Fugu-MT 論文翻訳(概要): Assessing Region-Level EEG Contributions to Cognitive Workload Prediction

論文の概要: Assessing Region-Level EEG Contributions to Cognitive Workload Prediction

arxiv url: http://arxiv.org/abs/2606.02598v1
Date: Sat, 23 May 2026 05:30:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-07 20:42:22.577146
Title: Assessing Region-Level EEG Contributions to Cognitive Workload Prediction
Title（参考訳）: 認知作業負荷予測への地域レベル脳波の寄与評価
Authors: Jacob Wong, Sohan Singh, Prannaya Gupta, Jin Xing Ang, Kritika Johari, U-Xuan Tan,
Abstract要約: 本稿では,脳波を用いたワークロード予測のための地域レベル評価フレームワークを提案する。公開されている4つのEEGワークロードデータセットに対して大規模な分析を行う。前頭電極群は、相対ランク位置において、フルスカルプベースラインを約15-20%上回る。
参考スコア（独自算出の注目度）: 2.3272219315163296
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate and generalizable estimation of cognitive workload from electroencephalography (EEG) is critical for human-centered and safety-critical systems. Although EEG is widely used for workload assessment, the consistency of region-level EEG contributions across tasks, datasets, and subjects remains unclear. This paper presents a region-level evaluation framework for EEG-based workload prediction in which models are trained and evaluated using features extracted exclusively from electrodes belonging to anatomically defined scalp regions. We perform a large-scale analysis across four publicly available EEG workload datasets spanning diverse task demands, recording hardware, and electrode montages. Region importance is quantified using a model-agnostic, performance-based approach under both mixed-subject and subject-independent evaluation protocols, with results aggregated using a rank-based strategy to ensure robustness across experimental configurations. Across all datasets and subject-independent evaluations, frontal electrode groups outperform the full-scalp baseline by approximately 15-20% in relative rank position while using substantially fewer electrodes. Fronto-central regions exhibit the most stable predictive utility, whereas posterior and occipital regions contribute less consistently across experimental conditions. These findings indicate that workload-relevant EEG information is most consistently retained within frontal and fronto-central electrode groups, supporting the design of efficient and generalizable EEG-based workload monitoring systems.
Abstract（参考訳）: 脳波検査(EEG)による認知負荷の正確で一般化可能な推定は、人中心・安全クリティカルシステムにおいて重要である。 EEGはワークロード評価に広く使用されているが、タスク、データセット、主題にわたる領域レベルのEEGコントリビューションの整合性は、まだ不明である。本稿では,解剖学的に定義された頭皮領域に属する電極から抽出した特徴をモデルとして,脳波を用いた負荷予測のための領域レベル評価フレームワークを提案する。我々は、さまざまなタスク要求、記録ハードウェア、電極モンタージュにまたがる4つの公開EEGワークロードデータセットを大規模に分析する。領域の重要度は、混合オブジェクトと主観非依存評価プロトコルの両方の下で、モデルに依存しない性能ベースのアプローチを用いて定量化され、実験的な構成間の堅牢性を確保するためにランクベースの戦略を用いて結果が集約される。すべてのデータセットおよび被検体非依存評価において、前頭電極群は、ほぼ少ない電極を使用しながら、相対ランク位置で約15～20%、フルスカルプベースラインを上回った。前頭葉中部は最も安定した予測ユーティリティを示しており、後頭葉領域と後頭葉領域は実験条件で連続的に寄与しない。これらの結果から, 作業負荷関連脳波情報は, 前頭葉電極群と前頭葉電極群に一貫して保持され, 効率的で一般化可能な脳波を用いた作業負荷モニタリングシステムの設計を支援することが示唆された。

関連論文リスト

A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-27T14:51:54Z)
NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces [24.672695443264995]
ファンデーションモデルは、下流タスクにまたがる一般化された表現を抽出することを約束する。 EEG固有のFMは、時系列FMを一貫して上回るものではない。現在のモデルは、まだ最初から統合されたEEGモデルの約束を達成していない。
論文参考訳（メタデータ） (2026-05-14T11:13:41Z)
A Swap-Adversarial Framework for Improving Domain Generalization in Electroencephalography-Based Parkinson's Disease Prediction [5.527305245660595]
パーキンソン病予測のための最初の再現可能なベンチマークである新しいデータセットを導入する。 6-ヒドロキシドパミン(6-OHDA)誘発ラットの長期ECoG記録から構築される。本研究では,高オブジェクト間変動と高次元低サンプルサイズ問題を緩和するSwarp-Adversarial Framework(SAF)を提案する。
論文参考訳（メタデータ） (2026-02-11T04:52:46Z)
Looking Beyond Accuracy: A Holistic Benchmark of ECG Foundation Models [0.3914676152740142]
本研究では、ファンデーションモデル(FM)のための詳細な総合的なベンチマークフレームワークを見つけることを目的とする。本稿では,性能評価を表現レベル解析で補完するベンチマーク手法を提案する。我々はまた、最先端技術によって事前訓練されたいくつかのECG専門的FMの広範な評価を行うための方法論にも依存している。
論文参考訳（メタデータ） (2026-01-29T15:14:00Z)
EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models [21.01911300951173]
EEGAgentは、大規模な言語モデル(LLM)を活用して、複数のツールをスケジュールし、計画し、EEG関連のタスクを自動的に完了させる汎用フレームワークである。 EEGAgentは、EEG基本的な情報認識、EEG探索、EEGイベント検出、ユーザとのインタラクション、EEGレポート生成といった重要な機能を実行することができる。これらの機能はパブリックデータセットで評価され、私たちのEEGAgentは柔軟で解釈可能なEEG分析をサポートできます。
論文参考訳（メタデータ） (2025-11-13T04:27:06Z)
Large Cognition Model: Towards Pretrained EEG Foundation Model [0.0]
多様な脳波データセットと下流タスクをまたいだ一般化を目的としたトランスフォーマーベース基盤モデルを提案する。本研究は, 神経科学, パーソナライズドメディカル, およびBCI技術の進歩を促進するための, 事前学習型脳波基盤モデルの可能性を明らかにするものである。
論文参考訳（メタデータ） (2025-02-11T04:28:10Z)
GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文参考訳（メタデータ） (2024-06-01T08:01:05Z)
Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文参考訳（メタデータ） (2023-12-31T16:01:48Z)
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)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。