EEG2Rep: EEGデータモデリングのための自己教師ありAIアーキテクチャ

私たちは、論文「EEG2Rep: インフォーマティブマスク入力を通じて自己教師ありEEG表現を強化する」が、権威あるKDD 2024会議で発表されることになったことをお知らせできることを嬉しく思います。

ナビッド・フォウマニが主著者です。共著者は、ドクター・マフサ・サレヒ（モナシュ大学）、ドクター・ジェフリー・マッケラー、ドクター・ソヘイラ・ガーネ、ドクター・サード・イルツァ、ドクター・ナム・グエン（EMOTIVリサーチ株式会社）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シュ大学でドクター・マフサ・サレヒの指導の下、EEGデータに深層学習手法を適用する研究を行っている博士課程の候補者ナビッド・フォウマニをスポンサーしています。ナビッドは、EEGデータをモデル化するのに非常に有望な新しい自己教師ありアーキテクチャ「EEG2Rep」を開発するために、私たちのチームと密に協力しました。

5つのEEGデータセットの1つとして、ナビッドは運転注意データにこれらの手法を適用しました：18人の被験者×45分のシミュレートされた運転に、運転体験に典型的な途切れた気を散らす要素（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、即興での計算など）が含まれています。運転注意アルゴリズムは、2013年に最先端の機械学習手法を使用して68%の精度メトリックを達成しました。 

私たちは、2015年にメルボルン大学でのマフサの博士課程中に彼女をスポンサーし、同じデータセットを提供しました。彼女はアンサンブル手法を使用して精度メトリックを72%に改善することに成功しました。

EEG2Repモデルは運転気を散らすデータセットに適用され、これまでで最高の精度80.07%を達成し、大幅な改善となりました。さらに、このモデルは、感情状態および精神状態の検出、多タスク処理、安静時EEG、てんかんや脳卒中などの医療条件の検出を含む、5つの公的データセットすべてで最先端の手法を大きく上回りました。

この成功は、EEGデータの基盤モデルを開発する可能性を開き、さまざまなタスクやアプリケーションにわたって一般化できることを示しており、EEG分析の分野で達成できる限界を押し広げています。