אנו שמחים להכריז כי המאמר "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" התקבל להצגה בוועידה היוקרתית KDD 2024 Conference.

נאביד פומאני (Navid Foumani) הוא המחבר הראשי. המחברים השותפים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלר, ד"ר סוהילה גהאן, ד"ר סעד אירטזה וד"ר נאם נגויין (Emotiv Research, Pty Ltd).

קראו את המאמר

צפו בקוד

Emotiv נותנת חסות לנאביד פומאני, דוקטורנט שעובד על יישום שיטות למידה עמוקה על נתוני EEG תחת הנחייתה של ד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאביד עבד בשיתוף פעולה הדוק עם הצוות שלנו כדי לפתח ארכיטקטורה חדשנית של למידה בפיקוח עצמי המכונה EEG2Rep, שהיא מבטיחה ביותר למידול נתוני EEG.

כאחד מ-5 נתוני EEG, נאביד יישם את השיטות הללו על נתוני קשב הנהג (Driver Attention) שלנו: 18 נבדקים x ‏45 דקות של נהיגה מדומה הכוללת מסיחי דעת לסירוגין האופייניים לחוויית נהיגה (שיחות בנייד, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים תוך כדי תנועה וכו'). אלגוריתם קשב הנהג שלנו סופק עם מדד דיוק של 68% באמצעות שיטות למידת מכונה חדישות בשנת 2013.

נתנו חסות למהסה במהלך הדוקטורט שלה באוניברסיטת מלבורן בשנת 2015, וסיפקנו לה את אותו מערך נתונים. היא הצליחה לשפר את מדד הדיוק ל-72% באמצעות שיטות אנסמבל.

מודל EEG2Rep יושם על מערך הנתונים של הסחת דעת הנהג והשיג את הדיוק הגבוה ביותר עד כה, 80.07%, שיפור משמעותי. בנוסף, המודל עלה באופן משמעותי בביצועיו על שיטות חדישות בכל אחד מחמשת מערכי הנתונים הציבוריים, כולל זיהוי מצב רגשי ומנטלי, ריבוי משימות, EEG במצב מנוחה וזיהוי מצבים רפואיים כגון אפילפסיה ושבץ מוחי.

הצלחה זו פותחת את האפשרות לפתח מודל יסוד לנתוני EEG שיוכל להכליל משימות ויישומים שונים, ובכך לפרוץ את הגבולות של מה שניתן להשיג בתחום של ניתוח EEG.