文献

J-GLOBAL ID：201902225412411157   整理番号：19A1947604

脳波信号を用いた運転誘発ストレスの同定について:ウェアラブル安全性-臨界スキームと機械学習に基づくフレームワーク【JST・京大機械翻訳】

On identification of driving-induced stress using electroencephalogram signals: A framework based on wearable safety-critical scheme and machine learning

著者 (2件)： Halim Zahid (Machine Intelligence Research Group (MInG), Faculty of Computer Science and Engineering, Ghulam Ishaq Khan Institute of Engineering Sciences and Technology, Topi, 23460, Pakistan) ,  Rehan Mahma (Machine Intelligence Research Group (MInG), Faculty of Computer Science and Engineering, Ghulam Ishaq Khan Institute of Engineering Sciences and Technology, Topi, 23460, Pakistan)
資料名： Information Fusion  (Information Fusion)
巻： 53  ページ： 66-79  発行年： 2020年 
JST資料番号： W3167A  ISSN： 1566-2535  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 高い応力レベルで自動車を駆動することは,車両とリスク評価能力に関する運転者の制御を減少させ,しばしば道路事故をもたらす。従って,運転者の不安は,事故予防と道路安全において考慮するための重要な要因である。これは,連続応力レベル監視により運転者を支援するための最新の計算技術を強調する。このようなシステムの開発は,運転者の感情状態を認識し,ストレスレベルを増加させるための予防措置を取ることができる枠組みを設計することを必要とする。本研究は,駆動誘起応力パターンを同定するための機械学習ベース手法を提示した。このために,脳波(EEG)信号を生理学的信号として利用する。進行中の脳活動はEEG信号として記録され,脳ダイナミクスと情動状態の間のリンクを決定する。本研究では,サポートベクトルマシン(SVM),ニューラルネットワーク(NN),ランダムフォレスト(RF)の3つの分類器を用いて,被験者の自己申告感情状態に基づいてEEGパターンを分類した。生EEG信号から感情特異的特徴を系統的に同定し,分類器の有効性を調べることにより,EEGパターンに基づく感情を認識する枠組みを提案した。種々の性能測度の包括的解析により,本研究で採用した3つの分類器の間で,SVMは,静止状態と応力状態を区別するためにより良く機能することを結論づけた。評価は,97.95%±2.65%の平均分類精度,89.23%の精度,88.83%の感度,および94.92%の特異性を得た。50人以上の自動車運転者について試験した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予防 ,  *機械学習 ,  ニューラルネットワーク ,  *脳波 ,  有効性 ,  *運転 ,  自動車 ,  サポートベクトルマシン
準シソーラス用語： 自動車運転 ,  特異性 ,  自己報告 ,  被験者 ,  ランダムフォレスト ,  脳活動 ,  *ウェアラブル , 【Automatic Indexing@JST】

著者キーワード (5件)： 情報融合 ,  脳波 ,  感情認識 ,  運転誘発ストレス ,  応力予測

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  電子航法一般  (ND14010O)

タイトルに関連する用語 (10件)： 脳波信号 ,  誘発 ,  ストレス ,  同定 ,  ウェアラブル ,  安全性 ,  臨界 ,  スキーム ,  機械学習 ,  フレームワーク