אנו שמחים להכריז כי המאמר „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ התקבל להצגה בועידת KDD 2024 היוקרתית.

נאוויד פומאני (Navid Foumani) הוא המחבר הראשי. מחברי המאמר השותפים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלר, ד"ר סוהילה גאנה, ד"ר סעד אירטזה וד"ר נאם נוויאן (Emotiv Research, Pty Ltd).

קראו את המאמר

צפו בקוד

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

כאחד מ-5 מאגרי נתונים של EEG, נאוויד יישם את השיטות הללו על נתוני קשב הנהג (Driver Attention) שלנו: 18 נבדקים x ‏45 דקות של נהיגה מדומה עם 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 מתקדמות בשנת 2013.

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

מודל EEG2Rep יושם על מאגר נתוני הסחת דעת הנהג (Driver Distraction) והשיג את הדיוק הגבוה ביותר עד כה, 80.07%, שיפור משמעותי ביותר. בנוסף, המודל עלה באופן משמעותי בביצועיו על שיטות מתקדמות בכל אחד מחמשת מאגרי המידע הציבוריים, כולל גילוי מצב רגשי ומנטלי, ריבוי משימות, EEG במצב מנוחה וגילוי מצבים רפואיים כגון אפילפסיה ושבץ מוחי.

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