EEG2Rep: Una arquitectura de IA autoconstruida para el modelado de datos EEG

Nos complace anunciar que el artículo “EEG2Rep: Mejorando la Representación EEG Auto-supervisada a Través de Entradas Enmascaradas Informativas” fue aceptado para presentación en la prestigiosa Conferencia KDD 2024.

Navid Foumani es el autor principal. Los coautores son el Dr. Mahsa Salehi (Universidad Monash), el Dr. Geoffrey Mackellar, la Dra. Soheila Ghane, el Dr. Saad Irtza y el Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).

Leer el artículo

Ver el código

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 Monash en Melbourne, Australia. Navid trabajó en estrecha colaboración 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 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 ensamblaje.

El modelo EEG2Rep se aplicó al conjunto de datos de Distracción del Conductor y logró 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 diversas tareas y aplicaciones, empujando los límites de lo que se puede lograr en el campo del análisis de EEG.