EEG2Rep: یک معماری هوش مصنوعی خودنظارتی برای مدلسازی دادههای EEG
های دی دوران
۱ مرداد ۱۴۰۳
به اشتراک گذاری:
ما خوشحالیم که اعلام کنیم مقاله "EEG2Rep: بهبود بازنمایی EEG خود نظارت شده از طریق ورودیهای ماسک شده اطلاعاتی" برای ارائه در کنفرانس KDD 2024 پذیرفته شده است.
نوید فومن نویسنده اصلی است. نویسندگان همکار دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک کلا و دکتر سهیلا غنجه، دکتر سعد ارتزا و دکتر نام نگوین (تحقیقات EMOTIV، Pty Ltd) هستند.
EMOTIV از نوید فومن، یک دانشجوی دکتری که در حال کار بر روی کاربرد روشهای یادگیری عمیق برای دادههای EEG تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن، استرالیا است، حمایت میکند. نوید با تیم ما همکاری نزدیک داشت تا یک معماری خود نظارت شده نوآورانه به نام EEG2Rep را توسعه دهد که وعدههای بزرگی برای مدلسازی دادههای EEG دارد.
به عنوان یکی از 5 مجموعه داده EEG، نوید این روشها را به دادههای توجه راننده ما اعمال کرد: 18 شرکتکننده x 45 دقیقه رانندگی شبیهسازی شده با مزاحمتهای متناوب که معمولاً در تجربه رانندگی رخ میدهد (تماسهای تلفنی، پیامهای متنی، ناوبری، انتخاب موسیقی، گفتگو، محاسبات ذهنی در لحظه و غیره). الگوریتم توجه راننده ما با دقت 68% با استفاده از روشهای پیشرفته یادگیری ماشین در سال 2013 ارائه شد.
ما در سال 2015 در حین دکتری مهسا در دانشگاه ملبورن از او حمایت کردیم و همان مجموعه داده را در اختیار او قرار دادیم. او توانست دقت را با استفاده از روشهای تجمیعی به 72% افزایش دهد.
مدل EEG2Rep به مجموعه داده حواسپرتی راننده اعمال شد و بالاترین دقت تا به امروز، 80.07% را به دست آورد که یک بهبود قابل توجه است. بهعلاوه، این مدل بهطور قابلملاحظهای از روشهای پیشرفته موجود در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص حالتهای عاطفی و ذهنی، چندوظیفگی، EEG حالت استراحت و تشخیص شرایط پزشکی مانند صرع و سکته مغزی پیشی گرفت.
این موفقیت امکان توسعه یک مدل بنیادین برای دادههای EEG را که میتواند در سراسر وظایف و کاربردهای مختلف تعمیم یابد، فراهم میکند و مرزهای آنچه را که میتوان در زمینه تحلیل EEG به دست آورد، به جلو میبرد.
ما خوشحالیم که اعلام کنیم مقاله "EEG2Rep: بهبود بازنمایی EEG خود نظارت شده از طریق ورودیهای ماسک شده اطلاعاتی" برای ارائه در کنفرانس KDD 2024 پذیرفته شده است.
نوید فومن نویسنده اصلی است. نویسندگان همکار دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک کلا و دکتر سهیلا غنجه، دکتر سعد ارتزا و دکتر نام نگوین (تحقیقات EMOTIV، Pty Ltd) هستند.
EMOTIV از نوید فومن، یک دانشجوی دکتری که در حال کار بر روی کاربرد روشهای یادگیری عمیق برای دادههای EEG تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن، استرالیا است، حمایت میکند. نوید با تیم ما همکاری نزدیک داشت تا یک معماری خود نظارت شده نوآورانه به نام EEG2Rep را توسعه دهد که وعدههای بزرگی برای مدلسازی دادههای EEG دارد.
به عنوان یکی از 5 مجموعه داده EEG، نوید این روشها را به دادههای توجه راننده ما اعمال کرد: 18 شرکتکننده x 45 دقیقه رانندگی شبیهسازی شده با مزاحمتهای متناوب که معمولاً در تجربه رانندگی رخ میدهد (تماسهای تلفنی، پیامهای متنی، ناوبری، انتخاب موسیقی، گفتگو، محاسبات ذهنی در لحظه و غیره). الگوریتم توجه راننده ما با دقت 68% با استفاده از روشهای پیشرفته یادگیری ماشین در سال 2013 ارائه شد.
ما در سال 2015 در حین دکتری مهسا در دانشگاه ملبورن از او حمایت کردیم و همان مجموعه داده را در اختیار او قرار دادیم. او توانست دقت را با استفاده از روشهای تجمیعی به 72% افزایش دهد.
مدل EEG2Rep به مجموعه داده حواسپرتی راننده اعمال شد و بالاترین دقت تا به امروز، 80.07% را به دست آورد که یک بهبود قابل توجه است. بهعلاوه، این مدل بهطور قابلملاحظهای از روشهای پیشرفته موجود در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص حالتهای عاطفی و ذهنی، چندوظیفگی، EEG حالت استراحت و تشخیص شرایط پزشکی مانند صرع و سکته مغزی پیشی گرفت.
این موفقیت امکان توسعه یک مدل بنیادین برای دادههای EEG را که میتواند در سراسر وظایف و کاربردهای مختلف تعمیم یابد، فراهم میکند و مرزهای آنچه را که میتوان در زمینه تحلیل EEG به دست آورد، به جلو میبرد.
ما خوشحالیم که اعلام کنیم مقاله "EEG2Rep: بهبود بازنمایی EEG خود نظارت شده از طریق ورودیهای ماسک شده اطلاعاتی" برای ارائه در کنفرانس KDD 2024 پذیرفته شده است.
نوید فومن نویسنده اصلی است. نویسندگان همکار دکتر مهسا صالحی (دانشگاه موناش)، دکتر جفری مک کلا و دکتر سهیلا غنجه، دکتر سعد ارتزا و دکتر نام نگوین (تحقیقات EMOTIV، Pty Ltd) هستند.
EMOTIV از نوید فومن، یک دانشجوی دکتری که در حال کار بر روی کاربرد روشهای یادگیری عمیق برای دادههای EEG تحت نظارت دکتر مهسا صالحی در دانشگاه موناش در ملبورن، استرالیا است، حمایت میکند. نوید با تیم ما همکاری نزدیک داشت تا یک معماری خود نظارت شده نوآورانه به نام EEG2Rep را توسعه دهد که وعدههای بزرگی برای مدلسازی دادههای EEG دارد.
به عنوان یکی از 5 مجموعه داده EEG، نوید این روشها را به دادههای توجه راننده ما اعمال کرد: 18 شرکتکننده x 45 دقیقه رانندگی شبیهسازی شده با مزاحمتهای متناوب که معمولاً در تجربه رانندگی رخ میدهد (تماسهای تلفنی، پیامهای متنی، ناوبری، انتخاب موسیقی، گفتگو، محاسبات ذهنی در لحظه و غیره). الگوریتم توجه راننده ما با دقت 68% با استفاده از روشهای پیشرفته یادگیری ماشین در سال 2013 ارائه شد.
ما در سال 2015 در حین دکتری مهسا در دانشگاه ملبورن از او حمایت کردیم و همان مجموعه داده را در اختیار او قرار دادیم. او توانست دقت را با استفاده از روشهای تجمیعی به 72% افزایش دهد.
مدل EEG2Rep به مجموعه داده حواسپرتی راننده اعمال شد و بالاترین دقت تا به امروز، 80.07% را به دست آورد که یک بهبود قابل توجه است. بهعلاوه، این مدل بهطور قابلملاحظهای از روشهای پیشرفته موجود در هر یک از پنج مجموعه داده عمومی، از جمله تشخیص حالتهای عاطفی و ذهنی، چندوظیفگی، EEG حالت استراحت و تشخیص شرایط پزشکی مانند صرع و سکته مغزی پیشی گرفت.
این موفقیت امکان توسعه یک مدل بنیادین برای دادههای EEG را که میتواند در سراسر وظایف و کاربردهای مختلف تعمیم یابد، فراهم میکند و مرزهای آنچه را که میتوان در زمینه تحلیل EEG به دست آورد، به جلو میبرد.
