http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
오늘 본 자료
-
The Era Effect on Pediatric Lung Transplantation Outcomes
-
Production of Gamma-aminobutyric Acid in Mules Barley Bran
-
에쿠안 겐지의 일본 도시락의 미학
-
고무차륜형 경량전철 차량시스템 성공사례
-
Effect of feeding the combination with Lactobacillus plantarum and Bacillus subtilis on fecal microflora and diarrhea incidence of Korean native calves
-
두가지 불완전 수리모형의 최적화
- 검색키워드
- 저자 : 정무석 (검색결과 2 건)
-
-
머신러닝을 활용한 뇌파 기반의 인지부하 예측모형의 개발 및 검증
뇌파는 인지부하의 객관적 측정방법으로 주목받고 있다. 최근 머신러닝 기술의 발달로 뇌파 분석에 머신러닝 기법을 활용하려는 시도가 다양하게 이루어지고 있다. 인지부하의 예측에 머신러닝 예측 모델을 활용하기 위해서는 다양한 과제 상황에서 학습자가 느끼는 인지부하 상태에 대해 예측력을 발휘하는 인지부하에 대한 일반 모형이 필요하다. 하지만 뇌파는 같은 자극에 대해서도 개인에 따라 다른 반응이 나타나는 등 인간의 다양한 정신 상태를 반영하는 지표이다. 이러한 뇌파의 특징은 인지부하에 대한 일반 모형의 개발을 어렵게 한다. 따라서 이 연구에서는 서로 다른 유형의 인지부하 유발 과제를 선정하여 수집된 두 데이터세트를 확보하고, 인지부하 예측에서 높은 성능을 보이는 랜덤 포레스트, 합성곱신경망, 순환신경망을 단일 데이터 및 교차 데이터를 사용하여 훈련시켰을 때의 정확도를 비교하여 범-과제 인지부하 예측 모형의 개발 가능성을 확인하였다. 이 연구에서는 대학 재학 이상의 남성을 대상으로 수집된 데이터를 통해 예측 모델을 개발하였다. 서로 다른 두 가지 과제를 수행할 때의 뇌파 데이터를 수집하여 각각의 개별 데이터세트로 구성하였다. 이중과제 기반의 동시 수행 용량 과제(SIMKAP test)는 48명이 수행하였고, 과제 복잡성 기반의 숫자 외우기 과제(Digit Span test)는 38명이 수행하였다. 각 과제는 참가자가 경험하는 인지부하 수준에 따라 저 인지부하 조건과 고 인지부하 조건으로 구분되었고, 각 조건마다 150초간의 데이터가 수집되었다. 개별 데이터세트를 사용하는 경우 단일 대상 데이터, 개별 데이터세트를 혼합한 것을 교차 대상 데이터라고 지칭하였다. 랜덤 포레스트, 합성곱신경망, 순환신경망 예측 모델을 구축하고 개별 데이터 2개와 교차 대상 데이터를 사용하여 훈련시켜 그 성능을 비교하였다. 모델의 성능은 혼동행렬을 기반으로 예측, 재현, 정확도, F1 점수로 제시되었다. 단일 대상 데이터 중 이중과제 데이터에 대한 성능이 더 높게 보고되었고, 랜덤 포레스트 기반 모델이 가장 높은 성능을 보였다. 교차 대상 데이터에 대해 랜덤 포레스트 기반 모델과 순환신경망 기반 모델이 높은 성능을 보였다. 특히 순환신경망 기반 모델은 단일 대상 데이터에 대한 결과에서 상대적으로 낮은 성능을 보인 것과 달리, 교차 대상 데이터에서 높은 성능을 보였다. 랜덤 포레스트는 딥러닝 기법들에 비해 비교적 간편하고 낮은 훈련 자원을 소모하는 경제적인 기법이다. 랜덤 포레스트가 단일 대상 및 교차 대상 예측 모형에서 가장 높은 정확도를 보였다는 것은 뇌파와 인지부하 간 연구에서 랜덤 포레스트를 널리 활용할 수 있는 가능성을 보여준다, 순환신경망의 정확도는 단일 대상 데이터에 대한 예측을 실시할 때와는 달리 교차 대상 데이터에 대해 높은 정확도를 보여주었다. 순환신경망은 대단위의 데이터를 학습하고 복잡한 상호구조를 가진 데이터의 예측에도 성능을 발휘한다. 따라서 추후의 연구에서 데이터의 종류와 크기를 늘려간다면 순환신경망 기반 모델이 높은 성능을 보일 가능성이 있다고 볼 수 있다. The purpose of this study is to develop cognitive load prediction model with EEG based on random forest, convolution neural network, and recurrent neural network. The accuracy of each prediction model for the single-task dataset and cross-task dataset were compared. Recent studies are interested in EEG as an objective measurement method of cognitive load. With the evolution of machine learning technology, machine learning can be applied to predicting the level of cognitive load of the learner. However, it is difficult to develop a general model for EEG, because EEG reflects various human mental activities. Therefore, data on two different types of tasks were collected, and the prediction performance of three machine learning algorithms was compared depending on the mixture of the data in this study. This study will provide insight into the development of a cross-task prediction model for cognitive load. The EEG data with two types of cognitive tasks are collected. The first cognitive task is SIMKAP test, the dual-task based task. 48 participants performed the SIMKAP test. The second cognitive task is Digit-Span test, which is based on task complexity. 38 participants performed the Digit-Span test. All participants were male college students or graduates. Each task was divided into a low cognitive load condition and a high cognitive load condition. 150 seconds of EEG data were collected for each condition. The dataset was divided into ‘Single-subject dataset’ and ‘Cross-subject dataset’ depending on whether the dataset was mixed or not. Random forest, convolution neural network, and recurrent neural network prediction model were constructed, and the accuracy was compared by training using two single-subject data and one cross-subject data. Among the single-subject data, performance for SIMKAP test data was reported higher, and the random forest based model showed the highest performance. Among cross-subject data, random forest and recurrent neural network based model showed higher performance. In particular, the recurrent neural network based model showed relatively low accuracy in the results for single-subject data but showed high results in cross-subject data. Random forest is an economical algorithm that consumes relatively low training resources compared to deep learning algorithms. The fact that random forests showed the highest accuracy in single-subject and cross-subject prediction shows the potential of random forests in EEG and cognitive load studies. The performance of the recurrent neural network showed high accuracy for cross-subject data, unlike when predicting for single-subject data. Recurrent neural networks is appropriate for learning large-scale data and perform well in predicting data with complex relatives. Therefore, if the type and size of data are increased in future studies, it can be seen that there is a possibility that the recurrent neural network based model will show high performance.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
