אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
EEG2Rep: ארכיטקטורת AI בלמידה עצמית עבור מודלינג של נתוני EEG
היידי דורן
שתף:
אנו שמחים להודיע שהמסמך "EEG2Rep: שיפור ייצוג EEG בהסתמכות עצמית באמצעות קלטים מוסתרים אינפורמטיביים" התקבל להצגה בכנס היוקרתי KDD 2024.
נאויד פומאני הוא המחבר הראשי. המחברים הנוספים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלר, ד"ר סוהיילה גהנה, ד"ר סעד אירצא, וד"ר נאם נגויין (EMOTIV Research, Pty Ltd).
EMOTIV נותנת חסות לנאויד פומאני, מועמד לדוקטורט שעבד על יישום שיטות לימוד עמוק על נתוני EEG בהדרכת הד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאויד עבד באופן הדוק עם הצוות שלנו לפתח ארכיטקטורה חדשה בהסתמכות עצמית הידועה כ-EEG2Rep, אשר מבטיחה מאוד למודל נתוני EEG.
כאחד מתוך חמישה מערכי נתוני EEG, נאויד יישם את השיטות הללו על נתוני תשומת הלב של הנהג שלנו: 18 נבדקים x 45 דקות של נהיגה מדומה עם מסיחים מזדמנים אופייניים לחוויית נהיגה (שיחות טלפון, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים תוך כדי וכו'). אלגוריתם תשומת הלב של הנהג שלנו הושג 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 הנתונים. היא הצליחה לשפר את מדד הדיוק ל-72% תוך שימוש בשיטות אנסמבל.
המודל EEG2Rep יושם על מערך נתוני הסחת דעת של הנהג והגיע לדיוק הגבוה ביותר עד כה, 80.07%, שיפור מקרום. בנוסף, המודל עלה משמעותית על שיטות מתקדמות בכל אחד מחמשת מערכי הנתונים הפומביים, כולל גילוי מצב רגשי ומנטלי, ריבוי משימות, מצב מנוחת EEG, וזיהוי מצבים רפואיים כגון אפילפסיה ושבץ.
ההצלחה הזאת פותחת אפשרות לפיתוח מודל יסוד לנתוני EEG שיכול להכליל על פני משימות ויישומים שונים, דוחף את הגבולות של מה שניתן להשיג בתחום ניתוח ה-EEG.
אנו שמחים להודיע שהמסמך "EEG2Rep: שיפור ייצוג EEG בהסתמכות עצמית באמצעות קלטים מוסתרים אינפורמטיביים" התקבל להצגה בכנס היוקרתי KDD 2024.
נאויד פומאני הוא המחבר הראשי. המחברים הנוספים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלר, ד"ר סוהיילה גהנה, ד"ר סעד אירצא, וד"ר נאם נגויין (EMOTIV Research, Pty Ltd).
EMOTIV נותנת חסות לנאויד פומאני, מועמד לדוקטורט שעבד על יישום שיטות לימוד עמוק על נתוני EEG בהדרכת הד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאויד עבד באופן הדוק עם הצוות שלנו לפתח ארכיטקטורה חדשה בהסתמכות עצמית הידועה כ-EEG2Rep, אשר מבטיחה מאוד למודל נתוני EEG.
כאחד מתוך חמישה מערכי נתוני EEG, נאויד יישם את השיטות הללו על נתוני תשומת הלב של הנהג שלנו: 18 נבדקים x 45 דקות של נהיגה מדומה עם מסיחים מזדמנים אופייניים לחוויית נהיגה (שיחות טלפון, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים תוך כדי וכו'). אלגוריתם תשומת הלב של הנהג שלנו הושג 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 הנתונים. היא הצליחה לשפר את מדד הדיוק ל-72% תוך שימוש בשיטות אנסמבל.
המודל EEG2Rep יושם על מערך נתוני הסחת דעת של הנהג והגיע לדיוק הגבוה ביותר עד כה, 80.07%, שיפור מקרום. בנוסף, המודל עלה משמעותית על שיטות מתקדמות בכל אחד מחמשת מערכי הנתונים הפומביים, כולל גילוי מצב רגשי ומנטלי, ריבוי משימות, מצב מנוחת EEG, וזיהוי מצבים רפואיים כגון אפילפסיה ושבץ.
ההצלחה הזאת פותחת אפשרות לפיתוח מודל יסוד לנתוני EEG שיכול להכליל על פני משימות ויישומים שונים, דוחף את הגבולות של מה שניתן להשיג בתחום ניתוח ה-EEG.
אנו שמחים להודיע שהמסמך "EEG2Rep: שיפור ייצוג EEG בהסתמכות עצמית באמצעות קלטים מוסתרים אינפורמטיביים" התקבל להצגה בכנס היוקרתי KDD 2024.
נאויד פומאני הוא המחבר הראשי. המחברים הנוספים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלר, ד"ר סוהיילה גהנה, ד"ר סעד אירצא, וד"ר נאם נגויין (EMOTIV Research, Pty Ltd).
EMOTIV נותנת חסות לנאויד פומאני, מועמד לדוקטורט שעבד על יישום שיטות לימוד עמוק על נתוני EEG בהדרכת הד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאויד עבד באופן הדוק עם הצוות שלנו לפתח ארכיטקטורה חדשה בהסתמכות עצמית הידועה כ-EEG2Rep, אשר מבטיחה מאוד למודל נתוני EEG.
כאחד מתוך חמישה מערכי נתוני EEG, נאויד יישם את השיטות הללו על נתוני תשומת הלב של הנהג שלנו: 18 נבדקים x 45 דקות של נהיגה מדומה עם מסיחים מזדמנים אופייניים לחוויית נהיגה (שיחות טלפון, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים תוך כדי וכו'). אלגוריתם תשומת הלב של הנהג שלנו הושג 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 הנתונים. היא הצליחה לשפר את מדד הדיוק ל-72% תוך שימוש בשיטות אנסמבל.
המודל EEG2Rep יושם על מערך נתוני הסחת דעת של הנהג והגיע לדיוק הגבוה ביותר עד כה, 80.07%, שיפור מקרום. בנוסף, המודל עלה משמעותית על שיטות מתקדמות בכל אחד מחמשת מערכי הנתונים הפומביים, כולל גילוי מצב רגשי ומנטלי, ריבוי משימות, מצב מנוחת EEG, וזיהוי מצבים רפואיים כגון אפילפסיה ושבץ.
ההצלחה הזאת פותחת אפשרות לפיתוח מודל יסוד לנתוני EEG שיכול להכליל על פני משימות ויישומים שונים, דוחף את הגבולות של מה שניתן להשיג בתחום ניתוח ה-EEG.
