論文の概要: Decoding Fatigue Levels of Pilots Using EEG Signals with Hybrid Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2411.09707v1
• Date: Wed, 30 Oct 2024 23:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 06:02:01.461640
• Title: Decoding Fatigue Levels of Pilots Using EEG Signals with Hybrid Deep Neural Networks
• Title（参考訳）: ハイブリッドディープニューラルネットワークを用いた脳波信号を用いたパイロットの疲労レベルの復号
• Authors: Dae-Hyeok Lee, Sung-Jin Kim, Si-Hyun Kim,
• Abstract要約: 本研究は, 異なる疲労レベルを分類するために深層学習技術を用いることの可能性を示した。 私たちの知る限りでは、パイロットの疲労レベルを分類するのはこれが初めてです。 実験には10人のパイロットが参加し、模擬飛行環境で行われた。
• 参考スコア（独自算出の注目度）: 3.4068841624198942
• License:
• Abstract: The detection of pilots' mental states is critical, as abnormal mental states have the potential to cause catastrophic accidents. This study demonstrates the feasibility of using deep learning techniques to classify different fatigue levels, specifically a normal state, low fatigue, and high fatigue. To the best of our knowledge, this is the first study to classify fatigue levels in pilots. Our approach employs the hybrid deep neural network comprising five convolutional blocks and one long short-term memory block to extract the significant features from electroencephalography signals. Ten pilots participated in the experiment, which was conducted in a simulated flight environment. Compared to four conventional models, our proposed model achieved a superior grand-average accuracy of 0.8801, outperforming other models by at least 0.0599 in classifying fatigue levels. In addition to successfully classifying fatigue levels, our model provided valuable feedback to subjects. Therefore, we anticipate that our study will make the significant contributions to the advancement of autonomous flight and driving technologies, leveraging artificial intelligence in the future.
• Abstract（参考訳）: 異常な精神状態が破滅的な事故を引き起こす可能性があるため、パイロットの精神状態の検出は極めて重要である。 本研究は, 異なる疲労レベル, 特に正常状態, 低疲労, 高疲労を分類するために, 深層学習技術を用いることの可能性を示す。 私たちの知る限りでは、パイロットの疲労レベルを分類するのはこれが初めてです。 本手法では5つの畳み込みブロックと1つの長期記憶ブロックからなるハイブリッドディープニューラルネットワークを用いて脳波信号から重要な特徴を抽出する。 実験には10人のパイロットが参加し、模擬飛行環境で行われた。 従来の4モデルと比較して, 提案モデルでは, 疲労レベルを0.0599以上, より優れたグランド平均精度0.8801を達成している。 疲労レベルを分類するのに加えて,本モデルは被験者に貴重なフィードバックを提供した。 そこで本研究では,将来,人工知能を活用した自律飛行・運転技術の進歩に重要な貢献を期待する。

関連論文リスト

• Predicting cognitive load in immersive driving scenarios with a hybrid CNN-RNN model [14.447227532284321]
  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。
  論文  参考訳（メタデータ） (2024-07-24T04:08:59Z)
• Decoding EEG-based Workload Levels Using Spatio-temporal Features Under Flight Environment [29.9928699910032]
  本研究は,異なる作業負荷レベルを分類する深層学習技術の導入の可能性について紹介する。 我々の知る限りでは、この研究はパイロットの負荷レベルを分類する最初の試みである。
  論文  参考訳（メタデータ） (2023-11-10T08:47:19Z)
• F$^2$AT: Feature-Focusing Adversarial Training via Disentanglement of Natural and Perturbed Patterns [74.03108122774098]
  ディープニューラルネットワーク(DNN)は、よく設計された摂動によって構築された敵の例に対して脆弱である。 これは、自動運転車、監視セキュリティ、医療診断などの重要な応用について、悲惨な結果をもたらす可能性がある。 本稿では,自然パターンから中心となる特徴に焦点を合わせ,モデルに焦点をあてる機能集中型適応訓練(F$2$AT)を提案する。
  論文  参考訳（メタデータ） (2023-10-23T04:31:42Z)
• Classification of Distraction Levels Using Hybrid Deep Neural Networks From EEG Signals [3.5665681694253903]
  この研究は、飛行環境下での障害レベルを分類する最初の試みである。 合計10人のパイロットが模擬飛行環境で実験を行った。 大平均値の精度は0.8437であり、全被験者で障害レベルを分類した。
  論文  参考訳（メタデータ） (2022-12-13T07:02:24Z)
• Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
  先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。 本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2022-09-09T13:45:27Z)
• Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
  ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。 我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。 DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
  論文  参考訳（メタデータ） (2022-04-14T22:06:21Z)
• Benign Overfitting in Two-layer Convolutional Neural Networks [90.75603889605043]
  2層畳み込みニューラルネットワーク(CNN)の訓練における良性過剰適合現象の検討 信号対雑音比が一定の条件を満たすと、勾配降下により訓練された2層CNNが任意に小さな訓練と試験損失を達成できることを示す。 一方、この条件が保たない場合、オーバーフィッティングは有害となり、得られたCNNは一定レベルのテスト損失しか達成できない。
  論文  参考訳（メタデータ） (2022-02-14T07:45:51Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Understanding Cognitive Fatigue from fMRI Scans with Self-supervised Learning [0.0]
  本稿では, 認知疲労の状態を, 不快感から極度の疲労状態まで, 6つのレベルに分けることを提案する。 我々は,空間的特徴抽出に畳み込みニューラルネットワーク(CNN)を用い,4次元fMRIスキャンの時間的モデリングに長寿命メモリ(LSTM)ネットワークを構築した。 本手法は,fMRIデータから認知疲労を解析するための最先端技術を確立し,従来の手法に勝ってこの問題を解決する。
  論文  参考訳（メタデータ） (2021-06-28T22:38:51Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。