - EEG-based Cognitive Load Classification using Feature Masked
Autoencoding and Emotion Transfer Learning [13.404503606887715]
脳波(EEG)を用いた認知負荷の新しい分類法を提案する。
感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。
実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-08-01T02:59:19Z) - Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。
最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文 参考訳（メタデータ） (2023-07-28T14:51:09Z) - Using EEG Signals to Assess Workload during Memory Retrieval in a
Real-world Scenario [3.9763527484363292]
本研究では,参加者の典型的なオフィス作業における記憶負荷と脳波の関係について検討した。
脳波帯パワー、相互情報、コヒーレンスを機械学習モデルを訓練し、高いメモリ負荷状態と低いメモリ負荷状態の分類に利用した。
論文 参考訳（メタデータ） (2023-05-14T02:01:54Z) - Deployment of Image Analysis Algorithms under Prevalence Shifts [6.373765910269204]
領域ギャップは、医療画像解析のための機械学習(ML)ベースのソリューションの臨床的翻訳において、最も関連する障害の一つである。
そこで本研究では,トレーニング済みの分類器を新しい環境に適応させるために,推定したデプロイメントの頻度を利用して精度の高い画像分類を行うワークフローを提案する。
論文 参考訳（メタデータ） (2023-03-22T13:16:37Z) - 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) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Measuring Cognitive Workload Using Multimodal Sensors [1.8582645184234494]
本研究の目的は,マルチモーダルセンシングと機械学習を用いて認知負荷を推定する指標のセットを特定することである。
課題難易度(易度と難度)の2段階において,12名の被験者の認知負荷を誘発する3つの認知テストを実施した。
論文 参考訳（メタデータ） (2022-05-05T23:18:00Z) - Evaluation of Interpretability for Deep Learning algorithms in EEG
Emotion Recognition: A case study in Autism [4.752074022068791]
説明可能な人工知能(XAI)に関する現在のモデルでは、特徴関連性を測定するための信頼性の欠如が明らかで定量化されている。
この研究は、脳波に基づく顔の感情認識を成功させるために、より透明な特徴関連計算を統合する最初のものである。
論文 参考訳（メタデータ） (2021-11-25T18:28:29Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z)
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。