EEG2Rep: Eine selbstüberwachte KI-Architektur für die EEG-Datenmodellierung
H.B. Duran
Aktualisiert am
22.07.2024
EEG2Rep: Eine selbstüberwachte KI-Architektur für die EEG-Datenmodellierung
H.B. Duran
Aktualisiert am
22.07.2024
EEG2Rep: Eine selbstüberwachte KI-Architektur für die EEG-Datenmodellierung
H.B. Duran
Aktualisiert am
22.07.2024
Wir freuen uns sehr, bekannt zu geben, dass die Arbeit „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ zur Präsentation auf der angesehenen KDD 2024 Conference angenommen wurde.
Navid Foumani ist der Hauptautor. Die Koautoren sind Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza und Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsert Navid Foumani, einen Doktoranden, der unter der Betreuung von Dr. Mahsa Salehi an der Monash University in Melbourne, Australien, an der Anwendung von Deep-Learning-Methoden auf EEG-Daten arbeitet. Navid arbeitete eng mit unserem Team zusammen, um eine neuartige selbstüberwachte Architektur namens EEG2Rep zu entwickeln, die für die Modellierung von EEG-Daten äußerst vielversprechend ist.
Als einen von 5 EEG-Datensätzen wendete Navid diese Methoden auf unsere Daten zur Aufmerksamkeit von Autofahrern an: 18 Probanden x 45 Minuten simuliertes Fahren mit unregelmäßigen Ablenkungen, die typisch für ein Fahrerlebnis sind (Handyanrufe, Textnachrichten, Navigation, Musikauswahl, Gespräche, spontanes Kopfrechnen usw.). Unser Algorithmus zur Aufmerksamkeit von Autofahrern wurde 2013 mit einer Genauigkeit von 68 % unter Verwendung modernster Methoden des maschinellen Lernens geliefert.
Wir haben Mahsa während ihrer Promotion an der Melbourne University im Jahr 2015 gesponsert und ihr denselben Datensatz zur Verfügung gestellt. Es gelang ihr, die Genauigkeitsmetrik mithilfe von Ensemble-Methoden auf 72 % zu verbessern.
Das EEG2Rep-Modell wurde auf den Datensatz zur Ablenkung von Autofahrern angewendet und erzielte mit 80,07 % die bislang höchste Genauigkeit, was eine erhebliche Verbesserung darstellt. Darüber hinaus übertraf das Modell die modernsten Methoden in jedem der fünf öffentlichen Datensätze deutlich, einschließlich der Erkennung von Gefühls- und Geisteszuständen, Multitasking, Ruhe-EEG und der Erkennung von Erkrankungen wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das sich auf verschiedene Aufgaben und Anwendungen verallgemeinern lässt, und verschiebt die Grenzen dessen, was auf dem Gebiet der EEG-Analyse erreicht werden kann.
Wir freuen uns sehr, bekannt zu geben, dass die Arbeit „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ zur Präsentation auf der angesehenen KDD 2024 Conference angenommen wurde.
Navid Foumani ist der Hauptautor. Die Koautoren sind Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza und Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsert Navid Foumani, einen Doktoranden, der unter der Betreuung von Dr. Mahsa Salehi an der Monash University in Melbourne, Australien, an der Anwendung von Deep-Learning-Methoden auf EEG-Daten arbeitet. Navid arbeitete eng mit unserem Team zusammen, um eine neuartige selbstüberwachte Architektur namens EEG2Rep zu entwickeln, die für die Modellierung von EEG-Daten äußerst vielversprechend ist.
Als einen von 5 EEG-Datensätzen wendete Navid diese Methoden auf unsere Daten zur Aufmerksamkeit von Autofahrern an: 18 Probanden x 45 Minuten simuliertes Fahren mit unregelmäßigen Ablenkungen, die typisch für ein Fahrerlebnis sind (Handyanrufe, Textnachrichten, Navigation, Musikauswahl, Gespräche, spontanes Kopfrechnen usw.). Unser Algorithmus zur Aufmerksamkeit von Autofahrern wurde 2013 mit einer Genauigkeit von 68 % unter Verwendung modernster Methoden des maschinellen Lernens geliefert.
Wir haben Mahsa während ihrer Promotion an der Melbourne University im Jahr 2015 gesponsert und ihr denselben Datensatz zur Verfügung gestellt. Es gelang ihr, die Genauigkeitsmetrik mithilfe von Ensemble-Methoden auf 72 % zu verbessern.
Das EEG2Rep-Modell wurde auf den Datensatz zur Ablenkung von Autofahrern angewendet und erzielte mit 80,07 % die bislang höchste Genauigkeit, was eine erhebliche Verbesserung darstellt. Darüber hinaus übertraf das Modell die modernsten Methoden in jedem der fünf öffentlichen Datensätze deutlich, einschließlich der Erkennung von Gefühls- und Geisteszuständen, Multitasking, Ruhe-EEG und der Erkennung von Erkrankungen wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das sich auf verschiedene Aufgaben und Anwendungen verallgemeinern lässt, und verschiebt die Grenzen dessen, was auf dem Gebiet der EEG-Analyse erreicht werden kann.
Wir freuen uns sehr, bekannt zu geben, dass die Arbeit „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ zur Präsentation auf der angesehenen KDD 2024 Conference angenommen wurde.
Navid Foumani ist der Hauptautor. Die Koautoren sind Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza und Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsert Navid Foumani, einen Doktoranden, der unter der Betreuung von Dr. Mahsa Salehi an der Monash University in Melbourne, Australien, an der Anwendung von Deep-Learning-Methoden auf EEG-Daten arbeitet. Navid arbeitete eng mit unserem Team zusammen, um eine neuartige selbstüberwachte Architektur namens EEG2Rep zu entwickeln, die für die Modellierung von EEG-Daten äußerst vielversprechend ist.
Als einen von 5 EEG-Datensätzen wendete Navid diese Methoden auf unsere Daten zur Aufmerksamkeit von Autofahrern an: 18 Probanden x 45 Minuten simuliertes Fahren mit unregelmäßigen Ablenkungen, die typisch für ein Fahrerlebnis sind (Handyanrufe, Textnachrichten, Navigation, Musikauswahl, Gespräche, spontanes Kopfrechnen usw.). Unser Algorithmus zur Aufmerksamkeit von Autofahrern wurde 2013 mit einer Genauigkeit von 68 % unter Verwendung modernster Methoden des maschinellen Lernens geliefert.
Wir haben Mahsa während ihrer Promotion an der Melbourne University im Jahr 2015 gesponsert und ihr denselben Datensatz zur Verfügung gestellt. Es gelang ihr, die Genauigkeitsmetrik mithilfe von Ensemble-Methoden auf 72 % zu verbessern.
Das EEG2Rep-Modell wurde auf den Datensatz zur Ablenkung von Autofahrern angewendet und erzielte mit 80,07 % die bislang höchste Genauigkeit, was eine erhebliche Verbesserung darstellt. Darüber hinaus übertraf das Modell die modernsten Methoden in jedem der fünf öffentlichen Datensätze deutlich, einschließlich der Erkennung von Gefühls- und Geisteszuständen, Multitasking, Ruhe-EEG und der Erkennung von Erkrankungen wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das sich auf verschiedene Aufgaben und Anwendungen verallgemeinern lässt, und verschiebt die Grenzen dessen, was auf dem Gebiet der EEG-Analyse erreicht werden kann.