文献

J-GLOBAL ID：202202266155202338   整理番号：22A0027812

精神作業負荷分類のための深層学習有効性におけるEEG前処理の役割について【JST・京大機械翻訳】

On EEG Preprocessing Role in Deep Learning Effectiveness for Mental Workload Classification

著者 (2件)： Kingphai Kunjira (NeuraSearch Laboratory, Department of Computer and Information Sciences, University of Strathclyde, Glasgow, Scotland) ,  Moshfeghi Yashar (NeuraSearch Laboratory, Department of Computer and Information Sciences, University of Strathclyde, Glasgow, Scotland)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1493  ページ： 81-98  発行年： 2022年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 高い精神的作業負荷レベルは,精神的疲労,性能低下,または長期健康問題[14]に有意に寄与することができた。最近,深層学習モデルを,ユーザの精神的作業負荷を検出するために,脳波(EEG)信号に関して訓練した。そのようなアプローチが有望な結果を示す一方で,それらはEEG信号に固有の雑音要素を無視するか,あるいはノイズを低減するための前処理技術のランダムセットを適用する。EEG信号の洗浄における均一前処理技術の欠如は,同じ実験から収集したデータを使用する場合でも,異なる研究にわたって深い学習モデルの有効性の比較を許さないであろう。したがって,本研究では,深層学習モデルの有効性における神経科学者によって定義される前処理技術の効果を調べることを目的とした。そのため,自動化できる前処理技術に焦点を当て,人間介入,すなわち,高パスフィルタ,ADJUSTアルゴリズム,再参照を必要としない。公的に利用可能な精神的作業負荷データセット,STEWを用いて,Stacked LSTM,BLSTM,およびBLSTM-LSTMという3つの最先端の深層学習モデルにおけるこれらの前処理技術の影響を調べた。著者らの結果は,ADJUSTが他のステップと比較して,著者らのモデルの性能に最も顕著な影響を及ぼすことを示した。また,著者らの知見は,高域フィルタ,ADJUSTアルゴリズム,および再参照を用いて前処理したEEG信号が,調査した深層学習モデルを通して最も高い分類性能を提供することを示した。本論文は,EEG信号に関する深層学習モデルを使用するための均一方法論フレームワークを定義するための重要なステップを提供すると信じる。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  雑音 ,  自動化 ,  *学習モデル ,  脳波 ,  前処理 ,  高域フィルタ ,  神経科学 ,  有効性
準シソーラス用語： 精神疲労 ,  メンタルワークロード ,  脳波信号 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： EEG ,  前処理 ,  精神的作業負荷 ,  分類 ,  深層学習

分類 (3件)： 生体計測  (EL03020C) ,  脳・神経系モデル  (EL02050C) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 作業負荷 ,  分類 ,  深層学習 ,  有効性 ,  EEG ,  前処理 ,  役割