論文の概要: Physiologically Grounded Driver Behavior Classification: SHAP-Driven Elite Feature Selection and Hybrid Gradient Boosting for Multimodal Physiological Signals

• arxiv url: http://arxiv.org/abs/2605.05120v1
• Date: Wed, 06 May 2026 16:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.946003
• Title: Physiologically Grounded Driver Behavior Classification: SHAP-Driven Elite Feature Selection and Hybrid Gradient Boosting for Multimodal Physiological Signals
• Title（参考訳）: 生理的接地運転行動分類:SHAP駆動の要素特徴選択と多モード生理信号に対するハイブリッド勾配ブースティング
• Abstract要約: 同期脳波 (EEG) , 筋電図 (EMG) , ガルバニック皮膚反応 (GSR) 信号を含む多モーダル運転行動データセットを用いた。 我々はSHAPベースのエリート機能選択を採用し、予測力を保ちながら計算オーバーヘッドを低減するために上位250の機能を保持します。 提案したアンサンブルは、テスト精度80.91%、マクロF1スコア0.79を達成し、単一のモダリティベースラインと従来の機械学習モデルを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 3.4057682528839237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An interpretable and scalable framework for decoding driving behaviors from multimodal physiological signals is proposed in this study. We utilize multimodal physiological driving behavior large-scale dataset comprising synchronized electroencephalogram (EEG), electromyography (EMG), and galvanic skin response (GSR) signals. Our approach involves rigorous preprocessing followed by a domain-specific feature extraction pipeline targeting time-domain, frequency-domain, and derived physiological indices. To address high dimensionality, we employ SHAP-based elite feature selection, retaining the top 250 features to reduce computational overhead while preserving predictive power. Hyperparameter optimization for extreme gradient boosting (XGBoost) and light gradient boosting machine (LightGBM) models is conducted using Bayesian optimization via Optuna. Finally, a weighted soft-voting ensemble is constructed to leverage the complementary strengths of both gradient boosting frameworks. The results demonstrate that the proposed ensemble achieves a test accuracy of 80.91% and a macro-F1 score of 0.79, significantly outperforming single-modality baselines and traditional machine learning models. Ablation studies confirm an 8% performance gain over the best single modality (EEG), validating the necessity of multimodal fusion. SHAP analysis further validates the physiological plausibility of the model, revealing that the EEG contributes the majority of predictive weight, GSR and EMG features provide critical discriminatory signals for high-arousal and motor-intensive maneuvers.
• Abstract（参考訳）: 本研究では,多モード生理信号から駆動動作を復号化するための解釈可能かつスケーラブルなフレームワークを提案する。 同期脳波 (EEG) , 筋電図 (EMG) , ガルバニック皮膚反応 (GSR) 信号からなる大規模データセットを用いた多モード運転行動解析を行った。 本手法では, 時間領域, 周波数領域, 生理学的指標を対象とする, ドメイン固有の特徴抽出パイプラインの厳密な前処理を行う。 高次元性に対処するために、私たちはSHAPベースのエリート特徴選択を採用し、予測力を保ちながら計算オーバーヘッドを低減するために上位250の特徴を保持します。 極勾配昇降機(XGBoost)と光勾配昇降機(LightGBM)のハイパーパラメータ最適化は,オプトゥーナを経由したベイズ最適化を用いて行う。 最後に、両方の勾配促進フレームワークの相補的な強度を活用するために、重み付き軟式発声アンサンブルを構築した。 その結果,提案アンサンブルの精度は80.91%,マクロF1スコアは0.79であり,単一モードベースラインや従来の機械学習モデルよりも優れていた。 アブレーション研究では、最高の単一モダリティ(EEG)よりも8%の性能向上が確認され、マルチモーダル核融合の必要性が検証された。 SHAP分析はモデルの生理的妥当性をさらに検証し、脳波が予測重量の大部分に寄与していること、GSRとEMGの特徴が高覚醒的および運動集約的な操作に重要な識別信号を提供することを明らかにした。

関連論文リスト

• Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations [42.091774598477706]
  脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:54:16Z)
• Exploring the Relationships Between Physiological Signals During Automated Fatigue Detection [3.7033123545674758]
  生理的信号を用いた疲労検出は、輸送、医療、パフォーマンス監視といった領域において重要である。 本研究は,信号対間の統計的関係を調べ,分類ロバスト性を改善する。 EMG EEGの組み合わせによるXGBoostは最高のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-09-26T02:49:44Z)
• Graph-Based Spatio-temporal Attention and Multi-Scale Fusion for Clinically Interpretable, High-Fidelity Fetal ECG Extraction [3.5236401979395833]
  先天性心疾患 (CHD) が最も一般的な新生児の異常であり、早期発見が早期発見の必要性を浮き彫りにしている。 しかし,腹壁心電図(aECG)の胎児心電図(fECG)信号は母体心電図やノイズによって隠蔽されることが多く,低信号-雑音比(SNR)条件下での従来の手法に挑戦する。 本稿では,グラフニューラルネットワークとマルチスケール拡張トランスフォーマを統合し,動的にリード間相関をモデル化し,クリーンなfECG信号を抽出する深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T19:44:21Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• 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)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Towards Robust and Accurate Myoelectric Controller Design based on Multi-objective Optimization using Evolutionary Computation [0.22835610890984162]
  我々は、カーネル化されたSVM分類器を考慮し、エネルギー効率の良いEMGベースのコントローラを設計する手法を提案している。 EMGをベースとした制御器の最適化性能を達成するため,分類器設計の主な戦略は,システム全体の誤動作を低減することである。 エリート的多目的進化アルゴリズムの$-$は、非支配的なソート遺伝的アルゴリズムNSGA-II (Non-dominated sorting genetic algorithm II) であり、SVMのハイパーパラメータをチューニングするために使われている。
  論文  参考訳（メタデータ） (2022-04-02T06:13:01Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。