EEG2Rep: Arsitektur AI Mandiri (Self-supervised) untuk Pemodelan Data EEG
H.B. Duran
Diperbarui pada
22 Jul 2024
EEG2Rep: Arsitektur AI Mandiri (Self-supervised) untuk Pemodelan Data EEG
H.B. Duran
Diperbarui pada
22 Jul 2024
EEG2Rep: Arsitektur AI Mandiri (Self-supervised) untuk Pemodelan Data EEG
H.B. Duran
Diperbarui pada
22 Jul 2024
Kami dengan senang hati mengumumkan bahwa makalah “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.
Navid Foumani adalah penulis utama. Penulis pendampingnya adalah Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, dan Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv mensponsori Navid Foumani, seorang kandidat PhD yang telah bekerja dalam menerapkan metode deep learning pada data EEG di bawah bimbingan Dr. Mahsa Salehi di Monash University di Melbourne, Australia. Navid bekerja sama erat dengan tim kami untuk mengembangkan arsitektur self-supervised baru yang dikenal sebagai EEG2Rep, yang sangat menjanjikan untuk memodelkan data EEG.
Sebagai salah satu dari 5 dataset EEG, Navid menerapkan metode ini pada data Driver Attention kami: 18 subjek x 45 menit simulasi mengemudi dengan distraksi berselang yang khas dari pengalaman mengemudi (panggilan seluler, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara langsung, dll.). Algoritma Driver Attention kami dihadirkan dengan metrik akurasi 68% menggunakan metode machine learning mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Melbourne University pada tahun 2015, dengan menyediakan dataset yang sama. Beliau berhasil meningkatkan metrik akurasi hingga 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Driver Distraction dan mencapai akurasi tertinggi hingga saat ini, yaitu 80.07%, sebuah peningkatan yang substansial. Selain itu, model ini secara signifikan mengungguli metode mutakhir di masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG kondisi istirahat, serta deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka peluang untuk mengembangkan model fondasi bagi data EEG yang dapat digeneralisasikan pada berbagai tugas dan aplikasi, memperluas batasan dari apa yang dapat dicapai dalam bidang analisis EEG.
Kami dengan senang hati mengumumkan bahwa makalah “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.
Navid Foumani adalah penulis utama. Penulis pendampingnya adalah Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, dan Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv mensponsori Navid Foumani, seorang kandidat PhD yang telah bekerja dalam menerapkan metode deep learning pada data EEG di bawah bimbingan Dr. Mahsa Salehi di Monash University di Melbourne, Australia. Navid bekerja sama erat dengan tim kami untuk mengembangkan arsitektur self-supervised baru yang dikenal sebagai EEG2Rep, yang sangat menjanjikan untuk memodelkan data EEG.
Sebagai salah satu dari 5 dataset EEG, Navid menerapkan metode ini pada data Driver Attention kami: 18 subjek x 45 menit simulasi mengemudi dengan distraksi berselang yang khas dari pengalaman mengemudi (panggilan seluler, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara langsung, dll.). Algoritma Driver Attention kami dihadirkan dengan metrik akurasi 68% menggunakan metode machine learning mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Melbourne University pada tahun 2015, dengan menyediakan dataset yang sama. Beliau berhasil meningkatkan metrik akurasi hingga 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Driver Distraction dan mencapai akurasi tertinggi hingga saat ini, yaitu 80.07%, sebuah peningkatan yang substansial. Selain itu, model ini secara signifikan mengungguli metode mutakhir di masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG kondisi istirahat, serta deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka peluang untuk mengembangkan model fondasi bagi data EEG yang dapat digeneralisasikan pada berbagai tugas dan aplikasi, memperluas batasan dari apa yang dapat dicapai dalam bidang analisis EEG.
Kami dengan senang hati mengumumkan bahwa makalah “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.
Navid Foumani adalah penulis utama. Penulis pendampingnya adalah Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, dan Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv mensponsori Navid Foumani, seorang kandidat PhD yang telah bekerja dalam menerapkan metode deep learning pada data EEG di bawah bimbingan Dr. Mahsa Salehi di Monash University di Melbourne, Australia. Navid bekerja sama erat dengan tim kami untuk mengembangkan arsitektur self-supervised baru yang dikenal sebagai EEG2Rep, yang sangat menjanjikan untuk memodelkan data EEG.
Sebagai salah satu dari 5 dataset EEG, Navid menerapkan metode ini pada data Driver Attention kami: 18 subjek x 45 menit simulasi mengemudi dengan distraksi berselang yang khas dari pengalaman mengemudi (panggilan seluler, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara langsung, dll.). Algoritma Driver Attention kami dihadirkan dengan metrik akurasi 68% menggunakan metode machine learning mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Melbourne University pada tahun 2015, dengan menyediakan dataset yang sama. Beliau berhasil meningkatkan metrik akurasi hingga 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Driver Distraction dan mencapai akurasi tertinggi hingga saat ini, yaitu 80.07%, sebuah peningkatan yang substansial. Selain itu, model ini secara signifikan mengungguli metode mutakhir di masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG kondisi istirahat, serta deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka peluang untuk mengembangkan model fondasi bagi data EEG yang dapat digeneralisasikan pada berbagai tugas dan aplikasi, memperluas batasan dari apa yang dapat dicapai dalam bidang analisis EEG.
Lanjutkan membaca