EEG2Rep: معمارية AI ذاتية الإشراف لنمذجة بيانات EEG
هايدي دوران
22/07/2024
شارك:
نحن سعداء بالإعلان عن قبول الورقة "EEG2Rep: تعزيز تمثيل EEG الذاتي الإشرافي من خلال مدخلات مُmasked informatives" للعرض في مؤتمر KDD 2024 المرموق.
نافيد فوماني هو المؤلف الرئيسي. المؤلفون المشاركون هم الدكتورة مهسا سالهي (جامعة موناش) والدكتور جيوفري ماكيلار والدكتورة سهيلا غاني والدكتور سعد إرتزا والدكتور نام نغوين (بحث EMOTIV، Pty Ltd).
تدعم EMOTIV نافيد فوماني، طالب الدكتوراه الذي كان يعمل على تطبيق طرق التعلم العميق على بيانات EEG تحت إشراف الدكتورة مهسا سالهي في جامعة موناش في مدينة ملبورن، أستراليا. عمل نافيد عن كثب مع فريقنا لتطوير بنية ذاتية التنظيم جديدة تُعرف باسم EEG2Rep، والتي تُظهر وعدًا كبيرًا لنمذجة بيانات EEG.
كواحد من 5 مجموعات بيانات EEG، طبق نافيد هذه الطرق على بيانات انتباه السائق: 18 موضوعًا × 45 دقيقة من القيادة المحاكاة مع مُعطلات متقطعة نموذجية لتجربة القيادة (مكالمات هاتفية، رسائل نصية، تنقل، اختيار موسيقى، محادثة، حسابات عقلية على الطاير، إلخ). تم تقديم خوارزمية انتباه السائق لدينا بدقة 68% باستخدام طرق التعلم الآلي المتطورة في عام 2013.
قمنا برعاية مهسا خلال الدكتوراه في جامعة ملبورن في عام 2015، حيث قدمنا لها نفس مجموعة البيانات. وقد تمكنت من تحسين دقة القياس إلى 72% باستخدام طرق التجميع.
تم تطبيق نموذج EEG2Rep على مجموعة بيانات تشتيت السائق وحقق أعلى دقة حتى الآن، 80.07%، وهو تحسن كبير. بالإضافة إلى ذلك، تفوق النموذج بشكل كبير على الأساليب المتطورة في كل من مجموعات البيانات العامة الخمس، بما في ذلك الكشف عن الحالة العاطفية والعقلية، والقيام بعدة مهام، وحالة الراحة EEG، وكشف الحالات الطبية مثل الصرع والسكتة الدماغية.
يفتح هذا النجاح آفاقًا لتطوير نموذج أساسي لبيانات EEG يمكنه التعميم عبر مهام وتطبيقات متنوعة، مما يدفع حدود ما يمكن تحقيقه في مجال تحليل EEG.
نحن سعداء بالإعلان عن قبول الورقة "EEG2Rep: تعزيز تمثيل EEG الذاتي الإشرافي من خلال مدخلات مُmasked informatives" للعرض في مؤتمر KDD 2024 المرموق.
نافيد فوماني هو المؤلف الرئيسي. المؤلفون المشاركون هم الدكتورة مهسا سالهي (جامعة موناش) والدكتور جيوفري ماكيلار والدكتورة سهيلا غاني والدكتور سعد إرتزا والدكتور نام نغوين (بحث EMOTIV، Pty Ltd).
تدعم EMOTIV نافيد فوماني، طالب الدكتوراه الذي كان يعمل على تطبيق طرق التعلم العميق على بيانات EEG تحت إشراف الدكتورة مهسا سالهي في جامعة موناش في مدينة ملبورن، أستراليا. عمل نافيد عن كثب مع فريقنا لتطوير بنية ذاتية التنظيم جديدة تُعرف باسم EEG2Rep، والتي تُظهر وعدًا كبيرًا لنمذجة بيانات EEG.
كواحد من 5 مجموعات بيانات EEG، طبق نافيد هذه الطرق على بيانات انتباه السائق: 18 موضوعًا × 45 دقيقة من القيادة المحاكاة مع مُعطلات متقطعة نموذجية لتجربة القيادة (مكالمات هاتفية، رسائل نصية، تنقل، اختيار موسيقى، محادثة، حسابات عقلية على الطاير، إلخ). تم تقديم خوارزمية انتباه السائق لدينا بدقة 68% باستخدام طرق التعلم الآلي المتطورة في عام 2013.
قمنا برعاية مهسا خلال الدكتوراه في جامعة ملبورن في عام 2015، حيث قدمنا لها نفس مجموعة البيانات. وقد تمكنت من تحسين دقة القياس إلى 72% باستخدام طرق التجميع.
تم تطبيق نموذج EEG2Rep على مجموعة بيانات تشتيت السائق وحقق أعلى دقة حتى الآن، 80.07%، وهو تحسن كبير. بالإضافة إلى ذلك، تفوق النموذج بشكل كبير على الأساليب المتطورة في كل من مجموعات البيانات العامة الخمس، بما في ذلك الكشف عن الحالة العاطفية والعقلية، والقيام بعدة مهام، وحالة الراحة EEG، وكشف الحالات الطبية مثل الصرع والسكتة الدماغية.
يفتح هذا النجاح آفاقًا لتطوير نموذج أساسي لبيانات EEG يمكنه التعميم عبر مهام وتطبيقات متنوعة، مما يدفع حدود ما يمكن تحقيقه في مجال تحليل EEG.
نحن سعداء بالإعلان عن قبول الورقة "EEG2Rep: تعزيز تمثيل EEG الذاتي الإشرافي من خلال مدخلات مُmasked informatives" للعرض في مؤتمر KDD 2024 المرموق.
نافيد فوماني هو المؤلف الرئيسي. المؤلفون المشاركون هم الدكتورة مهسا سالهي (جامعة موناش) والدكتور جيوفري ماكيلار والدكتورة سهيلا غاني والدكتور سعد إرتزا والدكتور نام نغوين (بحث EMOTIV، Pty Ltd).
تدعم EMOTIV نافيد فوماني، طالب الدكتوراه الذي كان يعمل على تطبيق طرق التعلم العميق على بيانات EEG تحت إشراف الدكتورة مهسا سالهي في جامعة موناش في مدينة ملبورن، أستراليا. عمل نافيد عن كثب مع فريقنا لتطوير بنية ذاتية التنظيم جديدة تُعرف باسم EEG2Rep، والتي تُظهر وعدًا كبيرًا لنمذجة بيانات EEG.
كواحد من 5 مجموعات بيانات EEG، طبق نافيد هذه الطرق على بيانات انتباه السائق: 18 موضوعًا × 45 دقيقة من القيادة المحاكاة مع مُعطلات متقطعة نموذجية لتجربة القيادة (مكالمات هاتفية، رسائل نصية، تنقل، اختيار موسيقى، محادثة، حسابات عقلية على الطاير، إلخ). تم تقديم خوارزمية انتباه السائق لدينا بدقة 68% باستخدام طرق التعلم الآلي المتطورة في عام 2013.
قمنا برعاية مهسا خلال الدكتوراه في جامعة ملبورن في عام 2015، حيث قدمنا لها نفس مجموعة البيانات. وقد تمكنت من تحسين دقة القياس إلى 72% باستخدام طرق التجميع.
تم تطبيق نموذج EEG2Rep على مجموعة بيانات تشتيت السائق وحقق أعلى دقة حتى الآن، 80.07%، وهو تحسن كبير. بالإضافة إلى ذلك، تفوق النموذج بشكل كبير على الأساليب المتطورة في كل من مجموعات البيانات العامة الخمس، بما في ذلك الكشف عن الحالة العاطفية والعقلية، والقيام بعدة مهام، وحالة الراحة EEG، وكشف الحالات الطبية مثل الصرع والسكتة الدماغية.
يفتح هذا النجاح آفاقًا لتطوير نموذج أساسي لبيانات EEG يمكنه التعميم عبر مهام وتطبيقات متنوعة، مما يدفع حدود ما يمكن تحقيقه في مجال تحليل EEG.
