Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
20
Poziom I
Status:
Autorzy: Borys Magdalena, Plechawska-Wójcik Małgorzata, Wawrzyk Martyna, Wesołowska Kinga
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Arkusze wydawnicze: 0,9
Język: angielski
Strony: 90 - 105
Web of Science® Times Cited: 14
Scopus® Cytowania: 16
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: 23nd International Conference on Information and Software Technologies,
Skrócona nazwa konferencji: ICIST 2017
URL serii konferencji: LINK
Termin konferencji: 12 października 2017 do 14 października 2017
Miasto konferencji: Druskininkai
Państwo konferencji: LITWA
Publikacja OA: NIE
Abstrakty: angielski
The paper presents the results of classification of mental states in a study of the cognitive workload based on arithmetic tasks. Different classification methods were applied using features extracted from eye activity and EEG signal. The paper discusses results of two datasets. The first one covers binary classification discriminating between the cognitive workload condition and the no-task control condition. The second one discriminates between three mental states: the high cognitive workload condition, the low cognitive workload condition and the no-task control condition. The results obtained for the first dataset reached the accuracy of 90% with 6 eye-tracking features as input and an SVMs classifier. The second dataset was classified with the maximum accuracy of 73% due to its complexity.