EEG2Rep: معمارية AI ذاتية الإشراف لنمذجة بيانات EEG
هايدي دوران
22/07/2024
شارك:
يسرنا أن نعلن أن الورقة "EEG2Rep: تحسين تمثيل EEG الذاتي الإشراف من خلال إدخالات ملفوفة معلوماتي" قد تم قبولها لعرضها في مؤتمر KDD 2024 المرموق.
نافيد فوماني هو المؤلف الرئيسي. المؤلفون المشاركون هم الدكتورة مهسا صالحی (جامعة موناش) والدكتور جيفري ماكيلار والدكتورة سهيلة غاني والدكتور سعد إرتزا والدكتور نام نغوين (أبحاث EMOTIV، Pty Ltd).
تدعم EMOTIV نافيد فوماني، مرشح الدكتوراه الذي يعمل على تطبيق طرق التعلم العميق على بيانات EEG تحت إشراف الدكتورة مهسا صالحی في جامعة موناش في ملبورن، أستراليا. عمل نافيد عن كثب مع فريقنا لتطوير بنية ذاتية الإشراف جديدة تُعرف باسم EEG2Rep، والتي تُظهر وعدًا كبيرًا في نمذجة بيانات EEG.
كواحد من 5 مجموعات بيانات EEG، طبق نافيد هذه الطرق على بيانات انتباه السائق لدينا: 18 شخصًا × 45 دقيقة من القيادة المحاكية مع مشتتات متقطعة نموذجية لتجربة القيادة (المكالمات الهاتفية، الرسائل النصية، التنقل، اختيار الموسيقى، المحادثة، الحسابات الذهنية وغيرها). تم تقديم خوارزمية انتباه السائق لدينا بدقة 68% باستخدام أحدث طرق التعلم الآلي في عام 2013.
قمنا بدعم مهسا خلال دراستها للحصول على درجة الدكتوراه في جامعة ملبورن في عام 2015، وقدمنا لها نفس مجموعة البيانات. تمكنت من تحسين مقياس الدقة إلى 72% باستخدام طرق التجميع.
تم تطبيق نموذج EEG2Rep على مجموعة بيانات تشتت السائق وحقق أعلى دقة حتى الآن، 80.07%، وهو تحسين كبير. بالإضافة إلى ذلك، تفوق النموذج بشكل كبير على الطرق الحديثة في كل من خمس مجموعات بيانات عامة، بما في ذلك الكشف عن الحالة العاطفية والعقلية، ومتعددة المهام، وحالة الراحة EEG، وكشف الحالات الطبية مثل الصرع والسكتة الدماغية.
يفتح هذا النجاح إمكانية تطوير نموذج أساسي لبيانات EEG يمكن أن يتعمق عبر مهام وتطبيقات متنوعة، مما يدفع حدود ما يمكن تحقيقه في مجال تحليل EEG.
يسرنا أن نعلن أن الورقة "EEG2Rep: تحسين تمثيل EEG الذاتي الإشراف من خلال إدخالات ملفوفة معلوماتي" قد تم قبولها لعرضها في مؤتمر KDD 2024 المرموق.
نافيد فوماني هو المؤلف الرئيسي. المؤلفون المشاركون هم الدكتورة مهسا صالحی (جامعة موناش) والدكتور جيفري ماكيلار والدكتورة سهيلة غاني والدكتور سعد إرتزا والدكتور نام نغوين (أبحاث EMOTIV، Pty Ltd).
تدعم EMOTIV نافيد فوماني، مرشح الدكتوراه الذي يعمل على تطبيق طرق التعلم العميق على بيانات EEG تحت إشراف الدكتورة مهسا صالحی في جامعة موناش في ملبورن، أستراليا. عمل نافيد عن كثب مع فريقنا لتطوير بنية ذاتية الإشراف جديدة تُعرف باسم EEG2Rep، والتي تُظهر وعدًا كبيرًا في نمذجة بيانات EEG.
كواحد من 5 مجموعات بيانات EEG، طبق نافيد هذه الطرق على بيانات انتباه السائق لدينا: 18 شخصًا × 45 دقيقة من القيادة المحاكية مع مشتتات متقطعة نموذجية لتجربة القيادة (المكالمات الهاتفية، الرسائل النصية، التنقل، اختيار الموسيقى، المحادثة، الحسابات الذهنية وغيرها). تم تقديم خوارزمية انتباه السائق لدينا بدقة 68% باستخدام أحدث طرق التعلم الآلي في عام 2013.
قمنا بدعم مهسا خلال دراستها للحصول على درجة الدكتوراه في جامعة ملبورن في عام 2015، وقدمنا لها نفس مجموعة البيانات. تمكنت من تحسين مقياس الدقة إلى 72% باستخدام طرق التجميع.
تم تطبيق نموذج EEG2Rep على مجموعة بيانات تشتت السائق وحقق أعلى دقة حتى الآن، 80.07%، وهو تحسين كبير. بالإضافة إلى ذلك، تفوق النموذج بشكل كبير على الطرق الحديثة في كل من خمس مجموعات بيانات عامة، بما في ذلك الكشف عن الحالة العاطفية والعقلية، ومتعددة المهام، وحالة الراحة EEG، وكشف الحالات الطبية مثل الصرع والسكتة الدماغية.
يفتح هذا النجاح إمكانية تطوير نموذج أساسي لبيانات EEG يمكن أن يتعمق عبر مهام وتطبيقات متنوعة، مما يدفع حدود ما يمكن تحقيقه في مجال تحليل EEG.
يسرنا أن نعلن أن الورقة "EEG2Rep: تحسين تمثيل EEG الذاتي الإشراف من خلال إدخالات ملفوفة معلوماتي" قد تم قبولها لعرضها في مؤتمر KDD 2024 المرموق.
نافيد فوماني هو المؤلف الرئيسي. المؤلفون المشاركون هم الدكتورة مهسا صالحی (جامعة موناش) والدكتور جيفري ماكيلار والدكتورة سهيلة غاني والدكتور سعد إرتزا والدكتور نام نغوين (أبحاث EMOTIV، Pty Ltd).
تدعم EMOTIV نافيد فوماني، مرشح الدكتوراه الذي يعمل على تطبيق طرق التعلم العميق على بيانات EEG تحت إشراف الدكتورة مهسا صالحی في جامعة موناش في ملبورن، أستراليا. عمل نافيد عن كثب مع فريقنا لتطوير بنية ذاتية الإشراف جديدة تُعرف باسم EEG2Rep، والتي تُظهر وعدًا كبيرًا في نمذجة بيانات EEG.
كواحد من 5 مجموعات بيانات EEG، طبق نافيد هذه الطرق على بيانات انتباه السائق لدينا: 18 شخصًا × 45 دقيقة من القيادة المحاكية مع مشتتات متقطعة نموذجية لتجربة القيادة (المكالمات الهاتفية، الرسائل النصية، التنقل، اختيار الموسيقى، المحادثة، الحسابات الذهنية وغيرها). تم تقديم خوارزمية انتباه السائق لدينا بدقة 68% باستخدام أحدث طرق التعلم الآلي في عام 2013.
قمنا بدعم مهسا خلال دراستها للحصول على درجة الدكتوراه في جامعة ملبورن في عام 2015، وقدمنا لها نفس مجموعة البيانات. تمكنت من تحسين مقياس الدقة إلى 72% باستخدام طرق التجميع.
تم تطبيق نموذج EEG2Rep على مجموعة بيانات تشتت السائق وحقق أعلى دقة حتى الآن، 80.07%، وهو تحسين كبير. بالإضافة إلى ذلك، تفوق النموذج بشكل كبير على الطرق الحديثة في كل من خمس مجموعات بيانات عامة، بما في ذلك الكشف عن الحالة العاطفية والعقلية، ومتعددة المهام، وحالة الراحة EEG، وكشف الحالات الطبية مثل الصرع والسكتة الدماغية.
يفتح هذا النجاح إمكانية تطوير نموذج أساسي لبيانات EEG يمكن أن يتعمق عبر مهام وتطبيقات متنوعة، مما يدفع حدود ما يمكن تحقيقه في مجال تحليل EEG.
