Nous avons le plaisir d’annoncer que l’article « EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs » a été accepté pour une présentation à la prestigieuse Conférence KDD 2024.

Navid Foumani est l’auteur principal. Les co-auteurs sont le Dr Mahsa Salehi (Monash University), le Dr Geoffrey Mackellar, le 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 doctorant qui travaille à l’application de méthodes d’apprentissage profond aux données EEG sous la supervision du Dr Mahsa Salehi à Monash University, à Melbourne, en Australie. Navid a travaillé en étroite collaboration avec notre équipe pour développer une nouvelle architecture auto-supervisée appelée EEG2Rep, qui est extrêmement prometteuse pour la modélisation des données EEG.

Comme l’un des 5 jeux de données EEG, Navid a appliqué ces méthodes à nos données Driver Attention : 18 sujets x 45 minutes de conduite simulée avec des distracteurs intermittents typiques d’une expérience de conduite (appels mobiles, messages texte, navigation, sélection musicale, conversation, calculs mentaux improvisés, etc.). Notre algorithme Driver Attention a été fourni avec une métrique de précision de 68 % en utilisant des méthodes d’apprentissage automatique de pointe en 2013.

Nous avons sponsorisé Mahsa pendant son doctorat à Melbourne University en 2015, en lui fournissant le même jeu 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 au jeu de données Driver Distraction et a atteint la meilleure précision à ce jour, 80.07 %, une amélioration substantielle. De plus, le modèle a nettement surpassé les méthodes de pointe dans chacun des cinq jeux de données publics, notamment pour la détection des états émotionnels et mentaux, le multitâche, l’EEG en état de repos, ainsi que la détection de conditions médicales telles que l’épilepsie et l’AVC.

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