خوشحالیم اعلام کنیم که مقاله «EEG2Rep: بهبود بازنمایی خود-نظارتی EEG از طریق ورودی‌های پوشانده‌شده اطلاعاتی» برای ارائه در کنفرانس معتبر KDD 2024 Conference پذیرفته شده است.

نوید فومنی نویسنده اصلی این مقاله است. سایر نویسندگان عبارتند از دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک‌کلار، دکتر سهیلا قانع، دکتر سعد ایرتزا، و دکتر نام نگوین (بخش تحقیقات Emotiv).

مطالعه مقاله

مشاهده کد

Emotiv حامی مالی نوید فومنی، دانشجوی دکتری است که تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن استرالیا، روی اعمال روش‌های یادگیری عمیق بر روی داده‌های EEG کار می‌کند. نوید همکاری نزدیکی با تیم ما داشت تا معماری خود-نظارتی نوآورانه‌ای به نام EEG2Rep را توسعه دهد که برای مدل‌سازی داده‌های EEG بسیار نویدبخش است.

نوید این روش‌ها را روی داده‌های مربوط به توجه راننده (Driver Attention) ما به عنوان یکی از ۵ مجموعه داده EEG اعمال کرد: ۱۸ شرکت‌کننده × ۴۵ دقیقه رانندگی شبیه‌سازی‌شده با عوامل حواس‌پرتی متناوب که در تجربه رانندگی معمول هستند (تماس‌های تلفنی، پیام‌های متنی، مسیریابی، انتخاب موسیقی، گفتگو، محاسبات ذهنی سریع و غیره). الگوریتم توجه راننده ما در سال ۲۰۱۳ با استفاده از روش‌های پیشرفته یادگیری ماشین، به معیار دقت ۶۸٪ دست یافته بود.

ما در طول دوره دکتری مهسا در دانشگاه ملبورن در سال ۲۰۱۵ حامی مالی او بودیم و همین مجموعه داده را در اختیارش قرار دادیم. او موفق شد با استفاده از روش‌های مجموعه‌ای (Ensemble)، معیار دقت را به ۷۲٪ ارتقا دهد.

مدل EEG2Rep بر روی مجموعه داده حواس‌پرتی راننده اعمال شد و به بالاترین میزان دقت تا به امروز یعنی ۸۰.۰۷٪ دست یافت که بهبود قابل‌توجهی است. علاوه بر این، این مدل در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص وضعیت‌های عاطفی و ذهنی، انجام چند کار همزمان، EEG در حالت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طرز چشمگیری از روش‌های پیشرفته کنونی پیشی گرفت.

این موفقیت راه را برای توسعه یک مدل پایه برای داده‌های EEG هموار می‌سازد که می‌تواند در وظایف و کاربردهای مختلف تعمیم یابد و مرزهای آنچه را که در حوزه تحلیل EEG قابل دستیابی است، جابجا کند.