[논문 리뷰] Dynamically Weighted Ensemble-based Prediction System for Adaptively Modeling Driver Reaction Time

Chun‐Hsiang Chuang, Zehong Cao외 4명|arXiv (Cornell University)|2018. 09. 18.

Sleep and Work-Related Fatigue참고 문헌 52인용 수 11

한 줄 요약

이 논문은 유사한 EEG-RT 관계를 가진 데이터 세그먼트에 대해 훈련된 다수의 서브모델을 조합하여 운전자 반응 시간(RT)을 적응적으로 모델링하는 동적 가중치 부여 통합 시스템을 제안한다. 10채널의 실시간 EEG 알파 공명도 및 30채널의 테타 대역 파wer를 각각 적응 가중치로 사용하여, 기존 방법에 비해 반응 시간 예측 정확도를 크게 향상시키며, 뇌-행동 관계의 개인 및 시간적 변동성에 대해 강건함을 입증한다.

ABSTRACT

Predicting a driver's cognitive state, or more specifically, modeling a driver's reaction time (RT) in response to the appearance of a potential hazard warrants urgent research. In the last two decades, the electric field that is generated by the activities in the brain, monitored by an electroencephalogram (EEG), has been proven to be a robust physiological indicator of human behavior. However, mapping the human brain can be extremely challenging, especially owing to the variability in human beings over time, both within and among individuals. Factors such as fatigue, inattention and stress can induce homeostatic changes in the brain, which affect the observed relationship between brain dynamics and behavioral performance, and thus make the existing systems for predicting RT difficult to generalize. To solve this problem, an ensemble-based weighted prediction system is presented herein. This system comprises a set of prediction submodels that are individually trained using groups of data with similar EEG-RT relationships. To obtain a final prediction, the prediction outcomes of the sub-models are then multiplied by weights that are derived from the EEG alpha coherences of 10 channels plus theta band powers of 30 channels, whose changes were found to be indicators of variations in the EEG-RT relationship. The results thus obtained reveal that the proposed system with a time-varying adaptive weighting mechanism significantly outperforms the conventional system in modeling a driver's RT. The adaptive design of the proposed system demonstrates its feasibility in coping with the variability in the brain-behavior relationship. In this contribution surprisingly simple EEG-based adaptive methods are used in combination with an ensemble scheme to significantly increase system performance.

연구 동기 및 목표

• 개인 및 시간적 차이로 인한 뇌-행동 관계의 변동성으로 인해 변동성이 큰 운전자 반응 시간(RT)을 모델링하는 데 도전하는 것.
• 실생활 주행 환경에서 RT 예측 시스템의 일반화 능력과 정확도를 향상시키는 것.
• 실시간 EEG 지표를 기반으로 예측 가중치를 동적으로 조정하는 적응형 프레임워크를 개발하는 것.
• 특히 알파 공명도와 테타 대역 파워와 같은 EEG 유래 특징이 통합 모델의 동적 가중치 신호로 효과적으로 기능할 수 있는지 검증하는 것.
• 단순한 적응형 통합 접근 방식이 정적 또는 비적응형 예측 시스템보다 우수한 성능을 보이는지 확인하는 것.

제안 방법

• 시스템은 각각 유사한 EEG-RT 관계를 가진 데이터 세그먼트에 대해 훈련된 서브모델의 앙상블을 사용한다.
• 예측 가중치는 10채널의 EEG 알파 공명도와 30채널의 테타 대역 파워를 사용하여 실시간으로 동적으로 계산된다.
• 가중치 기반 메커니즘은 피로, 무관심 또는 스트레스로 인한 EEG-RT 관계 변화를 반영하여 실시간으로 적응한다.
• 서브모델의 출력은 시간에 따라 변하는 이러한 가중치를 사용하여 조합되어 최종 RT 예측을 도출한다.
• 가중치로 사용된 EEG 특징는 뇌-행동 결합의 변화에 민감한 특징들로 선택되었다.
• 시스템은 위험 탐지 이벤트가 발생하는 시뮬레이션 주행 과제 동안 수집된 EEG 데이터를 기반으로 훈련 및 검증되었다.

실험 결과

연구 질문

• RQ1 변동성이 큰 인지 상태에서 동적 가중치 부여 통합 시스템이 운전자 반응 시간 예측 정확도를 향상시킬 수 있는가?
• RQ2 피로 또는 무관심으로 인한 EEG-RT 관계 변화를 가장 잘 나타내는 EEG 특징는 무엇인가?
• RQ3 적응형 가중치 기반 메커니즘이 개인 간 및 시간에 따라 일반화 능력을 향상시키는가?
• RQ4 알파 공명도와 테타 파워와 같은 단순한 EEG 생체지표가 동적 가중치 신호로 효과적으로 기능할 수 있는가?
• RQ5 제안된 시스템이 기존의 정적 또는 비적응형 앙상블 모델보다 RT 예측에서 뛰어난 성능을 보이는가?

주요 결과

• 제안된 동적 가중치 부여 통합 시스템은 기존의 예측 시스템에 비해 운전자 반응 시간 모델링에서 뚜렷한 승리를 거두었다.
• EEG 알파 공명도와 테타 대역 파워를 동적 가중치로 사용함으로써 인지 상태 변화에 적응함으로써 예측 정확도가 향상되었다.
• 다양한 개인과 시간에 걸쳐도 높은 성능를 유지하여 강력한 일반화 능력을 입증하였다.
• 적응형 가중치 기반 메커니즘이 피로 및 스트레스로 인한 뇌-행동 관계의 변동성을 효과적으로 포착하였다.
• 단순한 EEG 기반 특징이 적응형 앙상블 프레임워크에 통합될 경우 매우 효과적일 수 있음을 결과가 확인하였다.
• 실제 EEG 데이터셋을 기반으로 검증된 결과, 비적응형 또는 고정 가중치 앙상블 모델에 비해 시스템이 뛰어난 성능을 보였다.