論文の概要: NeuroPilot: A Realtime Brain-Computer Interface system to enhance concentration of students in online learning
- arxiv url: http://arxiv.org/abs/2510.20958v2
- Date: Tue, 28 Oct 2025 00:13:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 13:20:32.867623
- Title: NeuroPilot: A Realtime Brain-Computer Interface system to enhance concentration of students in online learning
- Title（参考訳）: NeuroPilot: オンライン学習における生徒の集中度を高めるリアルタイム脳-コンピュータインタフェースシステム
- Authors: Asif Islam, Farhan Ishtiaque, Md. Muhyminul Haque, Farhana Sarker, Ravi Vaidyanathan, Khondaker A. Mamun,
- Abstract要約: オンライン学習の普及は,学生の集中度をリアルタイムにモニタリングする上で重要な課題となっている。
既存のBrain-Computer Interface (BCI)システムにはリアルタイムの検証と評価手順がない。
リアルタイムフィードバックの有効性を評価するパイロット実験を行った。
- 参考スコア（独自算出の注目度）: 1.9924753257966206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of online learning poses a vital challenge in real-time monitoring of students' concentration. Traditional methods such as questionnaire assessments require manual intervention, and webcam-based monitoring fails to provide accurate insights about learners' mental focus as it is deceived by mere screen fixation without cognitive engagement. Existing BCI-based approaches lack real-time validation and evaluation procedures. To address these limitations, a Brain-Computer Interface (BCI) system is developed using a non-invasive Electroencephalogram (EEG) headband, FocusCalm, to record brainwave activity under attentive and non-attentive states. 20 minutes of data were collected from each of 20 participants watching a pre-recorded educational video. The data validation employed a novel intra-video questionnaire assessment. Subsequently, collected signals were segmented (sliding window), filtered (Butterworth bandpass), and cleaned (removal of high- amplitude and EOG artifacts such as eye blinks). Time, frequency, wavelet, and statistical features were extracted, followed by recursive feature elimination (RFE) with support vector machines (SVMs) to classify attention and non-attention states. The leave-one-subject-out (LOSO) cross-validation accuracy was found to be 88.77%. The system provides feedback alerts upon detection of a non-attention state and maintains focus profile logs. A pilot study was conducted to evaluate the effectiveness of real-time feedback. Five participants underwent a 10-minute session comprising a 5-minute baseline phase devoid of feedback, succeeded by a 5-minute feedback phase, during which alerts were activated if participants exhibited inattention for approximately 8 consecutive seconds. A paired t-test (t = 5.73, p = 0.007) indicated a statistically significant improvement in concentration during the feedback phase.
- Abstract（参考訳）: オンライン学習の普及は,学生の集中度をリアルタイムにモニタリングする上で重要な課題となっている。
質問紙評価のような従来の手法では手動による介入が必要であり、ウェブカメラによるモニタリングでは、学習者の精神的焦点に関する正確な洞察が得られない。
既存のBCIベースのアプローチには、リアルタイムの検証と評価手順が欠けている。
これらの制限に対処するため、脳-コンピュータインタフェース(BCI)システムは非侵襲脳波ヘッドバンドであるFocusCalmを用いて、注意状態および非注意状態下での脳波活動を記録する。
事前に録画された教育ビデオを見ている20人の参加者から20分間のデータを収集した。
データ検証は、新しい映像内アンケートを用いた。
その後、収集した信号はセグメンテーション(スライディングウインドウ)、フィルター(バタワース・バンドパス)、クリーニング(高振幅とアイリンクなどのEOGアーティファクトの除去)された。
時間, 周波数, ウェーブレット, 統計的特徴を抽出し, その後, サポートベクターマシン(SVM)を用いた再帰的特徴除去(RFE)を行い, 注意状態と非注意状態の分類を行った。
leave-one-subject-out (LOSO) のクロスバリデーション精度は88.77%であった。
このシステムは、非アテンション状態の検出時にフィードバックアラートを提供し、フォーカスプロファイルログを維持する。
リアルタイムフィードバックの有効性を評価するパイロット実験を行った。
5分間のフィードバックを欠いた5分間のベースラインフェーズからなる10分間のセッションを5分間のフィードバックフェーズで実施した。
対のt-テスト (t = 5.73, p = 0.007) は、フィードバック相における濃度の統計的に有意な改善を示した。
関連論文リスト
- Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Multi-Transfer Learning Techniques for Detecting Auditory Brainstem
Response [4.023511716339818]
聴覚性脳幹反応(ABR)検査の不正確な評価は、聴覚神経系の完全性に関する誤った判断につながる可能性がある。
本研究では, 伝達学習(TL)を用いた深層学習モデルを提案し, ABRテストから特徴を抽出し, サポートベクタマシン(SVM)を用いた聴力損失の診断を行った。
提案手法の精度,精度,リコール,幾何平均(GM),標準偏差(SD),標準偏差(SD)の6つの測定値を用いて,提案モデルの有効性を測定した。
論文 参考訳（メタデータ） (2023-08-29T10:40:12Z) - Vision-based Estimation of Fatigue and Engagement in Cognitive Training
Sessions [9.018775341716305]
本研究では,リアルタイムな心的疲労をモニタリングするための新しいリカレントビデオトランス (RVT) 手法を開発し,検証する。
RVTモデルは最先端のバイナリモデルと比較して高いバランスの取れた精度(78%)と精度(0.82)を達成した。
論文 参考訳（メタデータ） (2023-04-24T21:58:14Z) - Can gamification reduce the burden of self-reporting in mHealth
applications? A feasibility study using machine learning from smartwatch data
to estimate cognitive load [8.48141991380649]
デジタル治療の有効性は、患者が応用を通して自分の状態を自己申告することを要求することで測定することができる。
私たちは影響を調べるために研究を行っている。
認知負荷の自己申告に関するギャミフィケーション。
論文 参考訳（メタデータ） (2023-02-07T17:21:51Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - 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) - EEG-based Classification of Drivers Attention using Convolutional Neural
Network [0.0]
本研究は、参加者の脳活動に基づいて訓練された注意分類器の性能を比較した。
審美的フィードバック下で得られた生脳波データに基づいて訓練したCNNモデルは,89%の精度を達成できた。
この結果から,CNNおよび生脳波信号は受動的BCIの訓練に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-08-23T10:55:52Z) - Anticipatory Detection of Compulsive Body-focused Repetitive Behaviors
with Wearables [10.815538874892919]
身体に焦点を合わせた反復行動(BFRB)は、早期に特定されて治療を受けなければ、その外見を損なう可能性がある。
そこで本研究では,BFRBの検出に動き,向き,心拍数センサを併用した多感覚アプローチを提案する。
論文 参考訳（メタデータ） (2021-06-21T10:45:29Z) - 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。