基于超网络驾驶过程中实时工作负荷分类
人机交互
2018-10-09 v1 机器学习
机器学习
摘要
从行为与生理信号分类人类认知状态是一个具有机器人重要应用的挑战性问题。由于个体用户间的数据变异性与传感器伪影，该问题颇具挑战。本工作中，我们提出一种使用混合超长短期记忆网络（Hyper Long Short Term Memory Networks，超网络的一种新变体）进行实时认知工作负荷分类的端到端框架。在模拟驾驶场景不同认知需求下采集的眼动模式数据集上评估所提方法，结果表明该框架优于先前基线方法，测试中获得83.9%准确率与87.8%召回率。我们还通过展示优于其他基于LSTM的方法的性能证明了所提架构的优势。
引用
@article{arxiv.1810.03145,
title = {Real-Time Workload Classification during Driving using HyperNetworks},
author = {Ruohan Wang and Pierluigi V. Amadori and Yiannis Demiris},
journal= {arXiv preprint arXiv:1810.03145},
year = {2018}
}
备注
2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2018)