EEG2Rep: Una arquitectura de IA autoconstruida para el modelado de datos EEG
Heidi Duran
22 jul 2024
Compartir:
Nos complace anunciar que el paper “EEG2Rep: Mejora de la Representación EEG Auto-supervisada a Través de Entradas Enmascaradas Informativas” fue 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 (Investigación EMOTIV, 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 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 inmensamente prometedora para modelar datos EEG.
Como uno de los 5 conjuntos de datos EEG, Navid aplicó estos métodos a nuestros datos de Atención del 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 del Conductor se entregó con un 68 % de precisión 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 ensamblaje.
El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y alcanzó la mayor precisión 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 de estados emocionales y mentales, multitarea, EEG en estado de reposo y detección de condiciones médicas como epilepsia y accidente cerebrovascular.
Este éxito abre la posibilidad de desarrollar un modelo fundamental para datos EEG que pueda generalizarse a través de varias tareas y aplicaciones, ampliando los límites de lo que se puede lograr en el campo del análisis EEG.
Nos complace anunciar que el paper “EEG2Rep: Mejora de la Representación EEG Auto-supervisada a Través de Entradas Enmascaradas Informativas” fue 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 (Investigación EMOTIV, 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 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 inmensamente prometedora para modelar datos EEG.
Como uno de los 5 conjuntos de datos EEG, Navid aplicó estos métodos a nuestros datos de Atención del 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 del Conductor se entregó con un 68 % de precisión 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 ensamblaje.
El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y alcanzó la mayor precisión 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 de estados emocionales y mentales, multitarea, EEG en estado de reposo y detección de condiciones médicas como epilepsia y accidente cerebrovascular.
Este éxito abre la posibilidad de desarrollar un modelo fundamental para datos EEG que pueda generalizarse a través de varias tareas y aplicaciones, ampliando los límites de lo que se puede lograr en el campo del análisis EEG.
Nos complace anunciar que el paper “EEG2Rep: Mejora de la Representación EEG Auto-supervisada a Través de Entradas Enmascaradas Informativas” fue 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 (Investigación EMOTIV, 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 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 inmensamente prometedora para modelar datos EEG.
Como uno de los 5 conjuntos de datos EEG, Navid aplicó estos métodos a nuestros datos de Atención del 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 del Conductor se entregó con un 68 % de precisión 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 ensamblaje.
El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y alcanzó la mayor precisión 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 de estados emocionales y mentales, multitarea, EEG en estado de reposo y detección de condiciones médicas como epilepsia y accidente cerebrovascular.
Este éxito abre la posibilidad de desarrollar un modelo fundamental para datos EEG que pueda generalizarse a través de varias tareas y aplicaciones, ampliando los límites de lo que se puede lograr en el campo del análisis EEG.
