EEG2Rep: Eine selbstüberwachte KI-Architektur für die Modellierung von EEG-Daten
Heidi Duran
Aktualisiert am
22.05.2024
EEG2Rep: Eine selbstüberwachte KI-Architektur für die Modellierung von EEG-Daten
Heidi Duran
Aktualisiert am
22.05.2024
EEG2Rep: Eine selbstüberwachte KI-Architektur für die Modellierung von EEG-Daten
Heidi Duran
Aktualisiert am
22.05.2024
Wir freuen uns, bekannt zu geben, dass das Paper „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ für eine Präsentation auf der renommierten KDD-2024-Konferenz angenommen wurde.
Navid Foumani ist der leitende Autor. Die Mitautoren 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 gearbeitet hat. 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 eines von 5 EEG-Datensätzen wandte Navid diese Methoden auf unsere Driver-Attention-Daten an:18 Probanden x 45 Minuten simuliertes Fahren mit gelegentlichen Ablenkungen, wie sie für ein Fahrerlebnis typisch sind (Mobilanrufe, Textnachrichten, Navigation, Musikauswahl, Gespräche, mentale Kopfrechnungen usw.). Unser Driver-Attention-Algorithmus erzielte 2013 mit modernsten Machine-Learning-Methoden eine Genauigkeitsmetrik von 68%.
Wir sponserten Mahsa während ihrer Promotion an der Melbourne University im Jahr 2015 und stellten ihr denselben Datensatz zur Verfügung. Sie konnte die Genauigkeitsmetrik mithilfe von Ensemble-Methoden auf 72% verbessern.
Das EEG2Rep-Modell wurde auf den Driver-Distraction-Datensatz angewendet und erzielte mit 80.07% die bisher höchste Genauigkeit, eine erhebliche Verbesserung. Darüber hinaus übertraf das Modell die modernsten Methoden in allen fünf öffentlichen Datensätzen deutlich, einschließlich der Erkennung emotionaler und mentaler Zustände, Multitasking, EEG im Ruhezustand sowie der Erkennung medizinischer Erkrankungen wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das sich über verschiedene Aufgaben und Anwendungen hinweg verallgemeinern lässt und die Grenzen dessen verschiebt, was im Bereich der EEG-Analyse erreicht werden kann.
Wir freuen uns, bekannt zu geben, dass das Paper „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ für eine Präsentation auf der renommierten KDD-2024-Konferenz angenommen wurde.
Navid Foumani ist der leitende Autor. Die Mitautoren 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 gearbeitet hat. 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 eines von 5 EEG-Datensätzen wandte Navid diese Methoden auf unsere Driver-Attention-Daten an:18 Probanden x 45 Minuten simuliertes Fahren mit gelegentlichen Ablenkungen, wie sie für ein Fahrerlebnis typisch sind (Mobilanrufe, Textnachrichten, Navigation, Musikauswahl, Gespräche, mentale Kopfrechnungen usw.). Unser Driver-Attention-Algorithmus erzielte 2013 mit modernsten Machine-Learning-Methoden eine Genauigkeitsmetrik von 68%.
Wir sponserten Mahsa während ihrer Promotion an der Melbourne University im Jahr 2015 und stellten ihr denselben Datensatz zur Verfügung. Sie konnte die Genauigkeitsmetrik mithilfe von Ensemble-Methoden auf 72% verbessern.
Das EEG2Rep-Modell wurde auf den Driver-Distraction-Datensatz angewendet und erzielte mit 80.07% die bisher höchste Genauigkeit, eine erhebliche Verbesserung. Darüber hinaus übertraf das Modell die modernsten Methoden in allen fünf öffentlichen Datensätzen deutlich, einschließlich der Erkennung emotionaler und mentaler Zustände, Multitasking, EEG im Ruhezustand sowie der Erkennung medizinischer Erkrankungen wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das sich über verschiedene Aufgaben und Anwendungen hinweg verallgemeinern lässt und die Grenzen dessen verschiebt, was im Bereich der EEG-Analyse erreicht werden kann.
Wir freuen uns, bekannt zu geben, dass das Paper „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ für eine Präsentation auf der renommierten KDD-2024-Konferenz angenommen wurde.
Navid Foumani ist der leitende Autor. Die Mitautoren 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 gearbeitet hat. 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 eines von 5 EEG-Datensätzen wandte Navid diese Methoden auf unsere Driver-Attention-Daten an:18 Probanden x 45 Minuten simuliertes Fahren mit gelegentlichen Ablenkungen, wie sie für ein Fahrerlebnis typisch sind (Mobilanrufe, Textnachrichten, Navigation, Musikauswahl, Gespräche, mentale Kopfrechnungen usw.). Unser Driver-Attention-Algorithmus erzielte 2013 mit modernsten Machine-Learning-Methoden eine Genauigkeitsmetrik von 68%.
Wir sponserten Mahsa während ihrer Promotion an der Melbourne University im Jahr 2015 und stellten ihr denselben Datensatz zur Verfügung. Sie konnte die Genauigkeitsmetrik mithilfe von Ensemble-Methoden auf 72% verbessern.
Das EEG2Rep-Modell wurde auf den Driver-Distraction-Datensatz angewendet und erzielte mit 80.07% die bisher höchste Genauigkeit, eine erhebliche Verbesserung. Darüber hinaus übertraf das Modell die modernsten Methoden in allen fünf öffentlichen Datensätzen deutlich, einschließlich der Erkennung emotionaler und mentaler Zustände, Multitasking, EEG im Ruhezustand sowie der Erkennung medizinischer Erkrankungen wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das sich über verschiedene Aufgaben und Anwendungen hinweg verallgemeinern lässt und die Grenzen dessen verschiebt, was im Bereich der EEG-Analyse erreicht werden kann.
