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

נאביד פומאני הוא המחבר הראשי. מחברי המשנה 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 פיקוחה של ד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאביד עבד בשיתוף פעולה הדוק עם הצוות שלנו כדי לפתח ארכיטקטורה חדשנית בפיקוח עצמי המכונה EEG2Rep, שהיא מבטיחה ביותר למידול נתוני EEG.

כאחד מ-5 מערכי נתוני EEG, נאביד יישם את השיטות הללו על נתוני קשב הנהג (Driver Attention) שלנו: 18 נבדקים x ‏45 דקות של נהיגה מדומה עם מסיחים לסירוגין האופייניים לחוויית נהיגה (שיחות ניידות, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים תוך כדי תנועה וכו'). אלגוריתם קשב הנהג שלנו סופק עם מדד דיוק של 68% תוך שימוש בשיטות למידת מכונה מתקדמות 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 שימוש בשיטות אנסמבל.

דגם ה-EEG2Rep יושם על מערך הנתונים של הסחת דעת הנהג והשיג את הדיוק הגבוה ביותר עד כה, 80.07%, שיפור משמעותי. בנוסף, הדגם עלה באופן משמעותי בביצועיו על שיטות חלוציות בכל אחד מחמשת מערכי הנתונים 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 שיוכל להכליל על פני משימות ויישומים שונים, ולפרוץ את הגבולות של מה שניתן להשיג בתחום של ניתוח EEG.