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 این پژوهش دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک‌کلار، دکتر سهیلا قانع، دکتر سعد ایرتزا، و دکتر نام نگوین (بخش تحقیقات Emotiv) هستند.

مطالعه 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 بر روی داده‌های EEG کار می‌کند. نوید برای توسعه یک معماری خود-نظارتی نوین به نام EEG2Rep که برای مدل‌سازی داده‌های EEG بسیار نویدبخش است، همکاری نزدیکی با تیم ما داشت.






به عنوان یکی از ۵ مجموعه داده EEG، نوید این روش‌ها را روی داده‌های مربوط به توجه راننده (Driver Attention) ما اعمال کرد: ۱۸ شرکت‌کننده × ۴۵ دقیقه رانندگی شبیه‌سازی‌شده با عوامل حواس‌پرتی متناوب که در تجربه رانندگی معمول هستند (تماس‌های موبایل، 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 با دقت ۶۸٪ ارائه شد. 

ما در طول دوره دکترای مهسا در دانشگاه ملبورن در سال ۲۰۱۵، با ارائه همین مجموعه داده از او حمایت کردیم. او موفق شد با استفاده از روش‌های یادگیری جمعی (ensemble methods)، دقت را به ۷۲٪ بهبود بخشد.

مدل EEG2Rep بر 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 وضعیت احساسی و ذهنی، انجام همزمان چند کار (multitasking)، EEG وضعیت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طرز چشمگیری از روش‌های پیشرفته فعلی 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، جابه‌جا 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 این پژوهش دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک‌کلار، دکتر سهیلا قانع، دکتر سعد ایرتزا، و دکتر نام نگوین (بخش تحقیقات Emotiv) هستند.

مطالعه 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 بر روی داده‌های EEG کار می‌کند. نوید برای توسعه یک معماری خود-نظارتی نوین به نام EEG2Rep که برای مدل‌سازی داده‌های EEG بسیار نویدبخش است، همکاری نزدیکی با تیم ما داشت.






به عنوان یکی از ۵ مجموعه داده EEG، نوید این روش‌ها را روی داده‌های مربوط به توجه راننده (Driver Attention) ما اعمال کرد: ۱۸ شرکت‌کننده × ۴۵ دقیقه رانندگی شبیه‌سازی‌شده با عوامل حواس‌پرتی متناوب که در تجربه رانندگی معمول هستند (تماس‌های موبایل، 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 با دقت ۶۸٪ ارائه شد. 

ما در طول دوره دکترای مهسا در دانشگاه ملبورن در سال ۲۰۱۵، با ارائه همین مجموعه داده از او حمایت کردیم. او موفق شد با استفاده از روش‌های یادگیری جمعی (ensemble methods)، دقت را به ۷۲٪ بهبود بخشد.

مدل EEG2Rep بر 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 وضعیت احساسی و ذهنی، انجام همزمان چند کار (multitasking)، EEG وضعیت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طرز چشمگیری از روش‌های پیشرفته فعلی 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، جابه‌جا 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 این پژوهش دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک‌کلار، دکتر سهیلا قانع، دکتر سعد ایرتزا، و دکتر نام نگوین (بخش تحقیقات Emotiv) هستند.

مطالعه 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 بر روی داده‌های EEG کار می‌کند. نوید برای توسعه یک معماری خود-نظارتی نوین به نام EEG2Rep که برای مدل‌سازی داده‌های EEG بسیار نویدبخش است، همکاری نزدیکی با تیم ما داشت.






به عنوان یکی از ۵ مجموعه داده EEG، نوید این روش‌ها را روی داده‌های مربوط به توجه راننده (Driver Attention) ما اعمال کرد: ۱۸ شرکت‌کننده × ۴۵ دقیقه رانندگی شبیه‌سازی‌شده با عوامل حواس‌پرتی متناوب که در تجربه رانندگی معمول هستند (تماس‌های موبایل، 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 با دقت ۶۸٪ ارائه شد. 

ما در طول دوره دکترای مهسا در دانشگاه ملبورن در سال ۲۰۱۵، با ارائه همین مجموعه داده از او حمایت کردیم. او موفق شد با استفاده از روش‌های یادگیری جمعی (ensemble methods)، دقت را به ۷۲٪ بهبود بخشد.

مدل EEG2Rep بر 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 وضعیت احساسی و ذهنی، انجام همزمان چند کار (multitasking)، EEG وضعیت استراحت، و تشخیص شرایط پزشکی مانند صرع و سکته مغزی، به طرز چشمگیری از روش‌های پیشرفته فعلی 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، جابه‌جا کند.