面向稀缺标签信息参与度评估的深度模型
计算机视觉与模式识别
2016-10-24 v1
摘要
任务参与度被定义为能量唤醒（情感）、任务动机和注意力（认知）上的负荷。认知状态数据的标注通常具有挑战性且昂贵，而用有限标签信息训练的传统计算模型用于参与度评估由于过拟合表现不佳。本文中，我们提出了两种深度模型（即一个深度分类器和一个深度自编码器）用于稀缺标签信息的参与度评估。我们招募了15名飞行员执行从西雅图到芝加哥的4小时飞行模拟，并记录了模拟期间的脑电图（EEG）信号。专家仔细检查了EEG信号，并为每名飞行员标注了20分钟的EEG数据。EEG信号被预处理并提取了功率谱特征。深度模型由未标注数据预训练，并由不同比例的标注数据（前1%、3%、5%、10%、15%和20%）微调以学习用于参与度评估的新表示。然后在剩余的标注数据上测试模型。我们比较了新数据表示与原EEG特征在参与度评估上的性能。实验结果表明，在不同比例标注数据训练下，深度模型学习的表示对六种情景取得了更好的准确率（77.09%、80.45%、83.32%、85.74%、85.78%和86.52%），相较于原EEG特征对应的准确率（62.73%、67.19%、73.38%、79.18%、81.47%和84.92%）。深度模型对于参与度评估是有效的，尤其是在使用较少标签信息训练时。
引用
@article{arxiv.1610.06815,
title = {Deep Models for Engagement Assessment With Scarce Label Information},
author = {Feng Li and Guangfan Zhang and Wei Wang and Roger Xu and Tom Schnell and Jonathan Wen and Frederic McKenzie and Jiang Li},
journal= {arXiv preprint arXiv:1610.06815},
year = {2016}
}
备注
9 pages, 8 figures and 3 tables