EEG2Rep: Arsitektur AI yang Diawasi Sendiri untuk Pemodelan Data EEG
Heidi Duran
Diperbarui pada
22 Mei 2024
EEG2Rep: Arsitektur AI yang Diawasi Sendiri untuk Pemodelan Data EEG
Heidi Duran
Diperbarui pada
22 Mei 2024
EEG2Rep: Arsitektur AI yang Diawasi Sendiri untuk Pemodelan Data EEG
Heidi Duran
Diperbarui pada
22 Mei 2024
Kami dengan senang hati mengumumkan bahwa makalah “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.
Navid Foumani adalah penulis utama. Para penulis lainnya 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 pada penerapan 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 pemodelan data EEG.
Sebagai salah satu dari 5 dataset EEG, Navid menerapkan metode ini pada data Driver Attention kami: 18 subjek x 45 menit mengemudi simulasi dengan distraktor berselang-seling yang khas dalam pengalaman berkendara (panggilan ponsel, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental spontan, dll.). Algoritme Driver Attention kami dihasilkan dengan metrik akurasi 68% menggunakan metode machine learning mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Melbourne University pada 2015, menyediakan dataset yang sama kepadanya. Ia berhasil meningkatkan metrik akurasi menjadi 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Driver Distraction dan mencapai akurasi tertinggi hingga saat ini, 80.07%, sebuah peningkatan yang substansial. Selain itu, model ini secara signifikan mengungguli metode mutakhir pada masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG keadaan istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka kemungkinan untuk mengembangkan model fondasional bagi data EEG yang dapat digeneralisasikan di berbagai tugas dan aplikasi, mendorong 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” diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.
Navid Foumani adalah penulis utama. Para penulis lainnya 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 pada penerapan 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 pemodelan data EEG.
Sebagai salah satu dari 5 dataset EEG, Navid menerapkan metode ini pada data Driver Attention kami: 18 subjek x 45 menit mengemudi simulasi dengan distraktor berselang-seling yang khas dalam pengalaman berkendara (panggilan ponsel, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental spontan, dll.). Algoritme Driver Attention kami dihasilkan dengan metrik akurasi 68% menggunakan metode machine learning mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Melbourne University pada 2015, menyediakan dataset yang sama kepadanya. Ia berhasil meningkatkan metrik akurasi menjadi 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Driver Distraction dan mencapai akurasi tertinggi hingga saat ini, 80.07%, sebuah peningkatan yang substansial. Selain itu, model ini secara signifikan mengungguli metode mutakhir pada masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG keadaan istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka kemungkinan untuk mengembangkan model fondasional bagi data EEG yang dapat digeneralisasikan di berbagai tugas dan aplikasi, mendorong 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” diterima untuk dipresentasikan di Konferensi KDD 2024 yang bergengsi.
Navid Foumani adalah penulis utama. Para penulis lainnya 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 pada penerapan 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 pemodelan data EEG.
Sebagai salah satu dari 5 dataset EEG, Navid menerapkan metode ini pada data Driver Attention kami: 18 subjek x 45 menit mengemudi simulasi dengan distraktor berselang-seling yang khas dalam pengalaman berkendara (panggilan ponsel, pesan teks, navigasi, pemilihan musik, percakapan, perhitungan mental spontan, dll.). Algoritme Driver Attention kami dihasilkan dengan metrik akurasi 68% menggunakan metode machine learning mutakhir pada tahun 2013.
Kami mensponsori Mahsa selama PhD-nya di Melbourne University pada 2015, menyediakan dataset yang sama kepadanya. Ia berhasil meningkatkan metrik akurasi menjadi 72% menggunakan metode ensemble.
Model EEG2Rep diterapkan pada dataset Driver Distraction dan mencapai akurasi tertinggi hingga saat ini, 80.07%, sebuah peningkatan yang substansial. Selain itu, model ini secara signifikan mengungguli metode mutakhir pada masing-masing dari lima dataset publik, termasuk deteksi keadaan emosional dan mental, multitasking, EEG keadaan istirahat, dan deteksi kondisi medis seperti epilepsi dan stroke.
Keberhasilan ini membuka kemungkinan untuk mengembangkan model fondasional bagi data EEG yang dapat digeneralisasikan di berbagai tugas dan aplikasi, mendorong batasan dari apa yang dapat dicapai dalam bidang analisis EEG.
