[論文レビュー] Dynamically Weighted Ensemble-based Prediction System for Adaptively Modeling Driver Reaction Time

Chun‐Hsiang Chuang, Zehong Cao+4 more|arXiv (Cornell University)|Sep 18, 2018

Sleep and Work-Related Fatigue参考文献 52被引用数 11

ひとこと要約

本稿では、類似したEEG-RT関係を持つ複数のサブモデルを組み合わせることで、ドライバーの反応時間（RT）を動的に重み付けするアンサンブルシステムを提案する。10チャネルのリアルタイムEEGアルファコherenceと30チャネルのテータバンドパワーを用いて、適応的重みを計算することで、従来手法に比べてRT予測精度が著しく向上し、脳行動関係の個人差および時間的変動に対しても頑健であることが示された。

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.

研究の動機と目的

• 個々のドライバーおよび時間的要因に起因する脳行動関係の変動による、ドライバー反応時間（RT）の変動をモデル化する課題に対処すること。
• 現実のドライブ状況におけるRT予測システムの汎化性と精度を向上させること。
• 認知状態のリアルタイムEEG指標に基づき、予測重みを動的に調整する適応的フレームワークを構築すること。
• 特にアルファコherenceとテータバンドパワーといったEEG由来特徴量が、アンサンブルモデルの動的重み信号として有効であるかを検証すること。
• 単純な適応的アンサンブル手法が、静的または非適応的予測システムを上回ることを示すこと。

提案手法

• 本システムは、EEG-RT関係が類似したデータセグメントで訓練されたサブモデルのアンサンブルを採用する。
• 予測重みは、10チャネルのEEGアルファコherenceと30チャネルのテータバンドパワーを用いて動的に計算される。
• 重み付けメカニズムは、疲労、不注意、ストレスに起因するEEG-RT関係の変化をリアルタイムで反映する。
• サブモデルの出力を、時間的に変化するこれらの重みで重み付けし、最終的なRT予測を生成する。
• 重み付けに用いるEEG特徴量は、脳行動結合のシフトに感受性が高いことが選択基準である。
• 本システムは、危険検出イベントを伴う模擬ドライブタスク中に収集したEEGデータを用いて訓練および検証された。

実験結果

リサーチクエスチョン

• RQ1 変動する認知状態下でも、動的重み付けアンサンブルシステムはドライバー反応時間予測の精度を向上させることができるか？
• RQ2 疲労や不注意に起因するEEG-RT関係のシフトを最も適切に示すEEG特徴量は何か？
• RQ3 適応的重み付けメカニズムは、個人間および時間的経過に伴う一般化性をどのように向上させるか？
• RQ4 アルファコherenceやテータパワーといった単純なEEGバイオマーカーが、動的重み付け信号として効果的に機能できるか？
• RQ5 提案手法は、従来の静的または非適応的アンサンブルモデルに比べ、RT予測で優れた性能を示すか？

主な発見

• 提案された動的重み付けアンサンブルシステムは、ドライバー反応時間のモデル化において、従来の予測システムを著しく上回った。
• EEGアルファコherenceとテータバンドパワーを動的重みとして用いることで、認知状態の変化に適応し、予測精度が向上した。
• 本システムは、多様な個人および時間的経過にわたり、頑健な性能を示し、強力な汎化能力を示した。
• 適応的重み付けメカニズムは、疲労やストレスに起因する脳行動関係の変動を効果的に捉えた。
• 単純なEEGベースの特徴量が、適応的アンサンブルフレームワークに統合されると、極めて有効であることが確認された。
• 実際のEEGデータセットを用いた検証により、非適応的または固定重みのアンサンブルモデルに比べ、本システムは優れた性能を達成した。