文献

J-GLOBAL ID：201702255734173732   整理番号：17A1920591

EEGからの深い共分散学習による運転者の疲労予測【Powered by NICT】

Driver’s fatigue prediction by deep covariance learning from EEG

著者 (3件)： Hajinoroozi Mehdi (Department of Electrical and Computer Engineering, University of Texas at San Antonio, San Antonio, USA) ,  Zhang Jianqiu Michelle (Department of Electrical and Computer Engineering, University of Texas at San Antonio, San Antonio, USA) ,  Huang Yufei (Department of Electrical and Computer Engineering, University of Texas at San Antonio, San Antonio, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SMC  ページ： 240-245  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 脳波(EEG)から運転者の居眠りと警報状態を予測するためにここで深い共分散学習モデルを提案した。三種類の深い共分散学習モデルを提案した:SPDNet,CNN,DNN共分散行列。試験結果は,全ての深い共分散学習法は,Riemann法とSTCNNを含む浅い学習法よりも優れた性能,EEG分類のための以前に提案されたCNNモデルを報告した。深共分散学習法の中で,最良の分類性能は,試料空間EEG共分散行列に適用したCNNモデルによって得られ,それは最良の浅いアルゴリズム(ロジスティック回帰+対数Euclid計量)のAUCを12.32%改善し70.96%から86.14%であった。著者らの研究は,深い共分散学習は,運転者の疲れ予測のための非常に有望なアプローチであることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 学習モデル ,  *予測 ,  警報 ,  *共分散 ,  対数 ,  *学習 ,  アルゴリズム ,  脳波
準シソーラス用語： ロジスティック回帰分析 ,  共分散行列 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  生体計測  (EL03020C)

タイトルに関連する用語 (5件)： EEG ,  共分散 ,  学習 ,  疲労 ,  予測