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、「EEG2Rep: 情報豊かなマスクされた入力を通じて自己教師ありEEG表現を強化する」という論文が、名誉あるKDD 2024 カンファレンスでの発表のために受理されたことをお知らせできることを嬉しく思います。

ナビド・フォウマニが主著者です。共著者は、Dr. マフサ・サレヒ（モナッシュ大学）、Dr. ジェフリー・マッケラー、Dr. ソヘイラ・ガネ、Dr. サード・イルツァ、そしてDr. ナム・ンゴエン（EMOTIVリサーチ株式会社）です。

論文を読む

コードを見る

EMOTIVは、ナビド・フォウマニをスポンサーしており、彼はオーストラリアのメルボルンにあるモナッシュ大学でDr. 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ことに取り組んでいる博士課程の学生です。ナビドは、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接に協力しました。

5つのEEGデータセットの1つとして、ナビドは私たちのドライバー注意データにこれらの手法を適用しました：18名の被験者 x 45分のシミュレートされた運転中に、運転体験に典型的な断続的な気晴らし（携帯電話、テキストメッセージ、ナビゲーション、音楽選択、会話、即興の計算など）がありました。私たちのドライバー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%の精度指標で提供されました。

私たちは、2015年にメルボルン大学での彼女の博士課程の間にマフサをスポンサーし、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指標を72%に改善することに成功しました。

EEG2Repモデルは、ドライバー分散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、大幅な改善を遂げました。さらに、このモデルは、感情的および精神的状態の検出、多タスク処理、安静時EEG、およびてんかんや脳卒中などの医学的状態の検出を含む5つの公的データセットのすべてにおいて、最先端の手法を大きく上回りました。

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