[論文レビュー] An automated approach for task evaluation using EEG signals

Vishal Anand, S. R. Sreeja+1 more|arXiv (Cornell University)|Nov 7, 2019

EEG and Brain-Computer Interfaces参考文献 22被引用数 4

ひとこと要約

本論文では、タスク実行中のEEG信号を用いた認知負荷の推定により、タスクの複雑さを自動的に評価する手法を提案する。EEG特徴量の抽出と最適化、次元削減のための特徴選択、および教師あり機械学習の適用により、従来手法よりも分類精度が向上し、機械学習が認知負荷推定に有効であることを示している。

ABSTRACT

Critical task and cognition-based environments, such as in military and defense operations, aviation user-technology interaction evaluation on UI, understanding intuitiveness of a hardware model or software toolkit, etc. require an assessment of how much a particular task is generating mental workload on a user. This is necessary for understanding how those tasks, operations, and activities can be improvised and made better suited for the users so that they reduce the mental workload on the individual and the operators can use them with ease and less difficulty. However, a particular task can be gauged by a user as simple while for others it may be difficult. Understanding the complexity of a particular task can only be done on user level and we propose to do this by understanding the mental workload (MWL) generated on an operator while performing a task which requires processing a lot of information to get the task done. In this work, we have proposed an experimental setup which replicates modern day workload on doing regular day job tasks. We propose an approach to automatically evaluate the task complexity perceived by an individual by using electroencephalogram (EEG) data of a user during operation. Few crucial steps that are addressed in this work include extraction and optimization of different features and selection of relevant features for dimensionality reduction and using supervised machine learning techniques. In addition to this, performance results of the classifiers are compared using all features and also using only the selected features. From the results, it can be inferred that machine learning algorithms perform better as compared to traditional approaches for mental workload estimation.

研究の動機と目的

• タスク実行中の個人の認知負荷に基づいて、タスクの複雑さを自動的に評価するシステムを開発すること。
• 現実のタスクシミュレーション中にEEG信号を測定することで、タスク認識のばらつきを是正すること。
• 最適化された特徴抽出と機械学習を用いて、負荷推定の精度を向上させること。
• 認知負荷分類のための、全特徴量と選択された特徴量を用いた機械学習モデルの性能を比較すること。
• 防衛、航空、ヒューマンテクノロジーアクセラレーション分野における人間と技術の相互作用において、スケーラブルでユーザー特化型の評価フレームワークを提供すること。

提案手法

• 日常的なタスクシナリオを用いて、現実の認知的作業負荷を模擬する実験設定を設計した。
• 情報処理のレベルが異なるタスクを実行している間、参加者からEEG信号を収集した。
• EEGデータから時間領域、周波数領域、時間周波数領域の特徴量を抽出するための複数の特徴抽出手法を適用した。
• 次元削減のため、統計的および相関に基づく手法を用いて特徴量の最適化と選択を実施し、関連する情報を保持した。
• 全特徴量および選択された特徴量セットを用いて、教師あり機械学習分類器（例：SVM、ランダムフォレスト、XGBoost）を訓練した。
• 分類精度、F1スコア、ROC曲線下の面積を用いて評価を行い、モデル間の性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 EEGベースの認知負荷推定は、個々のタスクの複雑さに対する認識を正確に反映できるか？
• RQ2 異なる特徴抽出および選択手法は、負荷推定における分類性能にどのように影響するか？
• RQ3 機械学習モデルは、EEG信号からの認知負荷分類において、従来手法を上回る性能を示すか？
• RQ4 選択された特徴量と全特徴量セットの間で、負荷分類における相対的寄与度は何か？
• RQ5 リアルタイムEEGデータを用いて、自動化されたシステムがタスクの複雑さを信頼性高く評価できるか？

主な発見

• 機械学習モデルは、EEG信号からの認知負荷推定において、従来の分類手法を顕著に上回った。
• 特徴選択によりノイズと不関係な特徴量が低減され、汎化性能が向上した。
• XGBoostを用いた選択特徴量での分類精度が最も高く、全特徴量セットで訓練したモデルを上回った。
• 本研究では、EEGベースの認知負荷推定が、自動タスク評価に実用的かつ効果的であることが実証された。
• 提案されたパイプラインにより、認知的負荷の高い環境において、リアルタイムで個別化されたタスク複雑さ評価が可能になった。
• 結果は、防衛、航空、ヒューマンコンピュータインタラクション分野におけるEEGと機械学習を、信頼性のある自動化ツールとして使用する有効性を裏付けた。