خوشحالیم اعلام کنیم که مقاله «EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs» برای ارائه در کنفرانس معتبر KDD 2024 Conference پذیرفته شده است.

نوید فومنی نویسنده اصلی این مقاله است. نویسندگان همکار عبارتند از: دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مکلار، دکتر سهیلا قانع، دکتر سعد ایرتزا، و دکتر نام نگوین (بخش پژوهش Emotiv، شرکت با مسئولیت محدود).

خواندن مقاله

مشاهده کد

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

به عنوان یکی از ۵ مجموعه داده EEG، نوید این روش‌ها را روی داده‌های «توجه راننده» ما اعمال کرد: ۱۸ شرکت‌کننده × ۴۵ دقیقه رانندگی شبیه‌سازی‌شده همراه با عوامل حواس‌پرتی متناوب متداول در تجربه رانندگی (تماس‌های موبایل، پیام‌های متنی، مسیریابی، انتخاب موسیقی، گفتگو، محاسبات ذهنی سریع و غیره). الگوریتم «توجه راننده» ما در سال ۲۰۱۳ با معیاری برای سنجش دقت ۶۸٪ با استفاده از روش‌های پیشرفته یادگیری ماشین ارائه شد.

ما در طول دوران دکترای مهسا در دانشگاه ملبورن در سال ۲۰۱۵ حامی مالی او بودیم و همین مجموعه داده را در اختیار او قرار دادیم. او موفق شد با استفاده از روش‌های یادگیری گروهی (Ensemble methods)، این معیار دقت را به ۷۲٪ بهبود ببخشد.

مدل EEG2Rep بر روی مجموعه داده حواس‌پرتی راننده اعمال شد و به بالاترین دقت ثبت‌شده تا به امروز، یعنی ۸۰.۰۷٪ دست یافت که یک بهبود چشمگیر است. همچنین، این مدل به طور قابل‌توجهی از روش‌های پیشرفته در هر پنج مجموعه داده عمومی دیگر، از جمله تشخیص حالت عاطفی و ذهنی، چندوظیفگی، EEG در حالت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی پیشی گرفت.

این موفقیت راه را برای توسعه یک مدل پایه برای داده‌های EEG هموار می‌کند که می‌تواند در وظایف و کاربردهای مختلف تعمیم یابد و مرزهای آنچه را که می‌توان در زمینه تحلیل EEG به دست آورد، جابجا کند.