EEG2Rep: Arsitektur AI yang Diawasi Sendiri untuk Pemodelan Data EEG

Kami senang mengumumkan bahwa makalah "EEG2Rep: Meningkatkan Representasi EEG Tanpa Pengawasan melalui Input Terinformasi yang Masker" telah diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.

Navid Foumani adalah penulis utama. Para co-authors adalah Dr. Mahsa Salehi (Universitas Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, dan Dr. Nam Nguyen (Penelitian EMOTIV, Pty Ltd).

Baca makalah ini

Lihat kodenya

EMOTIV mendukung Navid Foumani, seorang kandidat PhD yang telah bekerja dalam 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 tanpa pengawasan yang baru 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 berkendara simulasi dengan pengalih perhatian yang biasa dari pengalaman berkendara (panggilan ponsel, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental secara langsung, dll.). Algoritme Perhatian Pengemudi kami disampaikan dengan metrik akurasi 68% menggunakan metode pembelajaran mesin mutakhir pada tahun 2013.

Kami mendukung Mahsa selama PhD-nya di Universitas Melbourne pada tahun 2015, memberikan dataset yang sama. Dia berhasil meningkatkan metrik akurasi menjadi 72% dengan menggunakan metode ensemble.

Model EEG2Rep diterapkan pada dataset Distraksi Pengemudi dan mencapai akurasi tertinggi hingga saat ini, 80,07%, sebuah peningkatan yang substansial. Selain itu, model tersebut secara signifikan mengungguli metode mutakhir lainnya di masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG kondisi istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.

Keberhasilan ini membuka kemungkinan pengembangan model dasar untuk data EEG yang dapat menggeneralisasi berbagai tugas dan aplikasi, mendorong batasan tentang apa yang dapat dicapai di bidang analisis EEG.