EEG2Rep: Una arquitectura de IA auto-supervisada para el modelado de datos de EEG
H.B. Duran
Actualizado el
22 jul 2024
EEG2Rep: Una arquitectura de IA auto-supervisada para el modelado de datos de EEG
H.B. Duran
Actualizado el
22 jul 2024
EEG2Rep: Una arquitectura de IA auto-supervisada para el modelado de datos de EEG
H.B. Duran
Actualizado el
22 jul 2024
Nos complace anunciar que el artículo “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” ha sido aceptado para su presentación en la prestigiosa Conferencia KDD 2024.
Navid Foumani es el autor principal. Los coautores son la Dra. Mahsa Salehi (Universidad de Monash), el Dr. Geoffrey Mackellar, la Dra. Soheila Ghane, el Dr. Saad Irtza y el Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv patrocina a Navid Foumani, un candidato a doctorado que ha estado trabajando en la aplicación de métodos de aprendizaje profundo a datos de EEG bajo la supervisión de la Dra. Mahsa Salehi en la Universidad de Monash en Melbourne, Australia. Navid trabajó estrechamente con nuestro equipo para desarrollar una nueva arquitectura auto-supervisada conocida como EEG2Rep, que es enormemente prometedora para modelar datos de EEG.
Como uno de los 5 conjuntos de datos de EEG, Navid aplicó estos métodos a nuestros datos de Atención al Conductor: 18 sujetos x 45 minutos de conducción simulada con distractores intermitentes típicos de una experiencia de conducción (llamadas móviles, mensajes de texto, navegación, selección de música, conversación, cálculos mentales sobre la marcha, etc.). Nuestro algoritmo de Atención al Conductor se entregó con una métrica de precisión del 68% utilizando métodos de aprendizaje automático de última generación en 2013.
Patrocinamos a Mahsa durante su doctorado en la Universidad de Melbourne en 2015, proporcionándole el mismo conjunto de datos. Ella logró mejorar la métrica de precisión al 72% utilizando métodos de ensamble.
El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y logró la precisión más alta hasta la fecha, 80.07%, una mejora sustancial. Además, el modelo superó significativamente a los métodos de última generación en cada uno de los cinco conjuntos de datos públicos, incluyendo la detección del estado emocional y mental, la multitarea, el EEG en estado de reposo y la detección de afecciones médicas como la epilepsia y el accidente cerebrovascular.
Este éxito abre la posibilidad de desarrollar un modelo fundacional para datos de EEG que pueda generalizarse en diversas tareas y aplicaciones, superando los límites de lo que se puede lograr en el campo del análisis de EEG.
Nos complace anunciar que el artículo “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” ha sido aceptado para su presentación en la prestigiosa Conferencia KDD 2024.
Navid Foumani es el autor principal. Los coautores son la Dra. Mahsa Salehi (Universidad de Monash), el Dr. Geoffrey Mackellar, la Dra. Soheila Ghane, el Dr. Saad Irtza y el Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv patrocina a Navid Foumani, un candidato a doctorado que ha estado trabajando en la aplicación de métodos de aprendizaje profundo a datos de EEG bajo la supervisión de la Dra. Mahsa Salehi en la Universidad de Monash en Melbourne, Australia. Navid trabajó estrechamente con nuestro equipo para desarrollar una nueva arquitectura auto-supervisada conocida como EEG2Rep, que es enormemente prometedora para modelar datos de EEG.
Como uno de los 5 conjuntos de datos de EEG, Navid aplicó estos métodos a nuestros datos de Atención al Conductor: 18 sujetos x 45 minutos de conducción simulada con distractores intermitentes típicos de una experiencia de conducción (llamadas móviles, mensajes de texto, navegación, selección de música, conversación, cálculos mentales sobre la marcha, etc.). Nuestro algoritmo de Atención al Conductor se entregó con una métrica de precisión del 68% utilizando métodos de aprendizaje automático de última generación en 2013.
Patrocinamos a Mahsa durante su doctorado en la Universidad de Melbourne en 2015, proporcionándole el mismo conjunto de datos. Ella logró mejorar la métrica de precisión al 72% utilizando métodos de ensamble.
El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y logró la precisión más alta hasta la fecha, 80.07%, una mejora sustancial. Además, el modelo superó significativamente a los métodos de última generación en cada uno de los cinco conjuntos de datos públicos, incluyendo la detección del estado emocional y mental, la multitarea, el EEG en estado de reposo y la detección de afecciones médicas como la epilepsia y el accidente cerebrovascular.
Este éxito abre la posibilidad de desarrollar un modelo fundacional para datos de EEG que pueda generalizarse en diversas tareas y aplicaciones, superando los límites de lo que se puede lograr en el campo del análisis de EEG.
Nos complace anunciar que el artículo “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” ha sido aceptado para su presentación en la prestigiosa Conferencia KDD 2024.
Navid Foumani es el autor principal. Los coautores son la Dra. Mahsa Salehi (Universidad de Monash), el Dr. Geoffrey Mackellar, la Dra. Soheila Ghane, el Dr. Saad Irtza y el Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv patrocina a Navid Foumani, un candidato a doctorado que ha estado trabajando en la aplicación de métodos de aprendizaje profundo a datos de EEG bajo la supervisión de la Dra. Mahsa Salehi en la Universidad de Monash en Melbourne, Australia. Navid trabajó estrechamente con nuestro equipo para desarrollar una nueva arquitectura auto-supervisada conocida como EEG2Rep, que es enormemente prometedora para modelar datos de EEG.
Como uno de los 5 conjuntos de datos de EEG, Navid aplicó estos métodos a nuestros datos de Atención al Conductor: 18 sujetos x 45 minutos de conducción simulada con distractores intermitentes típicos de una experiencia de conducción (llamadas móviles, mensajes de texto, navegación, selección de música, conversación, cálculos mentales sobre la marcha, etc.). Nuestro algoritmo de Atención al Conductor se entregó con una métrica de precisión del 68% utilizando métodos de aprendizaje automático de última generación en 2013.
Patrocinamos a Mahsa durante su doctorado en la Universidad de Melbourne en 2015, proporcionándole el mismo conjunto de datos. Ella logró mejorar la métrica de precisión al 72% utilizando métodos de ensamble.
El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y logró la precisión más alta hasta la fecha, 80.07%, una mejora sustancial. Además, el modelo superó significativamente a los métodos de última generación en cada uno de los cinco conjuntos de datos públicos, incluyendo la detección del estado emocional y mental, la multitarea, el EEG en estado de reposo y la detección de afecciones médicas como la epilepsia y el accidente cerebrovascular.
Este éxito abre la posibilidad de desarrollar un modelo fundacional para datos de EEG que pueda generalizarse en diversas tareas y aplicaciones, superando los límites de lo que se puede lograr en el campo del análisis de EEG.