Detection of error in static and dynamic visual stimulation via electroencephalogram and eye-tracking systems
Notice bibliographique
Résumé
Human responses such as electroencephalogram (EEG), eye-tracking, and heart rate have been studied for error detection during visual stimulation, often in controlled settings with single-target fixation. This study delves into constructing machine learning (ML) models for binary error classification across diverse visual stimulation conditions, including static, dynamic, and single or multiple targets, using EEG and eye-tracking data. When constructing these models, using gaze fixation data for epoch extraction can enhance the ability to extract salient, stimulus-induced responses from EEG and eye-tracking data. These features can be strongly associated with changes in visual stimulation. Among 30 ML models tested, the best-performing ML models built on a personalized approach consistently achieved over 90 % accuracy across conditions. For feature importance, we integrate a repetition approach with the Boruta SHapley Additive exPlanations (BorutaSHAP) algorithm to enhance the legitimacy of key feature selection. Feature analysis revealed distinct patterns, e.g., eye-tracking features like log energy entropy being particularly prominent under dynamic conditions, EEG features from the delta, and theta bands being significant across all conditions. Interestingly, an increase in the number of visual targets led to a reduction in the importance of EEG features, especially during dynamic stimulations. These insights have the potential to enhance the ML models through tailored feature selection. While this study acknowledges certain limitations concerning real-time applicability, generalizability, etc, the novelty of our models p[presents opportunities for various applications in human-computer/robot interaction (HCI/HRI), monitoring systems, rehabilitation systems, assistive technologies for individuals with limited mobility and driving, etc.
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 | 0,001 |
| 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 ».