Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
EEG2Rep: Eine selbstüberwachte KI-Architektur für die Modellierung von EEG-Daten
Heidi Duran
22.07.2024
Teilen:
Wir freuen uns bekannt zu geben, dass das Papier „EEG2Rep: Verbesserung der selbstüberwachten EEG-Darstellung durch informative maskierte Eingaben“ zur Präsentation auf der prestigeträchtigen KDD 2024 Konferenz akzeptiert wurde.
Navid Foumani ist der Hauptautor. Die Mitautoren sind Dr. Mahsa Salehi (Monash Universität), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza und Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsort Navid Foumani, einen Doktoranden, der an der Anwendung von Deep-Learning-Methoden auf EEG-Daten arbeitet, unter der Aufsicht von Dr. Mahsa Salehi an der Monash Universität in Melbourne, Australien. Navid arbeitete eng mit unserem Team zusammen, um eine neuartige selbstüberwachte Architektur namens EEG2Rep zu entwickeln, die äußerst vielversprechend für die Modellierung von EEG-Daten ist.
Als eines von 5 EEG-Datensätzen wandte Navid diese Methoden auf unsere Fahreraufmerksamkeitsdaten an: 18 Probanden x 45 Minuten simuliertes Fahren mit intermittierenden Ablenkungen, die typisch für eine Fahrerfahrung sind (Handygespräche, Textnachrichten, Navigation, Musikauswahl, Gespräche, mentale Berechnungen im Handumdrehen usw.). Unser Fahreraufmerksamkeitsalgorithmus wurde 2013 mit einer Genauigkeitsmetrik von 68% ausgeliefert, unter Verwendung von Methoden des maschinellen Lernens der neuesten Generation.
Wir haben Mahsa während ihrer Promotion an der Universität Melbourne im Jahr 2015 gesponsert und ihr denselben Datensatz zur Verfügung gestellt. Sie konnte die Genauigkeitsmetrik auf 72% mit Ensemble-Methoden verbessern.
Das EEG2Rep-Modell wurde auf den Datensatz zur Fahrerablenkung angewendet und erzielte die höchste Genauigkeit bis heute, 80,07%, eine erhebliche Verbesserung. Darüber hinaus übertraf das Modell in jedem der fünf öffentlichen Datensätze die Methoden der neuesten Generation erheblich, einschließlich der Erkennung emotionaler und mentaler Zustände, Multitasking, Ruhe-EGG und der Erkennung medizinischer Zustände wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das über verschiedene Aufgaben und Anwendungen generalisieren kann und die Grenzen dessen, was im Bereich der EEG-Analyse erreicht werden kann, erweitert.
Wir freuen uns bekannt zu geben, dass das Papier „EEG2Rep: Verbesserung der selbstüberwachten EEG-Darstellung durch informative maskierte Eingaben“ zur Präsentation auf der prestigeträchtigen KDD 2024 Konferenz akzeptiert wurde.
Navid Foumani ist der Hauptautor. Die Mitautoren sind Dr. Mahsa Salehi (Monash Universität), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza und Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsort Navid Foumani, einen Doktoranden, der an der Anwendung von Deep-Learning-Methoden auf EEG-Daten arbeitet, unter der Aufsicht von Dr. Mahsa Salehi an der Monash Universität in Melbourne, Australien. Navid arbeitete eng mit unserem Team zusammen, um eine neuartige selbstüberwachte Architektur namens EEG2Rep zu entwickeln, die äußerst vielversprechend für die Modellierung von EEG-Daten ist.
Als eines von 5 EEG-Datensätzen wandte Navid diese Methoden auf unsere Fahreraufmerksamkeitsdaten an: 18 Probanden x 45 Minuten simuliertes Fahren mit intermittierenden Ablenkungen, die typisch für eine Fahrerfahrung sind (Handygespräche, Textnachrichten, Navigation, Musikauswahl, Gespräche, mentale Berechnungen im Handumdrehen usw.). Unser Fahreraufmerksamkeitsalgorithmus wurde 2013 mit einer Genauigkeitsmetrik von 68% ausgeliefert, unter Verwendung von Methoden des maschinellen Lernens der neuesten Generation.
Wir haben Mahsa während ihrer Promotion an der Universität Melbourne im Jahr 2015 gesponsert und ihr denselben Datensatz zur Verfügung gestellt. Sie konnte die Genauigkeitsmetrik auf 72% mit Ensemble-Methoden verbessern.
Das EEG2Rep-Modell wurde auf den Datensatz zur Fahrerablenkung angewendet und erzielte die höchste Genauigkeit bis heute, 80,07%, eine erhebliche Verbesserung. Darüber hinaus übertraf das Modell in jedem der fünf öffentlichen Datensätze die Methoden der neuesten Generation erheblich, einschließlich der Erkennung emotionaler und mentaler Zustände, Multitasking, Ruhe-EGG und der Erkennung medizinischer Zustände wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das über verschiedene Aufgaben und Anwendungen generalisieren kann und die Grenzen dessen, was im Bereich der EEG-Analyse erreicht werden kann, erweitert.
Wir freuen uns bekannt zu geben, dass das Papier „EEG2Rep: Verbesserung der selbstüberwachten EEG-Darstellung durch informative maskierte Eingaben“ zur Präsentation auf der prestigeträchtigen KDD 2024 Konferenz akzeptiert wurde.
Navid Foumani ist der Hauptautor. Die Mitautoren sind Dr. Mahsa Salehi (Monash Universität), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza und Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsort Navid Foumani, einen Doktoranden, der an der Anwendung von Deep-Learning-Methoden auf EEG-Daten arbeitet, unter der Aufsicht von Dr. Mahsa Salehi an der Monash Universität in Melbourne, Australien. Navid arbeitete eng mit unserem Team zusammen, um eine neuartige selbstüberwachte Architektur namens EEG2Rep zu entwickeln, die äußerst vielversprechend für die Modellierung von EEG-Daten ist.
Als eines von 5 EEG-Datensätzen wandte Navid diese Methoden auf unsere Fahreraufmerksamkeitsdaten an: 18 Probanden x 45 Minuten simuliertes Fahren mit intermittierenden Ablenkungen, die typisch für eine Fahrerfahrung sind (Handygespräche, Textnachrichten, Navigation, Musikauswahl, Gespräche, mentale Berechnungen im Handumdrehen usw.). Unser Fahreraufmerksamkeitsalgorithmus wurde 2013 mit einer Genauigkeitsmetrik von 68% ausgeliefert, unter Verwendung von Methoden des maschinellen Lernens der neuesten Generation.
Wir haben Mahsa während ihrer Promotion an der Universität Melbourne im Jahr 2015 gesponsert und ihr denselben Datensatz zur Verfügung gestellt. Sie konnte die Genauigkeitsmetrik auf 72% mit Ensemble-Methoden verbessern.
Das EEG2Rep-Modell wurde auf den Datensatz zur Fahrerablenkung angewendet und erzielte die höchste Genauigkeit bis heute, 80,07%, eine erhebliche Verbesserung. Darüber hinaus übertraf das Modell in jedem der fünf öffentlichen Datensätze die Methoden der neuesten Generation erheblich, einschließlich der Erkennung emotionaler und mentaler Zustände, Multitasking, Ruhe-EGG und der Erkennung medizinischer Zustände wie Epilepsie und Schlaganfall.
Dieser Erfolg eröffnet die Möglichkeit, ein grundlegendes Modell für EEG-Daten zu entwickeln, das über verschiedene Aufgaben und Anwendungen generalisieren kann und die Grenzen dessen, was im Bereich der EEG-Analyse erreicht werden kann, erweitert.
