- Beranda
- Komunitas
- News
- Sains & Teknologi
Orang Indonesia Menciptakan Deteksi Perhatian dengan Pupil
TS
fadillaazeaza
Orang Indonesia Menciptakan Deteksi Perhatian dengan Pupil
Perhatian adalah suatu kondisi ketika seseorang berkonsentrasi pada tugas tertentu sambil mengabaikan informasi lain yang dapat dipahami. Berbagai metode evaluasi tingkat perhatian seperti observasi, penilaian diri, dan kinerja objektif telah diterapkan terutama dalam pembelajaran mesin yang diawasi. Namun metode tersebut cenderung tertunda, sporadis, tidak pada saat ini, dan berdasarkan kemampuan kognitif peserta. Penelitian ini mengusulkan metode pelabelan baru untuk evaluasi tingkat perhatian dengan menggunakan informasi biometrik.
Untuk menemukan informasi biometrik yang sesuai untuk pelabelan data, penelitian ini mencoba untuk mengetahui respon kecepatan kedip dan pupilometri terhadap beban tugas selama 10 detik. Pupilometri menunjukkan perbedaan antara tingkat perhatian dalam 4 detik akhir (P <0,05). Di sisi lain, tingkat kedipan tidak menunjukkan perbedaan tingkat perhatian (P> 0,05). Setelah itu, data pupilometri diubah menjadi z-score dan plot data tersebut ke dalam histogram untuk menemukan range pengaturan parameter pada pupilometri pada tingkat perhatian yang berbeda. Hasil penelitian menunjukkan z-score dalam range tertentu (-0.965 ≤ pupil ≤ 1.014) sebagai attention tinggi, selain itu range tersebut, low attention menunjukkan range setting parameter terbaik.
Selain itu, EEG nirkabel dua elektroda, EKG nirkabel, dan dua saluran nirkabel NIRS yang label pupilometri telah digunakan untuk mengevaluasi tingkat perhatian selama pemuatan tugas. Penelitian ini menghitung akurasi klasifikasi dengan menggunakan kombinasi seleksi fitur berbasis korelasi dan algoritma k-nearest neighbour. Algoritma ini membantu menemukan fitur yang paling optimal untuk digunakan dalam pengklasifikasian data. CFS + kNN menunjukkan kinerja tertinggi (83,33 ± 5,95%) dibandingkan dengan metode lain seperti CFS + SVM (55,49 ± 27,89%), kNN (80,84 ± 3,88%), dan SVM (55,88 ± 13,14%). Secara keseluruhan, hasil ini menunjukkan bahwa metode yang diusulkan dapat digunakan untuk meningkatkan kinerja dalam evaluasi tingkat perhatian.
profil penemu tersebut dapat dilihat melalui link berikut :
Biodata Penemu
Referensi :
1. https://ieeexplore.ieee.org/document/8765718
2. https://aip.riken.jp/events/event_108581/
3. Disertasi
Untuk menemukan informasi biometrik yang sesuai untuk pelabelan data, penelitian ini mencoba untuk mengetahui respon kecepatan kedip dan pupilometri terhadap beban tugas selama 10 detik. Pupilometri menunjukkan perbedaan antara tingkat perhatian dalam 4 detik akhir (P <0,05). Di sisi lain, tingkat kedipan tidak menunjukkan perbedaan tingkat perhatian (P> 0,05). Setelah itu, data pupilometri diubah menjadi z-score dan plot data tersebut ke dalam histogram untuk menemukan range pengaturan parameter pada pupilometri pada tingkat perhatian yang berbeda. Hasil penelitian menunjukkan z-score dalam range tertentu (-0.965 ≤ pupil ≤ 1.014) sebagai attention tinggi, selain itu range tersebut, low attention menunjukkan range setting parameter terbaik.
Selain itu, EEG nirkabel dua elektroda, EKG nirkabel, dan dua saluran nirkabel NIRS yang label pupilometri telah digunakan untuk mengevaluasi tingkat perhatian selama pemuatan tugas. Penelitian ini menghitung akurasi klasifikasi dengan menggunakan kombinasi seleksi fitur berbasis korelasi dan algoritma k-nearest neighbour. Algoritma ini membantu menemukan fitur yang paling optimal untuk digunakan dalam pengklasifikasian data. CFS + kNN menunjukkan kinerja tertinggi (83,33 ± 5,95%) dibandingkan dengan metode lain seperti CFS + SVM (55,49 ± 27,89%), kNN (80,84 ± 3,88%), dan SVM (55,88 ± 13,14%). Secara keseluruhan, hasil ini menunjukkan bahwa metode yang diusulkan dapat digunakan untuk meningkatkan kinerja dalam evaluasi tingkat perhatian.
profil penemu tersebut dapat dilihat melalui link berikut :
Biodata Penemu
Referensi :
1. https://ieeexplore.ieee.org/document/8765718
2. https://aip.riken.jp/events/event_108581/
3. Disertasi
tien212700 memberi reputasi
1
344
2
Komentar yang asik ya
Tampilkan semua post
TS
fadillaazeaza
#1
Orang Indonesia Menciptakan Deteksi Perhatian dengan Pupil
Perhatian adalah suatu kondisi ketika seseorang berkonsentrasi pada tugas tertentu sambil mengabaikan informasi lain yang dapat dipahami. Berbagai metode evaluasi tingkat perhatian seperti observasi, penilaian diri, dan kinerja objektif telah diterapkan terutama dalam pembelajaran mesin yang diawasi. Namun metode tersebut cenderung tertunda, sporadis, tidak pada saat ini, dan berdasarkan kemampuan kognitif peserta. Penelitian ini mengusulkan metode pelabelan baru untuk evaluasi tingkat perhatian dengan menggunakan informasi biometrik.
Untuk menemukan informasi biometrik yang sesuai untuk pelabelan data, penelitian ini mencoba untuk mengetahui respon kecepatan kedip dan pupilometri terhadap beban tugas selama 10 detik. Pupilometri menunjukkan perbedaan antara tingkat perhatian dalam 4 detik akhir (P <0,05). Di sisi lain, tingkat kedipan tidak menunjukkan perbedaan tingkat perhatian (P> 0,05). Setelah itu, data pupilometri diubah menjadi z-score dan plot data tersebut ke dalam histogram untuk menemukan range pengaturan parameter pada pupilometri pada tingkat perhatian yang berbeda. Hasil penelitian menunjukkan z-score dalam range tertentu (-0.965 ≤ pupil ≤ 1.014) sebagai attention tinggi, selain itu range tersebut, low attention menunjukkan range setting parameter terbaik.
Selain itu, EEG nirkabel dua elektroda, EKG nirkabel, dan dua saluran nirkabel NIRS yang label pupilometri telah digunakan untuk mengevaluasi tingkat perhatian selama pemuatan tugas. Penelitian ini menghitung akurasi klasifikasi dengan menggunakan kombinasi seleksi fitur berbasis korelasi dan algoritma k-nearest neighbour. Algoritma ini membantu menemukan fitur yang paling optimal untuk digunakan dalam pengklasifikasian data. CFS + kNN menunjukkan kinerja tertinggi (83,33 ± 5,95%) dibandingkan dengan metode lain seperti CFS + SVM (55,49 ± 27,89%), kNN (80,84 ± 3,88%), dan SVM (55,88 ± 13,14%). Secara keseluruhan, hasil ini menunjukkan bahwa metode yang diusulkan dapat digunakan untuk meningkatkan kinerja dalam evaluasi tingkat perhatian.
profil penemu tersebut dapat dilihat melalui link berikut :
Biodata Penemu
Referensi :
1. https://ieeexplore.ieee.org/document/8765718
2. https://aip.riken.jp/events/event_108581/
3. Disertasi
Untuk menemukan informasi biometrik yang sesuai untuk pelabelan data, penelitian ini mencoba untuk mengetahui respon kecepatan kedip dan pupilometri terhadap beban tugas selama 10 detik. Pupilometri menunjukkan perbedaan antara tingkat perhatian dalam 4 detik akhir (P <0,05). Di sisi lain, tingkat kedipan tidak menunjukkan perbedaan tingkat perhatian (P> 0,05). Setelah itu, data pupilometri diubah menjadi z-score dan plot data tersebut ke dalam histogram untuk menemukan range pengaturan parameter pada pupilometri pada tingkat perhatian yang berbeda. Hasil penelitian menunjukkan z-score dalam range tertentu (-0.965 ≤ pupil ≤ 1.014) sebagai attention tinggi, selain itu range tersebut, low attention menunjukkan range setting parameter terbaik.
Selain itu, EEG nirkabel dua elektroda, EKG nirkabel, dan dua saluran nirkabel NIRS yang label pupilometri telah digunakan untuk mengevaluasi tingkat perhatian selama pemuatan tugas. Penelitian ini menghitung akurasi klasifikasi dengan menggunakan kombinasi seleksi fitur berbasis korelasi dan algoritma k-nearest neighbour. Algoritma ini membantu menemukan fitur yang paling optimal untuk digunakan dalam pengklasifikasian data. CFS + kNN menunjukkan kinerja tertinggi (83,33 ± 5,95%) dibandingkan dengan metode lain seperti CFS + SVM (55,49 ± 27,89%), kNN (80,84 ± 3,88%), dan SVM (55,88 ± 13,14%). Secara keseluruhan, hasil ini menunjukkan bahwa metode yang diusulkan dapat digunakan untuk meningkatkan kinerja dalam evaluasi tingkat perhatian.
profil penemu tersebut dapat dilihat melalui link berikut :
Biodata Penemu
Referensi :
1. https://ieeexplore.ieee.org/document/8765718
2. https://aip.riken.jp/events/event_108581/
3. Disertasi
0