論文の概要: Predicting cognitive load in immersive driving scenarios with a hybrid CNN-RNN model
- arxiv url: http://arxiv.org/abs/2408.06350v1
- Date: Wed, 24 Jul 2024 04:08:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 03:57:10.757097
- Title: Predicting cognitive load in immersive driving scenarios with a hybrid CNN-RNN model
- Title（参考訳）: ハイブリッドCNN-RNNモデルによる没入運転シナリオの認知負荷予測
- Authors: Mehshan Ahmed Khan, Houshyar Asadi, Mohammad Reza Chalak Qazani, Adetokunbo Arogbonlo, Saeid Nahavandi, Chee Peng Lim,
- Abstract要約: 本稿では,1次元畳み込みニューラルネットワークとリカレントニューラルネットワークを組み合わせて認知負荷を予測するハイブリッドニューラルネットワークを提案する。
実験的な再調査により,提案モデルではパラメータが少ないと精度が99.82%から99.99%に向上することが示された。
- 参考スコア（独自算出の注目度）: 14.447227532284321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One debatable issue in traffic safety research is that cognitive load from sec-ondary tasks reduces primary task performance, such as driving. Although physiological signals have been extensively used in driving-related research to assess cognitive load, only a few studies have specifically focused on high cognitive load scenarios. Most existing studies tend to examine moderate or low levels of cognitive load In this study, we adopted an auditory version of the n-back task of three levels as a cognitively loading secondary task while driving in a driving simulator. During the simultaneous execution of driving and the n-back task, we recorded fNIRS, eye-tracking, and driving behavior data to predict cognitive load at three different levels. To the best of our knowledge, this combination of data sources has never been used before. Un-like most previous studies that utilize binary classification of cognitive load and driving in conditions without traffic, our study involved three levels of cognitive load, with drivers operating in normal traffic conditions under low visibility, specifically during nighttime and rainy weather. We proposed a hybrid neural network combining a 1D Convolutional Neural Network and a Recurrent Neural Network to predict cognitive load. Our experimental re-sults demonstrate that the proposed model, with fewer parameters, increases accuracy from 99.82% to 99.99% using physiological data, and from 87.26% to 92.02% using driving behavior data alone. This significant improvement highlights the effectiveness of our hybrid neural network in accurately pre-dicting cognitive load during driving under challenging conditions.
- Abstract（参考訳）: 交通安全研究における問題のひとつは、セカンダリタスクからの認知負荷が、運転などの主要なタスク性能を低下させることである。
認知負荷を評価するための運転関連研究に生理的信号が広く用いられているが、認知負荷のシナリオに特に焦点を絞った研究はごくわずかである。
既存のほとんどの研究では、運転シミュレーターで運転中に認知負荷二次課題として3段階のn-backタスクの聴覚バージョンを採用した。
運転とn-backタスクの同時実行中に、認知負荷を3つの異なるレベルで予測するために、fNIRS、視線追跡、運転行動データを記録した。
我々の知る限りでは、このデータソースの組み合わせは今までに一度も使われていない。
従来の認知負荷のバイナリ分類や、交通のない環境での運転などとは違って、3段階の認知負荷を伴い、特に夜間や雨時など、視界の低い通常の交通条件下で運転するドライバが動作していた。
我々は,1次元畳み込みニューラルネットワークとリカレントニューラルネットワークを組み合わせたハイブリッドニューラルネットワークを提案し,認知負荷を予測する。
実験的な再調査により,提案モデルではパラメータが少なく,生理的データを用いて99.82%から99.99%,運転行動データだけで87.26%から92.02%に精度が向上した。
この大幅な改善は、困難条件下での運転時の認知負荷を正確に予測する上で、ハイブリッドニューラルネットワークの有効性を強調します。
関連論文リスト
- Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles [2.099922236065961]
本研究では,混合交通におけるHDV-AV,AV-HDV,HDV-HDVの自動車追従挙動について検討した。
本稿では,車追従動作を速度的に予測するための,データ駆動型知識蒸留ニューラルネットワーク(KDNN)モデルを提案する。
論文 参考訳（メタデータ） (2024-11-08T14:57:59Z) - From Data-Fitting to Discovery: Interpreting the Neural Dynamics of
Motor Control through Reinforcement Learning [3.6159844753873087]
足の移動を行う仮想ロボットの構造的神経活動について検討した。
歩行訓練されたエンボディードエージェントは、タングリングを避けるスムーズなダイナミックスを示す。
論文 参考訳（メタデータ） (2023-05-18T16:52:27Z) - 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) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳（メタデータ） (2022-11-16T20:00:38Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Modeling cognitive load as a self-supervised brain rate with
electroencephalography and deep learning [2.741266294612776]
本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。
脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。
学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
論文 参考訳（メタデータ） (2022-09-21T07:44:21Z) - What's on your mind? A Mental and Perceptual Load Estimation Framework
towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。
これらの測定値の融合により、心的および知覚的負荷レベルを分類する。
我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
論文 参考訳（メタデータ） (2022-08-10T21:19:49Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - Artificial Neural Variability for Deep Learning: On Overfitting, Noise
Memorization, and Catastrophic Forgetting [135.0863818867184]
人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。
ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。
過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
論文 参考訳（メタデータ） (2020-11-12T06:06:33Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
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。