論文の概要: Distinguishing Startle from Surprise Events Based on Physiological Signals

• arxiv url: http://arxiv.org/abs/2509.09799v1
• Date: Thu, 11 Sep 2025 19:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.898952
• Title: Distinguishing Startle from Surprise Events Based on Physiological Signals
• Title（参考訳）: 生理的信号に基づくサプライズイベントからのスタートルの除去
• Authors: Mansi Sharma, Alexandre Duchevet, Florian Daiber, Jean-Paul Imbert, Maurice Rekrut,
• Abstract要約: 我々は,機械学習とマルチモーダル融合戦略を用いて,生理的信号に基づくスムーズ事象とサプライズ事象を同定する。 以上の結果から,これらの事象はSVMとレイトフュージョンで85.7%の精度で予測可能であることが示唆された。 XGBoostとレイトフュージョンで平均74.9%の精度でスタート状態,サプライズ状態,ベースライン状態の差別化に成功したベースライン条件を含むように評価を拡張した。
• 参考スコア（独自算出の注目度）: 44.17042547618593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unexpected events can impair attention and delay decision-making, posing serious safety risks in high-risk environments such as aviation. In particular, reactions like startle and surprise can impact pilot performance in different ways, yet are often hard to distinguish in practice. Existing research has largely studied these reactions separately, with limited focus on their combined effects or how to differentiate them using physiological data. In this work, we address this gap by distinguishing between startle and surprise events based on physiological signals using machine learning and multi-modal fusion strategies. Our results demonstrate that these events can be reliably predicted, achieving a highest mean accuracy of 85.7% with SVM and Late Fusion. To further validate the robustness of our model, we extended the evaluation to include a baseline condition, successfully differentiating between Startle, Surprise, and Baseline states with a highest mean accuracy of 74.9% with XGBoost and Late Fusion.
• Abstract（参考訳）: 予期せぬ出来事は注意を損ね、意思決定を遅らせ、航空のようなリスクの高い環境で深刻な安全リスクを生じさせる。 特に、スタートルやサプライズのような反応はパイロットのパフォーマンスに異なる影響を与える可能性があるが、実際には区別が難しいことが多い。 既存の研究は、これらの反応を別々に研究しており、それらの組み合わせの効果や、生理的データを用いてこれらの反応を区別する方法に限定されている。 本研究では, 機械学習とマルチモーダル融合戦略を用いて, 生理的信号に基づいて, 突発事象と突発事象を区別することにより, このギャップを解消する。 以上の結果から,これらの事象はSVMとレイトフュージョンで85.7%の精度で予測可能であることが示唆された。 XGBoostとレイトフュージョンで平均74.9%の精度でスタート状態,サプライズ状態,ベースライン状態の差別化に成功したベースライン条件を含むように評価を拡張した。

関連論文リスト

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
  本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
  論文  参考訳（メタデータ） (2023-02-28T13:17:56Z)
• Robustness Evaluation of Regression Tasks with Skewed Domain Preferences [3.42658286826597]
  我々は同時に2つのカプセル化問題に対処する。 まず、一様でない選好が適用される場合の回帰モデルの性能を評価する。 第二に、そのような問題に関連する実際の値の分布に関する不確実性を扱う際のモデルの堅牢性を評価する。
  論文  参考訳（メタデータ） (2022-12-15T00:37:41Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)

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。