論文「EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs」が、権威あるKDD 2024 Conferenceでの発表に採択されましたのでお知らせいたします。

筆頭著者はNavid Foumani氏です。共著者は、Mahsa Salehi博士（モナッシュ大学）、Geoffrey Mackellar博士、Soheila Ghane博士、Saad Irtza博士、そしてNam Nguyen博士（Emotiv Research, Pty Ltd）です。

論文を読む

コードを見る

Emotivは、オーストラリアのメルボルンにあるモナッシュ大学のMahsa Salehi博士の指導のもと、EEG（脳波）データへのディープラーニング手法の適用に取り組んでいる博士課程候補生のNavid Foumani氏をスポンサーしています。Navid氏は、EEG2Repとして知られる、EEGデータのモデリングに非常に有望な新しい自己教師あり学習アーキテクチャを開発するために、当社のチームと密接に協力しました。

5つのEEGデータセットの1つとして、Navid氏はこれらの手法を当社の運転集中力データに適用しました。これは、運転中にありがちな断続的な注意散漫要因（携帯電話での通話、テキストメッセージ、ナビゲーション、音楽の選択、会話、その場での暗算など）を伴う模擬運転を18人の被験者が各45分間行ったものです。当社の運転集中力アルゴリズムは、2013年当時における最先端の機械学習手法を使用して、68%の精度指標で提供されました。

当社は、2015年にメルボルン大学でのMahsa氏の博士課程を支援し、同様のデータセットを彼女に提供しました。彼女はアンサンブル学習を用いることで、精度指標を72%に向上させることに成功しました。

EEG2Repモデルを運転散漫データセットに適用したところ、これまでで最高となる80.07%の精度を達成し、大幅な向上を記録しました。さらに、このモデルは、感情や精神状態の検出、マルチタスク、安静時EEG、ならびにてんかんや脳卒中などの医学的状態の検出を含む、5つの公開データセットのそれぞれにおいて、最先端の手法を大幅に上回りました。

この成功により、さまざまなタスクやアプリケーションに汎用化できるEEGデータの基盤モデル開発への道が開かれ、EEG分析の分野で達成可能な限界が押し広げられます。