論文「EEG2Rep: Informative Masked Inputsによる自己教師ありEEG表現の強化」が、権威あるKDD 2024カンファレンスにプレゼンテーションとして採択されたことをお知らせいたします。

主著者は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、および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の候補者であるNavid Foumani氏を支援しています。Navid氏は当社のチームと密接に協力し、EEGデータのモデリングにおいて非常に有望な、EEG2Repとして知られる斬新な自己教師ありアーキテクチャを開発しました。

5つのEEGデータセットの1つとして、Navid氏はこの手法を当社の運転手注意（Driver Attention）データに適用しました。これは、18人の被験者が、運転体験において典型的な断続的な注意散漫要素（携帯電話の通話、テキストメッセージ、ナビゲーション、音楽の選択、会話、臨機応変な暗算など）を伴う模擬運転を45分間行ったものです。当社の運転手注意アルゴリズムは、2013年当時の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博士課程在籍中のMahsa氏を支援し、同じデータセットを提供しました。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モデルを運転手散漫（Driver Distraction）データセットに適用したところ、現在までで最高となる80.07%の精度を達成し、大幅な改善が見られました。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、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。

この成功は、さまざまなタスクやアプリケーションに汎用できるEEGデータの基盤モデル開発の可能性を切り拓き、EEG解析の分野で達成可能な境界を押し上げるものです。