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 שהמאמר "EEG2Rep: Enhanced Self-supervised EEG Representation Through Informative Masked Inputs" התקבל להצגה בכנס היוקרתי KDD 2024 Conference.
נאויד פומאני הוא המחבר הראשי. המחברים השותפים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלאר, ד"ר סוהילה גהאני, ד"ר סעד איצר וז ד"ר נאם נויאן (EMOTIV Research, Pty Ltd).
EMOTIV מסבסדת את נאויד פומאני, סטודנט לדוקטורט שעובד על יישום של שיטות למידה עמוקה על נתוני EEG בפיקוחה של ד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאויד עבד קרוב לצוות שלנו לפתח ארכיטקטורה חדשנית ללמידה עצמית הידועה בשם EEG2Rep, שמבטיחה מאוד למידול נתוני EEG.
כאחת מחמש ערכות נתוני EEG, נאויד יישם את השיטות הללו לנתוני תשומת לב הנהג שלנו: 18 נבדקים * 45 דקות של נסיעה מדומה עם מסיחים תקופתיים טיפוסיים של חווית הנהיגה (שיחות ניידות, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים וכו'). אלגוריתם תשומת לב הנהג שלנו סופק עם מדד דיוק של 68% בעזרת שיטות למידת מכונה מהמתקדמות בשנת 2013.
סיבסדנו את מהסה במהלך הדוקטורט שלה באוניברסיטת מלבורן בשנת 2015, מספקים לה את אותה ערכת נתונים. היא הצליחה לשפר את מדד הדיוק ל-72% באמצעות שיטות חבר.
המודל EEG2Rep הוחל על ערכת נתונים של הסחת דעת הנהג והשיג את הדיוק הגבוה ביותר עד היום, 80.07%, הפחתה משמעותית. בנוסף, המודל הביס באופן משמעותי שיטות מהמתקדמות בכל אחת מחמש ערכות הנתונים הציבוריות, כולל זיהוי מצב רגשי ומנטלי, ריבוי משימות, מצב EEG ומנוחה וזיהוי מצבים רפואיים כמו אפילפסיה ושבץ.
ההצלחה הזו פותחת את האפשרות לפתח מודל בסיסי לנתוני EEG שיכול להכליל על פני מגוון משימות ויישומים, לדחוף את הגבולות של מה שאפשר להשיג בתחום ניתוח ה-EEG.
אנו שמחים להודיע שהמאמר "EEG2Rep: Enhanced Self-supervised EEG Representation Through Informative Masked Inputs" התקבל להצגה בכנס היוקרתי KDD 2024 Conference.
נאויד פומאני הוא המחבר הראשי. המחברים השותפים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלאר, ד"ר סוהילה גהאני, ד"ר סעד איצר וז ד"ר נאם נויאן (EMOTIV Research, Pty Ltd).
EMOTIV מסבסדת את נאויד פומאני, סטודנט לדוקטורט שעובד על יישום של שיטות למידה עמוקה על נתוני EEG בפיקוחה של ד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאויד עבד קרוב לצוות שלנו לפתח ארכיטקטורה חדשנית ללמידה עצמית הידועה בשם EEG2Rep, שמבטיחה מאוד למידול נתוני EEG.
כאחת מחמש ערכות נתוני EEG, נאויד יישם את השיטות הללו לנתוני תשומת לב הנהג שלנו: 18 נבדקים * 45 דקות של נסיעה מדומה עם מסיחים תקופתיים טיפוסיים של חווית הנהיגה (שיחות ניידות, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים וכו'). אלגוריתם תשומת לב הנהג שלנו סופק עם מדד דיוק של 68% בעזרת שיטות למידת מכונה מהמתקדמות בשנת 2013.
סיבסדנו את מהסה במהלך הדוקטורט שלה באוניברסיטת מלבורן בשנת 2015, מספקים לה את אותה ערכת נתונים. היא הצליחה לשפר את מדד הדיוק ל-72% באמצעות שיטות חבר.
המודל EEG2Rep הוחל על ערכת נתונים של הסחת דעת הנהג והשיג את הדיוק הגבוה ביותר עד היום, 80.07%, הפחתה משמעותית. בנוסף, המודל הביס באופן משמעותי שיטות מהמתקדמות בכל אחת מחמש ערכות הנתונים הציבוריות, כולל זיהוי מצב רגשי ומנטלי, ריבוי משימות, מצב EEG ומנוחה וזיהוי מצבים רפואיים כמו אפילפסיה ושבץ.
ההצלחה הזו פותחת את האפשרות לפתח מודל בסיסי לנתוני EEG שיכול להכליל על פני מגוון משימות ויישומים, לדחוף את הגבולות של מה שאפשר להשיג בתחום ניתוח ה-EEG.
אנו שמחים להודיע שהמאמר "EEG2Rep: Enhanced Self-supervised EEG Representation Through Informative Masked Inputs" התקבל להצגה בכנס היוקרתי KDD 2024 Conference.
נאויד פומאני הוא המחבר הראשי. המחברים השותפים הם ד"ר מהסה סאלחי (אוניברסיטת מונאש), ד"ר ג'פרי מקלאר, ד"ר סוהילה גהאני, ד"ר סעד איצר וז ד"ר נאם נויאן (EMOTIV Research, Pty Ltd).
EMOTIV מסבסדת את נאויד פומאני, סטודנט לדוקטורט שעובד על יישום של שיטות למידה עמוקה על נתוני EEG בפיקוחה של ד"ר מהסה סאלחי באוניברסיטת מונאש במלבורן, אוסטרליה. נאויד עבד קרוב לצוות שלנו לפתח ארכיטקטורה חדשנית ללמידה עצמית הידועה בשם EEG2Rep, שמבטיחה מאוד למידול נתוני EEG.
כאחת מחמש ערכות נתוני EEG, נאויד יישם את השיטות הללו לנתוני תשומת לב הנהג שלנו: 18 נבדקים * 45 דקות של נסיעה מדומה עם מסיחים תקופתיים טיפוסיים של חווית הנהיגה (שיחות ניידות, הודעות טקסט, ניווט, בחירת מוזיקה, שיחה, חישובים מנטליים וכו'). אלגוריתם תשומת לב הנהג שלנו סופק עם מדד דיוק של 68% בעזרת שיטות למידת מכונה מהמתקדמות בשנת 2013.
סיבסדנו את מהסה במהלך הדוקטורט שלה באוניברסיטת מלבורן בשנת 2015, מספקים לה את אותה ערכת נתונים. היא הצליחה לשפר את מדד הדיוק ל-72% באמצעות שיטות חבר.
המודל EEG2Rep הוחל על ערכת נתונים של הסחת דעת הנהג והשיג את הדיוק הגבוה ביותר עד היום, 80.07%, הפחתה משמעותית. בנוסף, המודל הביס באופן משמעותי שיטות מהמתקדמות בכל אחת מחמש ערכות הנתונים הציבוריות, כולל זיהוי מצב רגשי ומנטלי, ריבוי משימות, מצב EEG ומנוחה וזיהוי מצבים רפואיים כמו אפילפסיה ושבץ.
ההצלחה הזו פותחת את האפשרות לפתח מודל בסיסי לנתוני EEG שיכול להכליל על פני מגוון משימות ויישומים, לדחוף את הגבולות של מה שאפשר להשיג בתחום ניתוח ה-EEG.
