EEG2Rep : une architecture d'IA auto-supervisée pour la modélisation des données EEG

Nous sommes heureux d'annoncer que le papier « EEG2Rep : Améliorer la représentation EEG auto-supervisée à travers des entrées masquées informatives » a été accepté pour présentation lors de la prestigieuse Conférence KDD 2024.

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

Lire le papier

Voir le code

EMOTIV sponsorise Navid Foumani, un doctorant qui a travaillé à l'application des méthodes d'apprentissage profond aux données EEG sous la supervision de Dr. Mahsa Salehi à l'Université de Monash à Melbourne, Australie. Navid a travaillé en étroite collaboration avec notre équipe pour développer une nouvelle architecture auto-supervisée connue sous le nom d'EEG2Rep, qui s'avère 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 à la volée, etc.). Notre algorithme d'Attention du Conducteur a été livré avec une métrique de précision de 68 % en utilisant des méthodes d'apprentissage machine 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 de Distraction du Conducteur et a atteint la plus haute précision à ce jour, 80.07 %, une amélioration substantielle. De plus, le modèle a largement surpassé les méthodes à la pointe de la technologie 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 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 se généraliser à travers diverses tâches et applications, repoussant les limites de ce qui peut être réalisé dans le domaine de l'analyse EEG.