EEG2Rep : une architecture d'IA auto-supervisée pour la modélisation des données EEG
Heidi Duran
22 juil. 2024
Partager :
Nous sommes heureux d'annoncer que l'article « EEG2Rep : Amélioration de la représentation EEG auto-supervisée grâce à des entrées masquées informatives » a été accepté pour présentation à la prestigieuse Conférence KDD 2024.
Navid Foumani est l'auteur principal. Les co-auteurs sont Dr. Mahsa Salehi (Université Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza et Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsorise Navid Foumani, un doctorant qui a travaillé sur l'application des méthodes d'apprentissage profond aux données EEG sous la direction du Dr. Mahsa Salehi à l'Université Monash à Melbourne, en Australie. Navid a collaboré étroitement avec notre équipe pour développer une nouvelle architecture auto-supervisée connue sous le nom d'EEG2Rep, qui est extrêmement prometteuse pour la modélisation des données EEG.
En tant que l'un des 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 distractions intermittentes typiques d'une expérience de conduite (appels mobiles, messages textes, navigation, sélection de musique, conversation, calculs mentaux en direct, etc.). Notre algorithme d'Attention du Conducteur a été livré avec une précision de 68 % en utilisant des méthodes d'apprentissage automatique à la pointe de la technologie en 2013.
Nous avons sponsorisé Mahsa pendant son doctorat à l'Université de Melbourne en 2015, 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 et a atteint la plus haute précision à ce jour, 80,07 %, une amélioration substantielle. De plus, le modèle a nettement surpassé les méthodes de pointe dans chacun des cinq ensembles de données publics, y compris la détection d'états émotionnels et mentaux, le multitâche, l'EEG à l'état de repos et la détection de conditions médicales telles que l'épilepsie et les AVC.
Ce succès ouvre la possibilité de développer un modèle fondamental pour les données EEG qui peut généraliser diverses tâches et applications, repoussant les limites de ce qu'il est possible d'accomplir dans le domaine de l'analyse EEG.
Nous sommes heureux d'annoncer que l'article « EEG2Rep : Amélioration de la représentation EEG auto-supervisée grâce à des entrées masquées informatives » a été accepté pour présentation à la prestigieuse Conférence KDD 2024.
Navid Foumani est l'auteur principal. Les co-auteurs sont Dr. Mahsa Salehi (Université Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza et Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsorise Navid Foumani, un doctorant qui a travaillé sur l'application des méthodes d'apprentissage profond aux données EEG sous la direction du Dr. Mahsa Salehi à l'Université Monash à Melbourne, en Australie. Navid a collaboré étroitement avec notre équipe pour développer une nouvelle architecture auto-supervisée connue sous le nom d'EEG2Rep, qui est extrêmement prometteuse pour la modélisation des données EEG.
En tant que l'un des 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 distractions intermittentes typiques d'une expérience de conduite (appels mobiles, messages textes, navigation, sélection de musique, conversation, calculs mentaux en direct, etc.). Notre algorithme d'Attention du Conducteur a été livré avec une précision de 68 % en utilisant des méthodes d'apprentissage automatique à la pointe de la technologie en 2013.
Nous avons sponsorisé Mahsa pendant son doctorat à l'Université de Melbourne en 2015, 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 et a atteint la plus haute précision à ce jour, 80,07 %, une amélioration substantielle. De plus, le modèle a nettement surpassé les méthodes de pointe dans chacun des cinq ensembles de données publics, y compris la détection d'états émotionnels et mentaux, le multitâche, l'EEG à l'état de repos et la détection de conditions médicales telles que l'épilepsie et les AVC.
Ce succès ouvre la possibilité de développer un modèle fondamental pour les données EEG qui peut généraliser diverses tâches et applications, repoussant les limites de ce qu'il est possible d'accomplir dans le domaine de l'analyse EEG.
Nous sommes heureux d'annoncer que l'article « EEG2Rep : Amélioration de la représentation EEG auto-supervisée grâce à des entrées masquées informatives » a été accepté pour présentation à la prestigieuse Conférence KDD 2024.
Navid Foumani est l'auteur principal. Les co-auteurs sont Dr. Mahsa Salehi (Université Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza et Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsorise Navid Foumani, un doctorant qui a travaillé sur l'application des méthodes d'apprentissage profond aux données EEG sous la direction du Dr. Mahsa Salehi à l'Université Monash à Melbourne, en Australie. Navid a collaboré étroitement avec notre équipe pour développer une nouvelle architecture auto-supervisée connue sous le nom d'EEG2Rep, qui est extrêmement prometteuse pour la modélisation des données EEG.
En tant que l'un des 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 distractions intermittentes typiques d'une expérience de conduite (appels mobiles, messages textes, navigation, sélection de musique, conversation, calculs mentaux en direct, etc.). Notre algorithme d'Attention du Conducteur a été livré avec une précision de 68 % en utilisant des méthodes d'apprentissage automatique à la pointe de la technologie en 2013.
Nous avons sponsorisé Mahsa pendant son doctorat à l'Université de Melbourne en 2015, 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 et a atteint la plus haute précision à ce jour, 80,07 %, une amélioration substantielle. De plus, le modèle a nettement surpassé les méthodes de pointe dans chacun des cinq ensembles de données publics, y compris la détection d'états émotionnels et mentaux, le multitâche, l'EEG à l'état de repos et la détection de conditions médicales telles que l'épilepsie et les AVC.
Ce succès ouvre la possibilité de développer un modèle fondamental pour les données EEG qui peut généraliser diverses tâches et applications, repoussant les limites de ce qu'il est possible d'accomplir dans le domaine de l'analyse EEG.
