EEG2Rep: یک معماری هوش مصنوعی خودنظارتی برای مدلسازی دادههای EEG
های دی دوران
۱ مرداد ۱۴۰۳
به اشتراک گذاری:
ما خوشحال هستیم که اعلام کنیم مقاله "EEG2Rep: تقویت نمایش EEG خود-نظارتی از طریق ورودیهای ماسکشده اطلاعاتی" برای ارائه در کنفرانس معتبر KDD 2024 پذیرفته شده است.
نوید فومانی نویسنده اصلی است. نویسندگان همکار عبارتند از: دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مککالر، دکتر سهیلا غنی، دکتر سعد ایرتزا و دکتر نام نگوئن (تحقیقات EMOTIV، Pty Ltd).
EMOTIV از نوید فومانی، دانشجوی دکترا که در حال کار بر روی بهکارگیری روشهای یادگیری عمیق بر روی دادههای EEG تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن، استرالیا، حمایت میکند. نوید بهطور نزدیک با تیم ما کار کرد تا یک معماری نوین خود-نظارتی به نام EEG2Rep توسعه دهد، که برای مدلسازی دادههای EEG بسیار امیدوارکننده است.
به عنوان یکی از 5 مجموعه داده EEG، نوید این روشها را به دادههای توجه راننده ما اعمال کرد: 18 نفر × 45 دقیقه رانندگی شبیهسازیشده با مزاحمتهای متناوب که معمولاً در یک تجربه رانندگی وجود دارد (تماسهای موبایلی، پیامکها، ناوبری، انتخاب موسیقی، مکالمه، محاسبات ذهنی آنی و غیره). الگوریتم توجه راننده ما با دقت 68٪ در سال 2013 با استفاده از روشهای یادگیری ماشین پیشرفته ارائه شد.
ما در سال 2015 از مهسا در دوران دکتریاش در دانشگاه ملبورن حمایت کردیم و همان مجموعه داده را در اختیار او قرار دادیم. او موفق شد دقت را با استفاده از روشهای ترکیبی به 72٪ بهبود بخشد.
مدل EEG2Rep به مجموعه داده حواسپرتی راننده اعمال شد و بالاترین دقت تاکنون، 80.07٪، که بهبود قابلتوجهی است، را به دست آورد. علاوه بر این، این مدل بهطور قابلتوجهی بهتر از روشهای پیشرفته در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص وضعیتهای هیجانی و ذهنی، انجام چندکارگی، حالت آرامش EEG و تشخیص وضعیتهای پزشکی مانند صرع و سکته، عمل کرد.
این موفقیت امکان توسعه یک مدل بنیادی برای دادههای EEG را فراهم میکند که میتواند در وظایف و برنامههای مختلف عمومیت داشته باشد و مرزهای آنچه که میتوان در زمینه تحلیل EEG به دست آورد را گسترش دهد.
ما خوشحال هستیم که اعلام کنیم مقاله "EEG2Rep: تقویت نمایش EEG خود-نظارتی از طریق ورودیهای ماسکشده اطلاعاتی" برای ارائه در کنفرانس معتبر KDD 2024 پذیرفته شده است.
نوید فومانی نویسنده اصلی است. نویسندگان همکار عبارتند از: دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مککالر، دکتر سهیلا غنی، دکتر سعد ایرتزا و دکتر نام نگوئن (تحقیقات EMOTIV، Pty Ltd).
EMOTIV از نوید فومانی، دانشجوی دکترا که در حال کار بر روی بهکارگیری روشهای یادگیری عمیق بر روی دادههای EEG تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن، استرالیا، حمایت میکند. نوید بهطور نزدیک با تیم ما کار کرد تا یک معماری نوین خود-نظارتی به نام EEG2Rep توسعه دهد، که برای مدلسازی دادههای EEG بسیار امیدوارکننده است.
به عنوان یکی از 5 مجموعه داده EEG، نوید این روشها را به دادههای توجه راننده ما اعمال کرد: 18 نفر × 45 دقیقه رانندگی شبیهسازیشده با مزاحمتهای متناوب که معمولاً در یک تجربه رانندگی وجود دارد (تماسهای موبایلی، پیامکها، ناوبری، انتخاب موسیقی، مکالمه، محاسبات ذهنی آنی و غیره). الگوریتم توجه راننده ما با دقت 68٪ در سال 2013 با استفاده از روشهای یادگیری ماشین پیشرفته ارائه شد.
ما در سال 2015 از مهسا در دوران دکتریاش در دانشگاه ملبورن حمایت کردیم و همان مجموعه داده را در اختیار او قرار دادیم. او موفق شد دقت را با استفاده از روشهای ترکیبی به 72٪ بهبود بخشد.
مدل EEG2Rep به مجموعه داده حواسپرتی راننده اعمال شد و بالاترین دقت تاکنون، 80.07٪، که بهبود قابلتوجهی است، را به دست آورد. علاوه بر این، این مدل بهطور قابلتوجهی بهتر از روشهای پیشرفته در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص وضعیتهای هیجانی و ذهنی، انجام چندکارگی، حالت آرامش EEG و تشخیص وضعیتهای پزشکی مانند صرع و سکته، عمل کرد.
این موفقیت امکان توسعه یک مدل بنیادی برای دادههای EEG را فراهم میکند که میتواند در وظایف و برنامههای مختلف عمومیت داشته باشد و مرزهای آنچه که میتوان در زمینه تحلیل EEG به دست آورد را گسترش دهد.
ما خوشحال هستیم که اعلام کنیم مقاله "EEG2Rep: تقویت نمایش EEG خود-نظارتی از طریق ورودیهای ماسکشده اطلاعاتی" برای ارائه در کنفرانس معتبر KDD 2024 پذیرفته شده است.
نوید فومانی نویسنده اصلی است. نویسندگان همکار عبارتند از: دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مککالر، دکتر سهیلا غنی، دکتر سعد ایرتزا و دکتر نام نگوئن (تحقیقات EMOTIV، Pty Ltd).
EMOTIV از نوید فومانی، دانشجوی دکترا که در حال کار بر روی بهکارگیری روشهای یادگیری عمیق بر روی دادههای EEG تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن، استرالیا، حمایت میکند. نوید بهطور نزدیک با تیم ما کار کرد تا یک معماری نوین خود-نظارتی به نام EEG2Rep توسعه دهد، که برای مدلسازی دادههای EEG بسیار امیدوارکننده است.
به عنوان یکی از 5 مجموعه داده EEG، نوید این روشها را به دادههای توجه راننده ما اعمال کرد: 18 نفر × 45 دقیقه رانندگی شبیهسازیشده با مزاحمتهای متناوب که معمولاً در یک تجربه رانندگی وجود دارد (تماسهای موبایلی، پیامکها، ناوبری، انتخاب موسیقی، مکالمه، محاسبات ذهنی آنی و غیره). الگوریتم توجه راننده ما با دقت 68٪ در سال 2013 با استفاده از روشهای یادگیری ماشین پیشرفته ارائه شد.
ما در سال 2015 از مهسا در دوران دکتریاش در دانشگاه ملبورن حمایت کردیم و همان مجموعه داده را در اختیار او قرار دادیم. او موفق شد دقت را با استفاده از روشهای ترکیبی به 72٪ بهبود بخشد.
مدل EEG2Rep به مجموعه داده حواسپرتی راننده اعمال شد و بالاترین دقت تاکنون، 80.07٪، که بهبود قابلتوجهی است، را به دست آورد. علاوه بر این، این مدل بهطور قابلتوجهی بهتر از روشهای پیشرفته در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص وضعیتهای هیجانی و ذهنی، انجام چندکارگی، حالت آرامش EEG و تشخیص وضعیتهای پزشکی مانند صرع و سکته، عمل کرد.
این موفقیت امکان توسعه یک مدل بنیادی برای دادههای EEG را فراهم میکند که میتواند در وظایف و برنامههای مختلف عمومیت داشته باشد و مرزهای آنچه که میتوان در زمینه تحلیل EEG به دست آورد را گسترش دهد.
