EEG2Rep: EEG 데이터 모델링을 위한 자가 지도 학습 기반 AI 아키텍처
H.B. Duran
업데이트됨
2024. 7. 22.
EEG2Rep: EEG 데이터 모델링을 위한 자가 지도 학습 기반 AI 아키텍처
H.B. Duran
업데이트됨
2024. 7. 22.
EEG2Rep: EEG 데이터 모델링을 위한 자가 지도 학습 기반 AI 아키텍처
H.B. Duran
업데이트됨
2024. 7. 22.
“EEG2Rep: Informative Masked Inputs을 통한 자기지도 EEG 표현 향상” 논문이 저명한 KDD 2024 콘퍼런스에서 발표작으로 채택되었음을 기쁘게 알려드립니다.
나비드 푸마니(Navid Foumani)가 주 저자입니다. 공동 저자로는 마흐사 살레히(Mahsa Salehi) 박사(모나쉬 대학교), 제프리 맥켈러(Geoffrey Mackellar) 박사, 소헤일라 가네(Soheila Ghane) 박사, 사드 이르트자(Saad Irtza) 박사, 그리고 남 응우옌(Nam Nguyen) 박사(Emotiv Research, Pty Ltd)가 참여했습니다.
Emotiv는 호주 멜버른에 위치한 모나쉬 대학교의 마흐사 살레히 박사의 지도 아래 EEG 데이터에 딥러닝 방법을 적용하는 연구를 진행 중인 박사 과정의 나비드 푸마니를 후원하고 있습니다. 나비드는 저희 팀과 긴밀히 협력하여 EEG 데이터 모델링에 매우 유망한 EEG2Rep이라는 새로운 자기지도 아키텍처를 개발했습니다.
5개의 EEG 데이터셋 중 하나로, 나비드는 이 방법들을 저희의 운전자 주의 집중(Driver Attention) 데이터에 적용했습니다. 이 데이터는 피험자 18명이 운전 중 흔히 겪을 수 있는 일시적인 방해 요소(휴대전화 통화, 문자 메시지, 내비게이션 조작, 음악 선택, 대화, 즉석 암산 등)가 포함된 45분간의 모의 운전을 수행한 것입니다. 저희의 운전자 주의 집중 알고리즘은 2013년 당시 최첨단 머신러닝 방법을 사용하여 68%의 정확도 메트릭으로 제공되었습니다.
저희는 2015년 멜버른 대학교에서 박사 과정을 밟고 있던 마흐사를 후원하며 동일한 데이터셋을 제공했습니다. 그녀는 앙상블 기법을 사용하여 정확도 메트릭을 72%로 향상시켰습니다.
EEG2Rep 모델은 운전자 주의 산만 데이터셋에 적용되어 현재까지 가장 높은 정확도인 80.07%를 달성하여 상당한 향상을 이루어냈습니다. 또한 이 모델은 감정 및 정신 상태 감지, 멀티태스킹, 휴식 상태 EEG, 뇌전증 및 뇌졸중과 같은 질환 감지를 포함한 5가지 공개 데이터셋 각각에서 최첨단 방식들을 크게 능가하는 성능을 보였습니다.
이러한 성공은 다양한 작업과 애플리케이션으로 일반화할 수 있는 EEG 데이터의 기반 모델을 개발할 수 있는 가능성을 열어주며, EEG 분석 분야에서 성취할 수 있는 한계를 넓히고 있습니다.
“EEG2Rep: Informative Masked Inputs을 통한 자기지도 EEG 표현 향상” 논문이 저명한 KDD 2024 콘퍼런스에서 발표작으로 채택되었음을 기쁘게 알려드립니다.
나비드 푸마니(Navid Foumani)가 주 저자입니다. 공동 저자로는 마흐사 살레히(Mahsa Salehi) 박사(모나쉬 대학교), 제프리 맥켈러(Geoffrey Mackellar) 박사, 소헤일라 가네(Soheila Ghane) 박사, 사드 이르트자(Saad Irtza) 박사, 그리고 남 응우옌(Nam Nguyen) 박사(Emotiv Research, Pty Ltd)가 참여했습니다.
Emotiv는 호주 멜버른에 위치한 모나쉬 대학교의 마흐사 살레히 박사의 지도 아래 EEG 데이터에 딥러닝 방법을 적용하는 연구를 진행 중인 박사 과정의 나비드 푸마니를 후원하고 있습니다. 나비드는 저희 팀과 긴밀히 협력하여 EEG 데이터 모델링에 매우 유망한 EEG2Rep이라는 새로운 자기지도 아키텍처를 개발했습니다.
5개의 EEG 데이터셋 중 하나로, 나비드는 이 방법들을 저희의 운전자 주의 집중(Driver Attention) 데이터에 적용했습니다. 이 데이터는 피험자 18명이 운전 중 흔히 겪을 수 있는 일시적인 방해 요소(휴대전화 통화, 문자 메시지, 내비게이션 조작, 음악 선택, 대화, 즉석 암산 등)가 포함된 45분간의 모의 운전을 수행한 것입니다. 저희의 운전자 주의 집중 알고리즘은 2013년 당시 최첨단 머신러닝 방법을 사용하여 68%의 정확도 메트릭으로 제공되었습니다.
저희는 2015년 멜버른 대학교에서 박사 과정을 밟고 있던 마흐사를 후원하며 동일한 데이터셋을 제공했습니다. 그녀는 앙상블 기법을 사용하여 정확도 메트릭을 72%로 향상시켰습니다.
EEG2Rep 모델은 운전자 주의 산만 데이터셋에 적용되어 현재까지 가장 높은 정확도인 80.07%를 달성하여 상당한 향상을 이루어냈습니다. 또한 이 모델은 감정 및 정신 상태 감지, 멀티태스킹, 휴식 상태 EEG, 뇌전증 및 뇌졸중과 같은 질환 감지를 포함한 5가지 공개 데이터셋 각각에서 최첨단 방식들을 크게 능가하는 성능을 보였습니다.
이러한 성공은 다양한 작업과 애플리케이션으로 일반화할 수 있는 EEG 데이터의 기반 모델을 개발할 수 있는 가능성을 열어주며, EEG 분석 분야에서 성취할 수 있는 한계를 넓히고 있습니다.
“EEG2Rep: Informative Masked Inputs을 통한 자기지도 EEG 표현 향상” 논문이 저명한 KDD 2024 콘퍼런스에서 발표작으로 채택되었음을 기쁘게 알려드립니다.
나비드 푸마니(Navid Foumani)가 주 저자입니다. 공동 저자로는 마흐사 살레히(Mahsa Salehi) 박사(모나쉬 대학교), 제프리 맥켈러(Geoffrey Mackellar) 박사, 소헤일라 가네(Soheila Ghane) 박사, 사드 이르트자(Saad Irtza) 박사, 그리고 남 응우옌(Nam Nguyen) 박사(Emotiv Research, Pty Ltd)가 참여했습니다.
Emotiv는 호주 멜버른에 위치한 모나쉬 대학교의 마흐사 살레히 박사의 지도 아래 EEG 데이터에 딥러닝 방법을 적용하는 연구를 진행 중인 박사 과정의 나비드 푸마니를 후원하고 있습니다. 나비드는 저희 팀과 긴밀히 협력하여 EEG 데이터 모델링에 매우 유망한 EEG2Rep이라는 새로운 자기지도 아키텍처를 개발했습니다.
5개의 EEG 데이터셋 중 하나로, 나비드는 이 방법들을 저희의 운전자 주의 집중(Driver Attention) 데이터에 적용했습니다. 이 데이터는 피험자 18명이 운전 중 흔히 겪을 수 있는 일시적인 방해 요소(휴대전화 통화, 문자 메시지, 내비게이션 조작, 음악 선택, 대화, 즉석 암산 등)가 포함된 45분간의 모의 운전을 수행한 것입니다. 저희의 운전자 주의 집중 알고리즘은 2013년 당시 최첨단 머신러닝 방법을 사용하여 68%의 정확도 메트릭으로 제공되었습니다.
저희는 2015년 멜버른 대학교에서 박사 과정을 밟고 있던 마흐사를 후원하며 동일한 데이터셋을 제공했습니다. 그녀는 앙상블 기법을 사용하여 정확도 메트릭을 72%로 향상시켰습니다.
EEG2Rep 모델은 운전자 주의 산만 데이터셋에 적용되어 현재까지 가장 높은 정확도인 80.07%를 달성하여 상당한 향상을 이루어냈습니다. 또한 이 모델은 감정 및 정신 상태 감지, 멀티태스킹, 휴식 상태 EEG, 뇌전증 및 뇌졸중과 같은 질환 감지를 포함한 5가지 공개 데이터셋 각각에서 최첨단 방식들을 크게 능가하는 성능을 보였습니다.
이러한 성공은 다양한 작업과 애플리케이션으로 일반화할 수 있는 EEG 데이터의 기반 모델을 개발할 수 있는 가능성을 열어주며, EEG 분석 분야에서 성취할 수 있는 한계를 넓히고 있습니다.