Fugu-MT 論文翻訳(概要): Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction

論文の概要: Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction

arxiv url: http://arxiv.org/abs/2608.16541v2
Date: Thu, 20 Aug 2026 13:12:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 14:00:35.403484
Title: Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction
Title（参考訳）: 学習者評価の自動化:脳波に基づく親密性予測のための機械学習とディープラーニングモデルのベンチマーク
Authors: Isuru Nanayakkara, Thilina Halloluwa,
Abstract要約: 本研究では,脳波による親しみ度予測のための機械学習(ML)モデルとディープラーニング(DL)モデルをベンチマークする。標準層化クロスバリデーションは, 隣接するエポック間の時間的リークによる人工的に高い分類性能(最大0.9853 F1スコア)を示すが, 厳密な試行独立検証(Group K-Fold)により, ピーク性能は0.6038 F1スコアに低下する(CNNを使用)。このことは、モデル一般化可能性の過大評価を避けるために、試行非依存評価の重要な必要性を強調している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective assessment of learning remains a fundamental challenge in education. Electroencephalography (EEG) provides a direct, non-invasive window into the neural correlates of knowledge acquisition, including cognitive familiarity. This study benchmarks fifteen machine learning (ML) and deep learning (DL) models for EEG-based familiarity prediction across two cognitive domains: faces (factual knowledge) and mathematical equations (conceptual knowledge). Using continuous EEG data from 23 participants, we extract spectral features (Power Spectral Density) across six frequency bands. We show that while standard stratified cross-validation yields artificially high classification performance (up to 0.9853 F1-score using CNN) due to temporal leakage across neighboring epochs, a rigorous trial-independent validation (Group K-Fold) drops the peak performance to 0.6038 F1-score (using CNN), which is still statistically significant above the 25% chance level. This highlights the critical necessity of trial-independent evaluation to avoid overestimating model generalizability. Furthermore, feature importance and SHAP analysis reveal that temporal and frontal Gamma and Beta oscillations are the most critical biomarkers for familiarity. This work establishes a realistic benchmark for EEG-based cognitive monitoring in educational technologies.
Abstract（参考訳）: 学習の客観的評価は教育における根本的な課題である。脳波検査(EEG)は、認知的親しみを含む知識獲得の神経的関連に直接的な非侵襲的な窓を提供する。本研究では、顔(実知識)と数学的方程式(概念知識)の2つの認知領域にわたる、脳波に基づく親しみやすさ予測のための15の機械学習(ML)とディープラーニング(DL)モデルをベンチマークする。 23人の被験者の連続脳波データを用いて、6つの周波数帯域にわたるスペクトル特徴(パワースペクトル密度)を抽出する。標準層化クロスバリデーションは, 近隣のエポック間の時間的リークによる人工的に高い分類性能(最大0.9853 F1スコア)を示すが, 厳密な試行独立検証(グループK-Fold)では, 25%以上の統計的に有意な最大値である0.6038 F1スコア(CNN)にピーク性能を低下させることを示した。このことは、モデル一般化可能性の過大評価を避けるために、試行非依存評価の重要な必要性を強調している。さらに、特徴の重要性とSHAP分析により、時間的および前頭ガンマ振動とベータ振動が親しみやすい最も重要なバイオマーカーであることが明らかとなった。この研究は、教育技術における脳波に基づく認知モニタリングの現実的なベンチマークを確立する。

関連論文リスト

Automated Detection of Abnormalities in Zebrafish Development [34.13586231002437]
本研究では,ゼブラフィッシュ胚発生の高分解能画像系列の大規模データセットを,条件および化合物曝露下で導入する。本データセットは,(1)ゼブラの受精度分類,ゼブラフィッシュの卵の生存率の評価(130,368画像),(2)毒性評価,時間とともに有毒な曝露によって引き起こされる奇形の検出(55,296画像)の2つのベンチマークタスクをサポートする。このデータセットの他に,ゼブラフィッシュ卵の特徴を組み込んだトランスフォーマーベースのベースラインモデルも提示し,初期発生の異常を予測した。
論文参考訳（メタデータ） (2026-05-11T12:33:04Z)
Detecting Structural Heart Disease from Electrocardiograms via a Generalized Additive Model of Interpretable Foundation-Model Predictors [8.817617912039616]
構造心疾患 (SHD) は多くの未診断例で一般的である。近年の研究では、心電図(ECG)の人工知能に基づく解析がSHDを検出できることが示されている。既存の方法は、完全にブラックボックスモデルであり、解釈可能性と臨床応用を制限する。
論文参考訳（メタデータ） (2026-03-03T05:39:32Z)
Attention-Based Deep Learning for Early Parkinson's Disease Detection with Tabular Biomedical Data [0.0]
パーキンソン病(PD)の早期かつ正確な診断は、医療診断において重要な課題である。従来の機械学習(ML)モデルはPD検出に広く適用されているが、しばしば広範な機能工学に依存し、複雑な機能相互作用を捉えるのに苦労する。本稿では,Multi-Layer Perceptron (MLP), Gradient Boosting, TabNet, SAINTの4つの分類モデルの比較評価を行った。
論文参考訳（メタデータ） (2026-02-08T12:03:02Z)
The role of data partitioning on the performance of EEG-based deep learning models in supervised cross-subject analysis: a preliminary study [37.69303106863453]
ディープラーニングは、非常に非線形なパターンを効果的に発見することによって、脳波(EEG)データの解析を進めています。ドメイン内に適切なデータパーティショニングとクロスバリデーションのための包括的なガイドラインは存在しない。本稿では,脳波深層学習モデルの評価におけるデータ分割とクロスバリデーションの役割について,徹底的に検討する。
論文参考訳（メタデータ） (2025-05-19T12:05:28Z)
BioSerenity-E1: a self-supervised EEG model for medical applications [0.0]
BioSerenity-E1は臨床脳波治療のための自己監督型基礎モデルの1つである。スペクトルトークン化とマスク付き予測を組み合わせることで、関連する診断タスク間で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2025-03-13T13:42:46Z)
EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
論文参考訳（メタデータ） (2025-01-20T12:05:14Z)
Explainable Censored Learning: Finding Critical Features with Long Term Prognostic Values for Survival Prediction [28.943631598055926]
批判変数を反復的に活用するために,Explainable CEnsored Learning (EXCEL) と呼ばれる,新規で容易にデプロイ可能なアプローチを導入する。我々は,EXCELが重要な特徴を効果的に識別し,オリジナルモデルと同等以上の性能が得られることを示す。
論文参考訳（メタデータ） (2022-09-30T12:56:29Z)
Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文参考訳（メタデータ） (2022-04-07T22:49:18Z)
Evaluation of Interpretability for Deep Learning algorithms in EEG Emotion Recognition: A case study in Autism [4.752074022068791]
説明可能な人工知能(XAI)に関する現在のモデルでは、特徴関連性を測定するための信頼性の欠如が明らかで定量化されている。この研究は、脳波に基づく顔の感情認識を成功させるために、より透明な特徴関連計算を統合する最初のものである。
論文参考訳（メタデータ） (2021-11-25T18:28:29Z)
Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks [24.226952040270564]
本稿では,ECG分類のための1D Self-organized Operational Neural Networks (1D Self-ONNs)を提案する。 1D Self-ONNは、演算子セットライブラリ内の前の演算子探索が完全に回避される従来のONNに比べて、最大の優位性と優位性を持つ。 MIT-BIH不整脈ベンチマークデータベースを用いた結果, 1D Self-ONN が 1D CNN をはるかに上回っていることがわかった。
論文参考訳（メタデータ） (2021-09-30T19:37:36Z)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。