
EEG2Rep: یک معماری هوش مصنوعی خودنظارتی برای مدلسازی دادههای EEG
اچ. بی. دوران
بهروزرسانی در
۱ مرداد ۱۴۰۳

EEG2Rep: یک معماری هوش مصنوعی خودنظارتی برای مدلسازی دادههای EEG
اچ. بی. دوران
بهروزرسانی در
۱ مرداد ۱۴۰۳

EEG2Rep: یک معماری هوش مصنوعی خودنظارتی برای مدلسازی دادههای EEG
اچ. بی. دوران
بهروزرسانی در
۱ مرداد ۱۴۰۳
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. همکاران نویسنده عبارتند از دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مککلار، دکتر سهیلا قانع، دکتر سعد ایرتزا و دکتر نام نگوین (Emotiv Research, Pty Ltd).
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 یک معماری خود-نظارتی نوین به نام EEG2Rep را توسعه دهد که برای مدلسازی دادههای EEG بسیار نویدبخش است.
نوید این روشها را به عنوان یکی از ۵ مجموعه داده EEG، روی دادههای توجه راننده (Driver Attention) ما اعمال کرد: ۱۸ سوژه در ۴۵ دقیقه رانندگی شبیهسازی شده همراه با عوامل حواسپرتی متناوب که در تجربه رانندگی معمول هستند (تماسهای تلفنی، پیامهای متنی، ناوبری، انتخاب موسیقی، گفتگو، محاسبات ذهنی سریع و غیره). الگوریتم توجه راننده ما در سال ۲۰۱۳ با استفاده از روشهای پیشرفته یادگیری ماشین با دقت ۶۸ درصد ارائه شد.
ما در طول دوره دکترای 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 یادگیری جمعی (ensemble methods)، معیار دقت را به ۷۲ درصد بهبود بخشد.
مدل EEG2Rep روی مجموعه داده حواسپرتی راننده اعمال شد و به بالاترین 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، چندوظیفهای، EEG در حالت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طور چشمگیری از روشهای پیشرفته موجود بهتر عمل کرد.
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.
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. همکاران نویسنده عبارتند از دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مککلار، دکتر سهیلا قانع، دکتر سعد ایرتزا و دکتر نام نگوین (Emotiv Research, Pty Ltd).
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 یک معماری خود-نظارتی نوین به نام EEG2Rep را توسعه دهد که برای مدلسازی دادههای EEG بسیار نویدبخش است.
نوید این روشها را به عنوان یکی از ۵ مجموعه داده EEG، روی دادههای توجه راننده (Driver Attention) ما اعمال کرد: ۱۸ سوژه در ۴۵ دقیقه رانندگی شبیهسازی شده همراه با عوامل حواسپرتی متناوب که در تجربه رانندگی معمول هستند (تماسهای تلفنی، پیامهای متنی، ناوبری، انتخاب موسیقی، گفتگو، محاسبات ذهنی سریع و غیره). الگوریتم توجه راننده ما در سال ۲۰۱۳ با استفاده از روشهای پیشرفته یادگیری ماشین با دقت ۶۸ درصد ارائه شد.
ما در طول دوره دکترای 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 یادگیری جمعی (ensemble methods)، معیار دقت را به ۷۲ درصد بهبود بخشد.
مدل EEG2Rep روی مجموعه داده حواسپرتی راننده اعمال شد و به بالاترین 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، چندوظیفهای، EEG در حالت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طور چشمگیری از روشهای پیشرفته موجود بهتر عمل کرد.
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.
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. همکاران نویسنده عبارتند از دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مککلار، دکتر سهیلا قانع، دکتر سعد ایرتزا و دکتر نام نگوین (Emotiv Research, Pty Ltd).
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 یک معماری خود-نظارتی نوین به نام EEG2Rep را توسعه دهد که برای مدلسازی دادههای EEG بسیار نویدبخش است.
نوید این روشها را به عنوان یکی از ۵ مجموعه داده EEG، روی دادههای توجه راننده (Driver Attention) ما اعمال کرد: ۱۸ سوژه در ۴۵ دقیقه رانندگی شبیهسازی شده همراه با عوامل حواسپرتی متناوب که در تجربه رانندگی معمول هستند (تماسهای تلفنی، پیامهای متنی، ناوبری، انتخاب موسیقی، گفتگو، محاسبات ذهنی سریع و غیره). الگوریتم توجه راننده ما در سال ۲۰۱۳ با استفاده از روشهای پیشرفته یادگیری ماشین با دقت ۶۸ درصد ارائه شد.
ما در طول دوره دکترای 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 یادگیری جمعی (ensemble methods)، معیار دقت را به ۷۲ درصد بهبود بخشد.
مدل EEG2Rep روی مجموعه داده حواسپرتی راننده اعمال شد و به بالاترین 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، چندوظیفهای، EEG در حالت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طور چشمگیری از روشهای پیشرفته موجود بهتر عمل کرد.
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.