Using i-vectors for subject-independent cross-session EEG transfer learning

要約

認知負荷分類は、脳波検査 (EEG) などの生理学的測定に基づいて、タスクの実行中に個人の作業記憶リソースの利用状況を自動的に判断するタスクです。
この論文では、音声処理のツールと方法論を使用してこの問題に取り組む、学際的なアプローチに従います。
私たちが使用するコーパスは、クロスセッションのワークロード推定に関する最初のパッシブ ブレイン コンピューター インターフェイス コンペティションの一環として、2021 年に一般公開されました。
iベクトルベースのニューラルネットワーク分類器を使用して被験者間のクロスセッションEEG転移学習を達成し、同等の被験者依存モデルと比較して18％の相対的な改善を達成するアプローチを紹介します。
また、被験者に依存しないモデルが、保留された被験者に対して競合的にどのようにパフォーマンスを発揮し、追加の被験者データによって改善されるかを示す実験も報告しており、効果的な認知負荷の決定には被験者に依存したトレーニングは必要ないことを示唆しています。

要約(オリジナル)

Cognitive load classification is the task of automatically determining an individual’s utilization of working memory resources during performance of a task based on physiologic measures such as electroencephalography (EEG). In this paper, we follow a cross-disciplinary approach, where tools and methodologies from speech processing are used to tackle this problem. The corpus we use was released publicly in 2021 as part of the first passive brain-computer interface competition on cross-session workload estimation. We present our approach which used i-vector-based neural network classifiers to accomplish inter-subject cross-session EEG transfer learning, achieving 18% relative improvement over equivalent subject-dependent models. We also report experiments showing how our subject-independent models perform competitively on held-out subjects and improve with additional subject data, suggesting that subject-dependent training is not required for effective cognitive load determination.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google