Semi-supervised learning with the clustering and Decision Trees classifier for the task of cognitive workload study

• Autorzy: Wawrzyk Martyna

Identyfikatory

DOI

10.35784/jcsi.1725

Warianty tytułu

PL

Częściowo nadzorowane uczenie z zastosowaniem klasteryzacji oraz klasyfikatora Drzew Decyzyjnych w przypadku badania obciążenia poznawczego

• Języki publikacji: EN

Abstrakty

EN

The paper is focused on application of the clustering algorithm and Decision Tress classifier (DTs) as a semi-supervised method for the task of cognitive workload level classification. The analyzed data were collected during examination of Digit Symbol Substitution Test (DSST) with use of eye-tracker device. 26 participants took part in examination as vol-unteers. There were conducted three parts of DSST test with different levels of difficulty. As a results three versions were obtained of data: low, middle and high level of cognitive workload. The case study covered clustering of collected data by using k-means algorithm to detect three clusters or more. The obtained clusters were evaluated by three internal indices to measure the quality of clustering. The David-Boudin index detected the best results in case of four clusters. Based on this information it is possible to formulate the hypothesis of the existence of four clusters. The obtained clus-ters were adopted as classes in supervised learning and have been subjected to classification. The DTs was applied in classification. There were obtained the 0.85 mean accuracy for three-class classification and 0.73 mean accuracy for four-class classification.

PL

Celem artykułu było zastosowanie klasteryzacji wraz z klasyfikatorem Drzew Decyzyjnych jako częściowo nadzoro-wanej metody klasyfikacji poziomu obciążenia poznawczego. Dane przeznaczone do analizy zostały zebrane podczas badania DSST (z ang. Digit Symbol Substitution Test) z użyciem urządzenia eye-tracker. 26 wolontariuszów wzięło udział w badaniu. Zostały przeprowadzone trzy części testu DSST o różnych poziomach trudności. W wyniku tego, otrzymano trzy wersje danych: z niskim, średnim i wysokim poziomem obciążenia poznawczego. Do analizy danych został użyty algorytm klasteryzacji k-means do wyznaczenia trzech lub większej liczby klastrów. Uzyskane klastry zostały poddane ocenie przy użyciu trzech wewnętrznych indeksów w celu zmierzenia jakości klasteryzacji. Indeks David-Boudin’a wykazał najlepsze rezultaty w przypadku istnienia czterech klastrów. Na podstawie tej informacji można sformułować hipotezę, iż dane są podzielone na 4 klastry, co oznaczałoby istnienie dodatkowego poziomu poznawczego. Uzyskane klastry zostały zaadoptowane jako klasy w uczeniu pod nadzorem. Do klasyfikacji danych został użyty klasyfikator Drzew Decyzyjnych . Otrzymano średnią dokładność równą 0.85 w przypadku 3-klasowej klasyfikacji oraz 0.73 średnią dokładność dla 4-klasowej klasyfikacji.

Słowa kluczowe

EN

clustering; semi-supervised learning; eye tracker

PL

klasteryzacja; uczenie częściowo nadzorowane; Eye Tracker

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2020
• Tom: Vol. 15
• Strony: 214--218
• Opis fizyczny: Bibliogr. 17 poz., fig., tab.

Twórcy

autor

Wawrzyk Martyna

• Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland

Bibliografia

• [1] T. Urruty, S. Lew, N. Ihadaddene and D. A. Simovici, Detecting eye fixations by projection clustering. ACM Transaction on Multimedia Computing, Communications and Application, 3 (4), 5:1–5:20, 2007
• [2] N. Flad, T. Fomina, H. H. Buelthoff and L. L. Chuang, Unsupervised Clustering of EOG as a Viable Substitute for Optical Eye Tracking. Eye Tracking and Visualization, Cham, 2017, 151–167
• [3] R. S. Hessels, D. C. Niehorster, C. Kemner and I. T. C. Hooge Noise-robust fixation detection in eye movement data: Identification by two-means clustering (I2MC). Behaviour Research Methods, 49 (5), 1802–1823, 2017
• [4] J. Otero-Millan, J. L. A. Castro, S. L. Macknik and S. Martinez-Conde Unsupervised clustering method to detect microsaccades. Journal of Vision, 14 (2), 18–18, 2014
• [5] A. Santella and D. DeCarlo Robust clustering of eye movement recordings for quantification of visual interest. Proceedings of the 2004 symposium on Eye tracking research & applications, San Antonio, Texas, 2004, 27–34
• [6] P. K. Mital, T. J. Smith, R. L. Hill and J. M. Henderson, Clustering of Gaze During Dynamic Scene Viewing is Predicted by Motion. Cognitive Computation, 3 (1), 5–24, 2011
• [7] Z. Kang and S. J. Landry An Eye Movement Analysis Algorithm for a Multielement Target Tracking Task: Maximum Transition-Based Agglomerative Hierarchical Clustering. IEEE Transactions on Human-Machine Systems, 45 (1), 13–24, 2015
• [8] M. Aamir and S. M. A. Zaidi Clustering based semi-supervised machine learning for DDoS attack classification. Journal of King Saud University - Computer Information Sciences, 2019
• [9] K. Liang, Y. Chahir, M. Molina, C. Tijus and F. Jouen Appearance-based gaze tracking with spectral clustering and semi-supervised Gaussian process regression. Proceedings of the 2013 Conference on Eye Tracking South Africa, Cape Town, South Africa, 2013, 17–23
• [10] K. Wang, B. Wang and L. Peng CVAP: Validation for Cluster Analyses. Data Science Journal, 8 (0), 88–93, 2009
• [11] A. Thalamuthu, I. Mukhopadhyay, X. Zheng and G. C. Tseng Evaluation and comparison of gene clustering methods in microarray analysis. Bioinformatics (Oxford, England), 22 (19), 2405–2412, 2006
• [12] S. Dudoit and J. Fridlyand A prediction-based resampling method for estimating the number of clusters in a dataset. Genome Biology, 3 (7), 2002
• [13] T. Caliński and J. Harabasz A dendrite method for cluster analysis. Communications in Statistic, 3 (1), 1–27, 1974
• [14] P. J. Rousseeuw Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65, 1987
• [15] D. L. Davies and D. W. Bouldin A Cluster Separation Measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1 (2), 224–227, 1979
• [16] C. Boake From the Binet-Simon to the Wechsler-Bellevue: tracing the history of intelligence testing. Journal of Clinical and Experimental Neuropsychology, 24 (3), 383–405, 2002
• [17] V. Sicard, R. D. Moore, i D. Ellemberg Sensitivity of the Cogstate Test Battery for Detecting Prolonged Cognitive Alterations Stemming From Sport-Related Concussions. Clinical Journal of Sport Medicine: Official Journal Canadian Academy Sport Medicine,29 (1), 62–68, 2019

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).