Fugu-MT 論文翻訳(概要): Dynamic Difficulty Adjustment With Brain Waves as a Tool for Optimizing Engagement

論文の概要: Dynamic Difficulty Adjustment With Brain Waves as a Tool for Optimizing Engagement

arxiv url: http://arxiv.org/abs/2504.13965v1
Date: Thu, 17 Apr 2025 13:15:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 08:16:09.040011
Title: Dynamic Difficulty Adjustment With Brain Waves as a Tool for Optimizing Engagement
Title（参考訳）: エンゲージメント最適化ツールとしての脳波による動的難易度調整
Authors: Nir Cafri,
Abstract要約: 本研究では,脳波を用いた脳波モニタリングを用いて,バーチャルリアリティ(VR)ゲーム環境における動的難易度調整(DDA)を実現する。前頭脳波電極から導出されるタスクエンゲージメント指数(TEI)を用いて,最適なプレイヤーエンゲージメントを維持するために,ゲームチャレンジレベルをリアルタイムで調整する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This study explores the use of electroencephalography (EEG)-based brain wave monitoring to enable dynamic difficulty adjustment (DDA) in a virtual reality (VR) gaming environment. Using the Task Engagement Index (TEI) derived from frontal EEG electrodes, we adapt game challenge levels in real time to maintain optimal player engagement. In a within-subject design with six participants, we found that the DDA condition significantly increased engagement duration by 19.79% compared to a non-DDA control condition. These results suggest that combining EEG, DDA, and VR technologies can enhance user experience and has potential applications in adaptive learning, rehabilitation, and personalized interfaces.
Abstract（参考訳）: 本研究では,脳波を用いた脳波モニタリングを用いて,バーチャルリアリティ(VR)ゲーム環境における動的難易度調整(DDA)を実現する。前頭脳波電極から導出されるタスクエンゲージメント指数(TEI)を用いて,最適なプレイヤーエンゲージメントを維持するために,ゲームチャレンジレベルをリアルタイムで調整する。その結果, DDA 条件は非DDA 制御条件と比較して, 係留期間を19.79%増加させることがわかった。これらの結果から,脳波,DDA,VR技術を組み合わせることでユーザエクスペリエンスが向上し,適応学習,リハビリテーション,パーソナライズされたインターフェースに応用できる可能性が示唆された。

関連論文リスト

Enhancing Cochlear Implant Signal Coding with Scaled Dot-Product Attention [0.23408308015481666]
人工内耳(CI)は、重度から重度の感音難聴者に対する聴力回復において重要な役割を担っている。先進的なコンビネーションエンコーダ(ACE)のような従来のコーディング戦略は、有効であることが証明されているが、適応性と精度によって制約されている。本稿では,CIのための電図を生成するための深層学習(DL)技術について検討し,我々のモデルを先進的な代替手段として提示する。
論文参考訳（メタデータ） (2025-04-26T22:49:08Z)
Consumer-grade EEG-based Eye Tracking [0.0]
脳波による眼球運動追跡(EEG-ET)は、脳波信号の眼球運動アーチファクトをカメラによる追跡の代替として活用する。 EEG-ETは低照度環境での堅牢性や脳-コンピュータインタフェースとの統合性などの利点を提供する。脳波と視線追跡記録を同時生成したデータセットを116セッションで113名に分けて提示した。
論文参考訳（メタデータ） (2025-03-18T14:53:20Z)
Error-related Potential driven Reinforcement Learning for adaptive Brain-Computer Interfaces [0.0]
本研究では、強化学習(RL)を用いた適応型ErrPベースのBCI手法を提案する。 ErrPと運動画像を組み合わせたRL駆動適応フレームワークの実現可能性を示す。 RLエージェントはユーザインタラクションからコントロールポリシを学び、データセット間で堅牢なパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-02-25T19:27:51Z)
EEG Emotion Copilot: Optimizing Lightweight LLMs for Emotional EEG Interpretation with Assisted Medical Record Generation [12.707059419820848]
本稿では,脳波信号から直接感情状態を認識する脳波感情コパイロットについて述べる。その後、パーソナライズされた診断と治療の提案を生成し、最終的に支援された電子カルテの自動化をサポートする。提案手法は,医療分野における情動コンピューティングの適用を推し進めることが期待される。
論文参考訳（メタデータ） (2024-09-30T19:15:05Z)
On-device Learning of EEGNet-based Network For Wearable Motor Imagery Brain-Computer Interface [2.1710886744493263]
本稿では,ウェアラブルモータ画像認識のための軽量で効率的なオンデバイス学習エンジンを実装した。我々は,メモリフットプリントが15.6KByteのベースラインに対して,最大7.31%の顕著な精度向上を示した。我々の調整されたアプローチは、オンライントレーニング中に1回の推論で14.9ms、0.76mJ、1回の推測で20us、0.83uJの推論時間を示す。
論文参考訳（メタデータ） (2024-08-25T08:23:51Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
Force-Aware Interface via Electromyography for Natural VR/AR Interaction [69.1332992637271]
我々はVR/ARにおける自然的および直感的な力入力のための学習ベースのニューラルネットワークを設計する。我々は,3.3%の平均誤差で指の力量をリアルタイムでデコードし,キャリブレーションの少ない新規ユーザに一般化できることを実証した。今後のVR/ARにおける、より現実的な物理性に向けた研究を進めるために、我々の研究成果を期待する。
論文参考訳（メタデータ） (2022-10-03T20:51:25Z)
Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文参考訳（メタデータ） (2022-06-29T09:18:15Z)
An adaptive closed-loop ECoG decoder for long-term and stable bimanual control of an exoskeleton by a tetraplegic [91.6474995587871]
複雑なタスクに対する多様なエフェクタのハイパフォーマンス制御は、時間とともに堅牢で、デコーダの継続的な再校正なしに高いデコード性能でなければならない。適応型オンラインテンソルベースデコーダ「Recursive Exponentially Weighted Markov-Switching Multi-linear Model (REW-MSLM)」を開発した。復号器の再校正なしにREW-MSLMを用いて,外骨格と仮想アバターの8次元バイマニュアル制御の安定性を6ヶ月にわたって実証した。
論文参考訳（メタデータ） (2022-01-25T16:51:29Z)
Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
論文参考訳（メタデータ） (2021-06-03T08:35:10Z)
Facial Electromyography-based Adaptive Virtual Reality Gaming for Cognitive Training [5.033176361795483]
認知トレーニングの文献でよく引用される2つの問題は、トレーニングプログラムへのユーザエンゲージメントの欠如と、日々の生活を一般化するための発達したスキルの欠如である。本稿では,これらの2つの制約に対処するために,新しい認知訓練(CT)パラダイムを導入する。顔の筋電図(EMG)は、CTタスクに携わる際のユーザへの影響を判断する手段として用いられる。この情報は、ユーザがプレイする際のゲームの難易度を動的に調整するために利用され、フロー状態に導くことを目的としている。
論文参考訳（メタデータ） (2020-04-27T10:01:52Z)
EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning [46.3327842128563]
本研究では、深部Q-ラーニングを用いて、模擬耐久運転テスト中に得られた脳波データセットを分析することを提案する。運転テストにおける用語を強化学習フレームワークに適合させ,Q-ラーニングタスクの最適化として眠気推定問題を定式化する。その結果、トレーニングされたモデルでは、脳波データに対して十分な方法で精神状態の変動を追跡できることがわかった。
論文参考訳（メタデータ） (2020-01-08T07:10:03Z)

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。