文献

J-GLOBAL ID：201702270357017965   整理番号：17A1394441

認知負荷認識のための大きなマージンソフトマックス損失関数を用いた畳込みニューラルネットワーク【Powered by NICT】

Convolutional neural networks with large-margin softmax loss function for cognitive load recognition

著者 (2件)： Liu Yuetian (School of Automation, Huazhong University of Science and Technology, Wuhan 430074, P. R. China) ,  Liu Qingshan (School of Automation, Huazhong University of Science and Technology, Wuhan 430074, P. R. China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CCC  ページ： 4045-4049  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： 認知負荷認識は最近広く研究されているが,脳波(EEG)信号からの効率的でロバストな特徴表現を見出す法は未だ困難な課題である。本論文では,認知負荷認識のためのマージンソフトマックス損失関数を有する軽量1Dおよび2D畳込みニューラルネットワーク(CNN)を設計した。まず,EEG信号からの周波数領域特徴を抽出する。,抽出された周波数特徴ベクトルとマトリックスは1Dおよび2Dセルラニューラルネットワークを訓練するために使用した。この手法は,近似的認知負荷認識タスクの,四つのクラスの短い訓練時間を持つ2次元CNNのための1次元CNNと91%から93%の精度を達成した。結果は,少数のパラメータを用いて提案手法が良好な性能を獲得し,他の深層学習法よりも効率的であることを示した。マージンソフトマックス損失関数をEEG信号認識のための良好に動作することを見出し,また3χ1畳込みカーネルを用いた1次元CNNは小さなEEGデータセットのための2次元CNNよりもEEG信号分類のためのにより適していることをいくつかのパラメータと高速な訓練速度で良好な分類性能を持つことを見出した。しかし,2次元CNNはその高速な訓練速度のために,大きなEEGデータセットに適していた。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： *畳込み ,  近似法 ,  高速度 ,  周波数 ,  *ニューラルネットワーク ,  二次元 ,  脳波 ,  一次元 ,  *損失関数 ,  セルラニューラルネットワーク ,  ロバスト性
準シソーラス用語： 深層学習 ,  特徴ベクトル ,  脳波信号 ,  *認知負荷 , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (3件)： 認知負荷 ,  損失関数 ,  畳込みニューラルネットワーク