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 en est l'auteur principal. Les coauteurs sont le Dr Mahsa Salehi (Université Monash), le Dr Geoffrey Mackellar, la Dre 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 doctorant qui travaille sur l'application de méthodes d'apprentissage profond aux données EEG sous la direction de la Dre Mahsa Salehi à l'Université Monash de Melbourne, en Australie. Navid a travaillé en étroite collaboration avec notre équipe pour développer une nouvelle architecture auto-supervisée appelée EEG2Rep, qui s'avère extrêmement prometteuse pour la modélisation des données EEG.

Parmi 5 ensembles de données EEG, Navid a appliqué ces méthodes à nos données d'attention du conducteur : 18 sujets x 45 minutes de conduite simulée avec des distracteurs intermittents 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 avait été livré avec un taux 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 porter le taux de précision à 72 % en utilisant des méthodes d'ensemble.

Le modèle EEG2Rep a été appliqué à l'ensemble de données sur la distraction au volant et a obtenu la précision la plus élevée à ce jour, soit 80,07 %, ce qui représente une amélioration substantielle. De plus, le modèle a largement surpassé les méthodes de pointe dans chacun des cinq ensembles de données publics, y compris la détection de l'état émotionnel et mental, le multitâche, l'EEG au repos et la détection d'affections médicales telles que l'épilepsie et les accidents vasculaires cérébraux.

Ce succès ouvre la possibilité de développer un modèle de base pour les données 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 EEG.