EEG2Rep: EEG 데이터 모델링을 위한 자기 지도 AI 아키텍처

우리는 “EEG2Rep: 유익한 마스크 입력을 통한 자기 지도 EEG 표현 향상”이라는 논문이 권위 있는 KDD 2024 컨퍼런스에서 발표를 위해 채택되었음을 알리게 되어 기쁩니다.

나비드 파우마니가 주 저자입니다. 공동 저자는 Dr. Mahsa Salehi(모나시 대학교), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, 및 Dr. Nam Nguyen(EMOTIV Research, Pty Ltd)입니다.

논문 읽기

코드 보기

EMOTIV는 나비드 파우마니를 후원하며, 그는 호주 멜버른의 모나시 대학교에서 Dr. Mahsa Salehi의 지도 하에 EEG 데이터에 딥 러닝 방법을 적용하는 연구를 하고 있는 박사 과정 학생입니다. 나비드는 우리 팀과 긴밀히 협력하여 EEG2Rep로 알려진 새로운 자기 지도 아키텍처를 개발하였으며, 이는 EEG 데이터 모델링에 매우 유망합니다.

5개의 EEG 데이터 세트 중 하나로, 나비드는 우리의 운전 주의 데이터에 이러한 방법을 적용하였습니다: 18명 주제 x 45분의 시뮬레이션 운전으로, 운전 경험의 전형적인 방해 요소(휴대전화 통화, 문자 메시지, 내비게이션, 음악 선택, 대화, 즉흥적인 정신 계산 등)가 포함되었습니다. 우리의 운전 주의 알고리즘은 2013년에 최첨단 머신 러닝 방법을 사용하여 68%의 정확도 지표를 제공하였습니다. 

우리는 2015년에 멜버른 대학교에서의 그녀의 박사 과정 동안 Mahsa를 후원하며, 그녀에게 동일한 데이터 세트를 제공하였습니다. 그녀는 앙상블 방법을 사용하여 정확도 지표를 72%로 향상시켰습니다.

EEG2Rep 모델은 Driver Distraction 데이터 세트에 적용되어 지금까지의 최고 정확도인 80.07%를 달성하여 상당한 개선을 이루었습니다. 추가로, 이 모델은 감정 및 정신 상태 감지, 다중 작업, 안정 상태 EEG, 발작 및 뇌졸중과 같은 의학적 상태 감지를 포함하여 5개의 공공 데이터 세트에서 최첨단 방법을 크게 능가했습니다.

이 성공은 EEG 데이터에 대한 기초 모델 개발 가능성을 열어주며, 다양한 작업과 응용 프로그램에서 일반화할 수 있어 EEG 분석 분야에서 달성할 수 있는 경계를 확장하고 있습니다.