文献
J-GLOBAL ID:202002240320588158   整理番号:20A2614809

特徴融合と選択を用いたEEGベースマルチクラス作業負荷同定【JST・京大機械翻訳】

EEG-Based Multiclass Workload Identification Using Feature Fusion and Selection
著者 (4件):
資料名:
巻: 70  ページ: ROMBUNNO.4001108.1-8  発行年: 2021年 
JST資料番号: C0232A  ISSN: 0018-9456  CODEN: IEIMAO  資料種別: 逐次刊行物 (A)
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:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
作業負荷同定の有効性は,精神状態の監視装置における重要な側面の1つである。この分野では,作業負荷は通常二値クラスとして認識されている。作業負荷同定の成功の課題は,1つ以上の作業負荷クラスが追加されるにもかかわらず,多クラス作業負荷同定に対する研究はほとんどない。さらに,既存の研究のほとんどは,個々のチャネルからスペクトル電力特徴のみを利用するが,脳領域間の相互作用を表す豊富なチャネル間特徴を無視する。本研究では,脳波に基づく複数のクラスの作業負荷を分類するために,チャネル内情報とチャネル間情報を表す特徴を利用した。作業負荷同定に寄与する特徴の各カテゴリーを包括的に比較し,作業負荷同定のための特徴融合と特徴選択の役割を明らかにした。結果は,特徴組合せ(精度に関して83.12%)が,個々の特徴カテゴリー(すなわち,バンド電力特徴,75.90%,および接続特徴,81.72%,精度に関して)と比較して,分類性能を強化したことを示した。Fスコア特徴選択により,分類精度はさらに83.47%に増加した。グラフ計量の特徴を融合したとき,精度は84.34%に達した。本研究は,マルチクラス作業負荷同定のための方法と特徴カテゴリーの間の包括的性能比較を提供し,特徴選択と融合が作業負荷同定の強化において重要な役割を果たすことを示した。これらの結果は,作業負荷同定のマルチクラス作業負荷同定と実用化の更なる研究を容易にすることができた。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。

準シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
, 【Automatic Indexing@JST】
分類 (2件):
分類
JSTが定めた文献の分類名称とコードです
送電  ,  フライス加工 

前のページに戻る