Nous sommes ravis d'annoncer que l'article « EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs » a été accepté pour présentation lors de la prestigieuse Conférence KDD 2024.

Navid Foumani est l'auteur principal. Les co-auteurs sont la Dr Mahsa Salehi (Université de Monash), le Dr Geoffrey Mackellar, la Dr Soheila Ghane, le Dr Saad Irtza et le Dr Nam Nguyen (Emotiv Research, Pty Ltd).

Lire l'article

Voir le code

Emotiv parraine Navid Foumani, un candidat au doctorat qui travaille sur l'application de méthodes d'apprentissage profond aux données d'EEG sous la supervision de la Dr Mahsa Salehi à l'Université de Monash à Melbourne, en Australie. Navid a travaillé en étroite collaboration avec notre équipe pour développer une architecture auto-supervisée novatrice connue sous le nom d'EEG2Rep, qui s'avère extrêmement prometteuse pour la modélisation des données d'EEG.

Parmi 5 ensembles de données d'EEG, Navid a appliqué ces méthodes à nos données sur l'attention du conducteur (Driver Attention) : 18 sujets x 45 minutes de conduite simulée avec des distractions intermittentes typiques d'une expérience de conduite (appels mobiles, SMS, navigation, sélection de musique, conversation, calculs mentaux à la volée, etc.). Notre algorithme d'attention du conducteur a été livré avec une métrique de précision de 68 % à l'aide de méthodes d'apprentissage automatique de pointe en 2013.

Nous avons parrainé Mahsa pendant son doctorat à l'Université de Melbourne en 2015, en lui fournissant le même ensemble de données. Elle a réussi à améliorer la métrique de précision à 72 % en utilisant des méthodes d'ensemble.

Le modèle EEG2Rep a été appliqué à l'ensemble de données sur la distraction du conducteur (Driver Distraction) et a atteint la précision la plus élevée à ce jour, soit 80.07 %, une amélioration substantielle. De plus, le modèle a largement surpassé les méthodes les plus avancées dans chacun des cinq ensembles de données publics, y compris la détection des états émotionnels et mentaux, le multitâche, l'EEG au repos, et la détection d'affections médicales telles que l'épilepsie et l'AVC.

Ce succès ouvre la possibilité de développer un modèle de fondation pour les données d'EEG capable de se généraliser à diverses tâches et applications, repoussant ainsi les limites de ce qui peut être accompli dans le domaine de l'analyse de l'EEG.