Tantang ingatan Anda! Mainkan permainan N-Back baru di Aplikasi Emotiv
Tantang ingatan Anda! Mainkan permainan N-Back baru di Aplikasi Emotiv
EEG2Rep: Arsitektur AI yang Diawasi Sendiri untuk Pemodelan Data EEG
Heidi Duran
22 Jul 2024
Bagikan:
Kami senang mengumumkan bahwa makalah “EEG2Rep: Meningkatkan Representasi EEG Self-supervised Melalui Input yang Informatif” telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang prestisius.
Navid Foumani adalah penulis utama. Penulis bersama adalah Dr. Mahsa Salehi (Universitas Monash), 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 menerapkan metode pembelajaran mendalam pada data EEG di bawah bimbingan Dr. Mahsa Salehi di Universitas Monash di Melbourne, Australia. Navid bekerja sama 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 Perhatian Pengemudi kami: 18 subjek x 45 menit simulasi berkendara dengan gangguan intermittent yang khas dari pengalaman berkendara (panggilan seluler, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara mendadak, dll.). Algoritma Perhatian Pengemudi kami memberikan metrik akurasi 68% menggunakan metode pembelajaran mesin mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Universitas Melbourne pada tahun 2015, memberikan dataset yang sama kepadanya. Dia mampu meningkatkan metrik akurasi menjadi 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Gangguan Pengemudi dan mencapai akurasi tertinggi hingga saat ini, yaitu 80,07%, sebuah peningkatan yang substansial. Selain itu, model tersebut secara signifikan melebihi metode mutakhir dalam masing-masing dari lima dataset publik, termasuk deteksi emosi dan kondisi mental, multitasking, EEG dalam keadaan istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka kemungkinan pengembangan model dasar untuk data EEG yang dapat menggeneralisasi di berbagai tugas dan aplikasi, mendorong batas-batas apa yang dapat dicapai di bidang analisis EEG.
Kami senang mengumumkan bahwa makalah “EEG2Rep: Meningkatkan Representasi EEG Self-supervised Melalui Input yang Informatif” telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang prestisius.
Navid Foumani adalah penulis utama. Penulis bersama adalah Dr. Mahsa Salehi (Universitas Monash), 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 menerapkan metode pembelajaran mendalam pada data EEG di bawah bimbingan Dr. Mahsa Salehi di Universitas Monash di Melbourne, Australia. Navid bekerja sama 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 Perhatian Pengemudi kami: 18 subjek x 45 menit simulasi berkendara dengan gangguan intermittent yang khas dari pengalaman berkendara (panggilan seluler, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara mendadak, dll.). Algoritma Perhatian Pengemudi kami memberikan metrik akurasi 68% menggunakan metode pembelajaran mesin mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Universitas Melbourne pada tahun 2015, memberikan dataset yang sama kepadanya. Dia mampu meningkatkan metrik akurasi menjadi 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Gangguan Pengemudi dan mencapai akurasi tertinggi hingga saat ini, yaitu 80,07%, sebuah peningkatan yang substansial. Selain itu, model tersebut secara signifikan melebihi metode mutakhir dalam masing-masing dari lima dataset publik, termasuk deteksi emosi dan kondisi mental, multitasking, EEG dalam keadaan istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka kemungkinan pengembangan model dasar untuk data EEG yang dapat menggeneralisasi di berbagai tugas dan aplikasi, mendorong batas-batas apa yang dapat dicapai di bidang analisis EEG.
Kami senang mengumumkan bahwa makalah “EEG2Rep: Meningkatkan Representasi EEG Self-supervised Melalui Input yang Informatif” telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang prestisius.
Navid Foumani adalah penulis utama. Penulis bersama adalah Dr. Mahsa Salehi (Universitas Monash), 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 menerapkan metode pembelajaran mendalam pada data EEG di bawah bimbingan Dr. Mahsa Salehi di Universitas Monash di Melbourne, Australia. Navid bekerja sama 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 Perhatian Pengemudi kami: 18 subjek x 45 menit simulasi berkendara dengan gangguan intermittent yang khas dari pengalaman berkendara (panggilan seluler, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara mendadak, dll.). Algoritma Perhatian Pengemudi kami memberikan metrik akurasi 68% menggunakan metode pembelajaran mesin mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Universitas Melbourne pada tahun 2015, memberikan dataset yang sama kepadanya. Dia mampu meningkatkan metrik akurasi menjadi 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Gangguan Pengemudi dan mencapai akurasi tertinggi hingga saat ini, yaitu 80,07%, sebuah peningkatan yang substansial. Selain itu, model tersebut secara signifikan melebihi metode mutakhir dalam masing-masing dari lima dataset publik, termasuk deteksi emosi dan kondisi mental, multitasking, EEG dalam keadaan istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka kemungkinan pengembangan model dasar untuk data EEG yang dapat menggeneralisasi di berbagai tugas dan aplikasi, mendorong batas-batas apa yang dapat dicapai di bidang analisis EEG.
