“EEG2Rep: Informative Masked Inputs를 통해 자기지도 EEG 표현을 향상시키다”라는 논문이 권위 있는 KDD 2024 Conference에서 발표 논문으로 채택되었다는 소식을 기쁘게 전합니다.

Navid Foumani는 제1 저자입니다. 공동 저자는 Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, 그리고 Dr. Nam Nguyen (Emotiv Research, Pty Ltd)입니다.

논문 읽기

코드 보기

Emotiv은 Melbourne, Australia의 Monash University에서 Dr. Mahsa Salehi의 지도 아래 EEG 데이터에 딥러닝 방법을 적용하는 연구를 해온 PhD 과정 학생 Navid Foumani를 후원합니다. Navid는 우리 팀과 긴밀히 협력하여 EEG2Rep로 알려진 독창적인 자기지도 아키텍처를 개발했으며, 이는 EEG 데이터를 모델링하는 데 매우 유망합니다.

5개의 EEG 데이터셋 중 하나로서, Navid는 이러한 방법을 우리의 Driver Attention 데이터에 적용했습니다: 18명의 피험자 x 45분의 시뮬레이션 운전과, 운전 경험에서 흔히 나타나는 간헐적 방해 요소(휴대전화 통화, 문자 메시지, 내비게이션, 음악 선택, 대화, 즉석에서 하는 정신 계산 등)가 포함되어 있습니다. 우리의 Driver Attention 알고리즘은 2013년에 최첨단 머신러닝 방법을 사용하여 68%의 정확도 지표로 제공되었습니다.

우리는 2015년 Melbourne University에서 Mahsa의 PhD 과정 동안 그녀를 후원하며 동일한 데이터셋을 제공했습니다. 그녀는 앙상블 방법을 사용해 정확도 지표를 72%까지 향상시켰습니다.

EEG2Rep 모델은 Driver Distraction 데이터셋에 적용되어 현재까지 가장 높은 정확도인 80.07%를 달성했으며, 이는 상당한 향상입니다. 또한 이 모델은 감정 및 정신 상태 탐지, 멀티태스킹, 휴식 상태 EEG, 그리고 간질 및 뇌졸중과 같은 의학적 상태의 탐지를 포함한 5개의 공개 데이터셋 각각에서 최첨단 방법들을 크게 능가했습니다.

이 성공은 EEG 데이터에 대한 기초 모델을 개발하여 다양한 작업과 응용 전반에 걸쳐 일반화할 수 있는 가능성을 열어주며, EEG 분석 분야에서 달성할 수 있는 한계를 넓혀 줍니다.