Two-channel in-ear EEG system for detection of visuomotor tracking state: A preliminary study
Notice bibliographique
Résumé
Evaluating an operator's mental workload during work activities is crucial to maintain safety and performance. By minimizing human error associated with work demands, especially in a hazardous environment, potentially serious errors may be avoided. This study aims to assess the feasibility of using an in-ear EEG system to classify the user's state in a visuomotor tracking task that may influence mental workload and motor action. A two-channel wireless in-ear EEG system was used to record EEG signals while subjects performed the task using a joystick to manipulate an object displayed on a monitor. A highly comparative time series analysis was employed on the processed signals to extract and select the top features for each subject individually. The features sets were trained and tested with support vector machines, random forest, linear discriminant analysis, subspace discriminant, and neural network to compare their performances. Models trained on two trials, each 14 minutes in duration and tested on the other trial were able to yield an accuracy of 79.30 ± 4.85% on average across the ten participants with an individualized moving average threshold filter and classifier. This proof-of-concept study demonstrates the feasibility of using a two-channel wireless in-ear EEG system as a viable solutions to develop wearable devices to detect mental workload associated with the execution of visuomotor tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».