Fugu-MT 論文翻訳(概要): Hybrid Deep Learning Model to Estimate Cognitive Effort from fNIRS Signals

論文の概要: Hybrid Deep Learning Model to Estimate Cognitive Effort from fNIRS Signals

arxiv url: http://arxiv.org/abs/2504.13883v3
Date: Tue, 28 Oct 2025 17:05:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-29 20:04:43.733609
Title: Hybrid Deep Learning Model to Estimate Cognitive Effort from fNIRS Signals
Title（参考訳）: fNIRS信号からの認知力推定のためのハイブリッドディープラーニングモデル
Authors: Shayla Sharmin, Roghayeh Leila Barmaki,
Abstract要約: 本研究では,ハイブリッドDeepNetモデルを用いて,機能的近赤外分光データと性能スコアに基づく認知的努力を推定する。本研究では,教育用クイズゲームにおいて,機能的近赤外分光法を用いて酸素化ヘモグロビンを採取した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study estimates cognitive effort based on functional near-infrared spectroscopy data and performance scores using a hybrid DeepNet model. The estimation of cognitive effort enables educators to modify material to enhance learning effectiveness and student engagement. In this study, we collected oxygenated hemoglobin using functional near-infrared spectroscopy during an educational quiz game. Participants (n=16) responded to 16 questions in a Unity-based educational game, each within a 30-second response time limit. We used DeepNet models to predict the performance score from the oxygenated hemoglobin, and compared traditional machine learning and DeepNet models to determine which approach provides better accuracy in predicting performance scores. The result shows that the proposed CNN-GRU gives better performance with 73% than other models. After the prediction, we used the predicted score and the oxygenated hemoglobin to observe cognitive effort by calculating relative neural efficiency and involvement in our test cases. Our result shows that even with moderate accuracy, the predicted cognitive effort closely follow the actual trends. This findings can be helpful in designing and improving learning environments and provide valuable insights into learning materials.
Abstract（参考訳）: 本研究では,ハイブリッドDeepNetモデルを用いて,機能的近赤外分光データと性能スコアに基づく認知的努力を推定する。認知活動の推定により、教育者は教材を変更でき、学習効率と学生のエンゲージメントを高めることができる。本研究では,教育用クイズゲームにおいて,機能的近赤外分光法を用いて酸素化ヘモグロビンを採取した。参加者(n=16)は、Unityベースの教育ゲームで16の質問に答えた。我々は、酸素化ヘモグロビンのパフォーマンススコアを予測するためにDeepNetモデルを使用し、従来の機械学習モデルとDeepNetモデルを比較して、パフォーマンススコアを予測する上で、どのアプローチがより良い精度を提供するかを判断した。その結果,提案したCNN-GRUは,他のモデルよりも73%高い性能を示した。また, 予測スコアと酸素化ヘモグロビンを用いて, 相対的神経効率とテストケースへの関与を計算し, 認知活動の観察を行った。その結果, 予測された認知活動は, 適度な精度でも, 実際の傾向に密接に従っていることが明らかとなった。この発見は、学習環境の設計と改善に役立ち、学習材料に関する貴重な洞察を提供するのに役立つ。

関連論文リスト

Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks [2.195766695109612]
本研究では,学生のパフォーマンスを正確に予測できるニューラルネットワークに基づく新しいアプローチを提案する。提案したモデルは、識別、フェイル、パス、ウィズドローのカテゴリでの結果を予測する。その結果,提案手法の予測精度は既存の最先端技術よりも約25%高いことがわかった。
論文参考訳（メタデータ） (2024-12-08T13:37:30Z)
A Comparative Study of Hybrid Models in Health Misinformation Text Classification [0.43695508295565777]
本研究では、オンラインソーシャルネットワーク(OSN)上での新型コロナウイルス関連誤情報検出における機械学習(ML)モデルとディープラーニング(DL)モデルの有効性を評価する。本研究は, 従来のMLアルゴリズムよりも, DLおよびハイブリッドDLモデルの方が, OSN上の新型コロナウイルスの誤情報を検出するのに有効であることが示唆された。
論文参考訳（メタデータ） (2024-10-08T19:43:37Z)
Forecasting Lithium-Ion Battery Longevity with Limited Data Availability: Benchmarking Different Machine Learning Algorithms [3.4628430044380973]
この研究は、従来の機械学習とディープラーニングの両方で、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較することを目的としている。統計的データに基づいて手工芸品を投入した14種類の機械学習モデルについて検討した。深層学習モデルは、特に生の限られたデータに対して不適切な性能を示すことが観察された。
論文参考訳（メタデータ） (2023-12-10T00:51:50Z)
Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
学びアクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。能動学習問題の対称性と独立性を利用した新しい分類法を提案する。私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文参考訳（メタデータ） (2023-09-11T14:16:37Z)
Evaluating raw waveforms with deep learning frameworks for speech emotion recognition [0.0]
特徴抽出段階なしで生のオーディオファイルをディープニューラルネットワークに直接供給するモデルを表現する。 EMO-DB、RAVDESS、TESS、CREMA、SAVEE、TESS+RAVDESSの6つのデータセットを使用します。提案モデルは,CNNモデルによるEMO-DBの精度90.34%,RAVDESSの精度90.42%,LSTMモデルによるTESSの精度99.48%,CNNモデルによるCREMAの精度69.72%,CNNモデルによるSAVEEの精度85.76%,の精度90.34%を実行する。
論文参考訳（メタデータ） (2023-07-06T07:27:59Z)
Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T05:44:06Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Training Deep Neural Networks with Constrained Learning Parameters [4.917317902787792]
ディープラーニングタスクのかなりの部分はエッジコンピューティングシステムで実行される。我々は, Combinatorial Neural Network Training Algorithm (CNNTrA)を提案する。 CoNNTrAは、MNIST、Iris、ImageNetデータセット上で、第三次学習パラメータでディープラーニングモデルをトレーニングする。以上の結果から,CNNTrAモデルはメモリを32倍に削減し,バックプロパゲーションモデルと同程度の誤差を有することがわかった。
論文参考訳（メタデータ） (2020-09-01T16:20:11Z)
RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr [60.07531696857743]
事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。 RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
論文参考訳（メタデータ） (2020-07-07T11:27:43Z)

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。