論文の概要: A comparative and critical study of EEGNet for fNIRS-driven cognitive load classification

• arxiv url: http://arxiv.org/abs/2606.16160v1
• Date: Mon, 15 Jun 2026 03:20:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.052814
• Title: A comparative and critical study of EEGNet for fNIRS-driven cognitive load classification
• Title（参考訳）: fNIRSによる認知負荷分類のためのEEGNetの比較および批判的研究
• Authors: Mehshan Ahmed Khan, Houshyar Asadi, Li Zhang, Mohammad reza Chalak Qazani, Ghazal Bargshady, Stefanos gkikas, Christian arzate, Sam Oladazimi, Zoran Najdovsk, Lei Wei, Chee Peng Lim,
• Abstract要約: 機能近赤外分光(fNIRS)信号から正確な認知負荷の分類は依然として重要な課題である。 本研究は、fNIRSに基づく認知負荷分類のためのEEGNetを包括的に評価する。
• 参考スコア（独自算出の注目度）: 13.599505214902058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately classifying cognitive load from functional near-infrared spectroscopy (fNIRS) signals remains a significant challenge due to temporal variability, inter-subject differences, and sensitivity to preprocessing choices. This study provides a comprehensive evaluation of EEGNet for fNIRS-based cognitive load classification by systematically examining the effects of temporal segmentation strategies (overlapping vs. non-overlapping), window lengths (10s, 20s, 30s), feature extraction methods (Analysis of Variance (ANOVA), Principal Component Analysis (PCA), Fast Independent Component Analysis (FastICA)), learning rate configurations (fixed and adaptive), and evaluation protocols (random split vs. subject-independent (SI)). Results from random-split experiments show that overlapping segmentation, combined with smaller fixed learning rates (0.01-0.001), yields the highest accuracies, due to temporal redundancy and dense sampling of hemodynamic transitions. However, SI evaluation reveals a substantial drop in accuracy, demonstrating limited generalization to unseen participants. Under SI evaluation, non-overlapping segmentation outperformed overlapping windows, with the best accuracy of 56.11% achieved using PCA features with a 20-second window and a 0.1 learning rate. These findings indicate that eliminating temporal redundancy helps the model learn more robust and generalizable representations of cognitive load across individuals. Although adaptive learning rate strategy improved training stability, it did not surpass the performance of optimally selected fixed learning rates. The study highlights the critical role of segmentation strategy and learning rate selection in improving model generalization and identifies methodological considerations essential for developing reliable, real-time, and SI cognitive load classification systems using fNIRS.
• Abstract（参考訳）: 機能的近赤外分光法(fNIRS)信号から正確な認知負荷の分類は、時間的変動、物体間差、前処理の選択に対する感受性などにより、依然として重要な課題である。 本研究は,fNIRSに基づく認知負荷分類において,時間分割戦略(重複対非重複),ウィンドウ長(10s,20s,30s),特徴抽出手法(ANOVA),主成分分析(PCA),高速独立成分分析(FastICA),学習率構成(固定適応),評価プロトコル(ランダム分割対主観非依存(SI))の効果を系統的に検討することによって,脳波の総合評価を行う。 ランダムスプリット実験の結果、重なり合うセグメンテーションとより小さい固定学習率(0.01-0.001)は、時間的冗長性と血行動態の高密度なサンプリングにより、最も高い精度が得られることが示された。 しかし,SI評価では精度が著しく低下し,未確認の参加者に限定的な一般化が示された。 SI評価では、オーバーラップしないセグメンテーションはオーバーラップウィンドウよりも優れており、20秒のウィンドウと0.1の学習率を持つPCA機能を使用して56.11%の精度で達成されている。 これらの結果は、時間的冗長性を排除することで、個人間の認知的負荷のより堅牢で一般化可能な表現を学習できることを示している。 適応学習率戦略はトレーニング安定性を向上したが,最適選択した定性学習率のパフォーマンスを上回らなかった。 本研究は,モデル一般化の改善におけるセグメンテーション戦略と学習率選択の重要性を強調し,fNIRSを用いた信頼性,リアルタイム,SI認知負荷分類システムの開発に不可欠な方法論的考察を明らかにする。

関連論文リスト

• A Systematic Evaluation of Imbalance Handling Methods in Biomedical Binary Classification [9.011003401201323]
  本研究では, バイオメディカルバイナリ分類における不均衡処理法(IHM)が予測性能に及ぼす影響を系統的に検討した。 我々は、ランダムアンダーサンプリング(RUS)、ランダムオーバーサンプリング(ROS)、SMOTE(SMOTE)、再重み付け(RW)、直接F1スコア最適化(DMO)の5つの代表IHMを評価した。 より複雑なモデルと非構造化データに対して明確な利点が観察された。
  論文  参考訳（メタデータ） (2026-05-13T21:57:38Z)
• Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation [7.708113178862228]
  本研究では,自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的評価を行う。 マイノリティクラスにおけるデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。 我々は、CNN(Convolutional Neural Networks)、CNNとLong Short-Term Memory(CNN-LSTM)、CNN-LSTM with Attention(CNN-LSTM)、ResNet-1D(ResNet-1D)の4つの異なるアーキテクチャを開発し比較した。
  論文  参考訳（メタデータ） (2026-02-07T06:56:50Z)
• Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series [36.94429692322632]
  本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。
  論文  参考訳（メタデータ） (2025-10-30T05:39:44Z)
• Foundation Models in Dermatopathology: Skin Tissue Classification [0.05397680436511065]
  本研究では,UNIとVirchhow2の2つの基礎モデルの性能を,全スライディング画像の分類のための特徴抽出器として評価する。 平均アグリゲーション戦略を用いて, パッチレベルの埋め込みをスライドレベルの特徴に集約した。 その結果、Virchow2を用いて抽出したパッチレベルの特徴は、ほとんどのスライドレベルの分類器でUNIを介して抽出した特徴よりも優れていた。
  論文  参考訳（メタデータ） (2025-10-24T17:21:43Z)
• CurES: From Gradient Analysis to Efficient Curriculum Learning for Reasoning LLMs [53.749193998004166]
  カリキュラム学習は,大規模言語モデルの学習効率を高める上で重要な役割を担っている。 収束を加速し,計算オーバーヘッドを最小限に抑えるためにベイズ後続推定を用いた効率的な学習法であるCurESを提案する。
  論文  参考訳（メタデータ） (2025-10-01T15:41:27Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
  電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。 既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。 本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
  論文  参考訳（メタデータ） (2024-11-06T14:18:23Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• 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)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。