論文「EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs」が、権威あるKDD 2024カンファレンスで発表されることが採択されたことをお知らせします。

Navid Foumani が筆頭著者です。共著者は、Dr. Mahsa Salehi（Monash University）、Dr. Geoffrey Mackellar、Dr. Soheila Ghane、Dr. Saad Irtza、そして Dr. Nam Nguyen（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 Monash University で Dr. Mahsa Salehi の指導のもと、EEG データへの深層学習手法の適用に取り組んできた博士課程学生の Navid Foumani を支援しています。Navid は私たちのチームと緊密に連携し、EEG2Rep として知られる新しい自己教師ありアーキテクチャを開発しました。これは EEG データのモデリングに非常に有望です。

5つの EEG データセットのうちの1つとして、Navid はこれらの手法を私たちの Driver Attention データに適用しました:18人の被験者 × 45分間のシミュレーション運転。そこには、運転体験で一般的な断続的な妨害要素（携帯電話の通話、テキストメッセージ、ナビゲーション、音楽選択、会話、その場での暗算など）が含まれています。私たちの Driver Attention アルゴリズムは、2013年に最先端の機械学習手法を用いて 68% の精度で提供されました。

私たちは2015年に Melbourne University で博士課程に在籍していた Mahsa 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手法を用いて精度を 72% まで向上させました。

EEG2Rep モデルは Driver Distraction 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、大幅な改善を示しました。さらに、このモデルは、感情状態や精神状態の検出、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それぞれにおいて、最先端手法を大きく上回りました。

この成功により、EEG データのための基盤モデルを開発し、さまざまなタスクやアプリケーションにまたがって一般化できる可能性が開かれ、EEG 解析の分野で実現可能なことの限界を押し広げることになります。