“EEG2Rep: Informative Masked Inputs을 통한 자가 지도 EEG 표상 강화(EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs)” 논문이 권위 있는 KDD 2024 콘퍼런스 발표작으로 선정되었음을 기쁜 마음으로 알려드립니다.

나비드 푸마니(Navid Foumani)가 이 논문의 주저자입니다. 공동 저자로는 마흐사 살레히(Mahsa Salehi) 박사(모나쉬 대학교), 제프리 맥켈러(Geoffrey Mackellar) 박사, 소헤일라 가네(Soheila Ghane) 박사, 사드 이르차(Saad Irtza) 박사, 그리고 남 응우옌(Nam Nguyen) 박사(Emotiv Research, Pty Ltd)가 참여했습니다.

논문 읽기

코드 보기

Emotiv는 호주 멜버른에 위치한 모나쉬 대학교의 마흐사 살레히 박사의 지도 아래 EEG 데이터에 딥러닝 기법을 적용하는 연구를 진행해 온 박사 과정생 나비드 푸마니를 후원하고 있습니다. 나비드는 당사 팀과 긴밀히 협력하여 EEG 데이터 모델링에 매우 유망한 EEG2Rep이라는 혁신적인 자가 지도 아키텍처를 개발했습니다.

5개의 EEG 데이터셋 중 하나로, 나비드는 당사의 운전자 주의 집중(Driver Attention) 데이터에 이 기법들을 적용했습니다. 이 데이터는 피험자 18명이 운전 중 흔히 겪는 일시적인 방해 요소(휴대전화 통화, 문자 메시지, 내비게이션 조작, 음악 선택, 대화, 즉석 정신 계산 등)가 포함된 모의 운전을 45분간 수행한 데이터입니다. 당사의 운전자 주의 집중 알고리즘은 2013년 당시 최첨단 머신러닝 기법을 사용하여 68%의 정확도 지표를 기록한 바 있습니다.

당사는 2015년 멜버른 대학교에서 박사 과정을 밟고 있던 마흐사를 후원하며 동일한 데이터셋을 제공했습니다. 그녀는 앙상블 기법을 사용하여 정확도 지표를 72%로 향상시켰습니다.

EEG2Rep 모델을 운전자 주의 분산(Driver Distraction) 데이터셋에 적용한 결과, 현재까지 가장 높은 정확도인 80.07%를 달성하여 상당한 개선을 이루어냈습니다. 또한 이 모델은 감정 및 정신 상태 감지, 멀티태스킹, 휴식기 EEG, 뇌전증 및 뇌졸중과 같은 질환 감지를 포함한 5가지 공개 데이터셋 각각에서 최첨단 기법들을 크게 능가하는 성능을 보였습니다.

이러한 성공은 다양한 작업과 애플리케이션에 걸쳐 일반화할 수 있는 EEG 데이터용 기반 모델(foundational model) 개발의 가능성을 열어주었으며, EEG 분석 분야에서 이룰 수 있는 한계를 한 단계 더 넓혔습니다.