EEG2Rep: Een zelfgesuperviseerde AI-architectuur voor modellering van EEG-gegevens
H.B. Duran
Bijgewerkt op
22 jul 2024
EEG2Rep: Een zelfgesuperviseerde AI-architectuur voor modellering van EEG-gegevens
H.B. Duran
Bijgewerkt op
22 jul 2024
EEG2Rep: Een zelfgesuperviseerde AI-architectuur voor modellering van EEG-gegevens
H.B. Duran
Bijgewerkt op
22 jul 2024
Met genoegen kondigen we aan dat het artikel "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" is geaccepteerd voor presentatie op de prestigieuze KDD 2024 Conference.
Navid Foumani is de hoofdauteur. De co-auteurs zijn dr. Mahsa Salehi (Monash University), dr. Geoffrey Mackellar, dr. Soheila Ghane, dr. Saad Irtza en dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsort Navid Foumani, een PhD-kandidaat die heeft gewerkt aan het toepassen van deep learning-methoden op EEG-gegevens onder toezicht van dr. Mahsa Salehi aan de Monash University in Melbourne, Australië. Navid werkte nauw samen met ons team om een innovatieve, zelf-gesuperviseerde architectuur te ontwikkelen die bekendstaat als EEG2Rep, wat uiterst veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets paste Navid deze methoden toe op onze Driver Attention-gegevens: 18 proefpersonen x 45 minuten gesimuleerd rijden met tussentijdse afleidingen die typisch zijn voor een rijervaring (mobiele oproepen, sms-berichten, navigatie, muziekselectie, gesprekken, snelle mentale berekeningen enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheidspercentage van 68% met behulp van state-of-the-art machine learning-methoden.
We hebben Mahsa gesponsord tijdens haar PhD aan de Melbourne University in 2015, waarbij we haar dezelfde dataset hebben verstrekt. Zij slaagde erin de nauwkeurigheid te verbeteren tot 72% met behulp van ensemble-methoden.
Het EEG2Rep-model werd toegepast op de Driver Distraction-dataset en behaalde de hoogste nauwkeurigheid tot nu toe, namelijk 80,07%, een aanzienlijke verbetering. Daarnaast presteerde het model aanzienlijk beter dan state-of-the-art methoden in elk van de vijf openbare datasets, inclusief de detectie van emotionele en mentale toestanden, multitasking, rusttoestand-EEG en de detectie van medische aandoeningen zoals epilepsie en beroerte.
Dit succes opent de mogelijkheid om een fundamenteel model voor EEG-gegevens te ontwikkelen dat kan generaliseren naar verschillende taken en toepassingen, waardoor de grenzen worden verlegd van wat kan worden bereikt op het gebied van EEG-analyse.
Met genoegen kondigen we aan dat het artikel "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" is geaccepteerd voor presentatie op de prestigieuze KDD 2024 Conference.
Navid Foumani is de hoofdauteur. De co-auteurs zijn dr. Mahsa Salehi (Monash University), dr. Geoffrey Mackellar, dr. Soheila Ghane, dr. Saad Irtza en dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsort Navid Foumani, een PhD-kandidaat die heeft gewerkt aan het toepassen van deep learning-methoden op EEG-gegevens onder toezicht van dr. Mahsa Salehi aan de Monash University in Melbourne, Australië. Navid werkte nauw samen met ons team om een innovatieve, zelf-gesuperviseerde architectuur te ontwikkelen die bekendstaat als EEG2Rep, wat uiterst veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets paste Navid deze methoden toe op onze Driver Attention-gegevens: 18 proefpersonen x 45 minuten gesimuleerd rijden met tussentijdse afleidingen die typisch zijn voor een rijervaring (mobiele oproepen, sms-berichten, navigatie, muziekselectie, gesprekken, snelle mentale berekeningen enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheidspercentage van 68% met behulp van state-of-the-art machine learning-methoden.
We hebben Mahsa gesponsord tijdens haar PhD aan de Melbourne University in 2015, waarbij we haar dezelfde dataset hebben verstrekt. Zij slaagde erin de nauwkeurigheid te verbeteren tot 72% met behulp van ensemble-methoden.
Het EEG2Rep-model werd toegepast op de Driver Distraction-dataset en behaalde de hoogste nauwkeurigheid tot nu toe, namelijk 80,07%, een aanzienlijke verbetering. Daarnaast presteerde het model aanzienlijk beter dan state-of-the-art methoden in elk van de vijf openbare datasets, inclusief de detectie van emotionele en mentale toestanden, multitasking, rusttoestand-EEG en de detectie van medische aandoeningen zoals epilepsie en beroerte.
Dit succes opent de mogelijkheid om een fundamenteel model voor EEG-gegevens te ontwikkelen dat kan generaliseren naar verschillende taken en toepassingen, waardoor de grenzen worden verlegd van wat kan worden bereikt op het gebied van EEG-analyse.
Met genoegen kondigen we aan dat het artikel "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" is geaccepteerd voor presentatie op de prestigieuze KDD 2024 Conference.
Navid Foumani is de hoofdauteur. De co-auteurs zijn dr. Mahsa Salehi (Monash University), dr. Geoffrey Mackellar, dr. Soheila Ghane, dr. Saad Irtza en dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsort Navid Foumani, een PhD-kandidaat die heeft gewerkt aan het toepassen van deep learning-methoden op EEG-gegevens onder toezicht van dr. Mahsa Salehi aan de Monash University in Melbourne, Australië. Navid werkte nauw samen met ons team om een innovatieve, zelf-gesuperviseerde architectuur te ontwikkelen die bekendstaat als EEG2Rep, wat uiterst veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets paste Navid deze methoden toe op onze Driver Attention-gegevens: 18 proefpersonen x 45 minuten gesimuleerd rijden met tussentijdse afleidingen die typisch zijn voor een rijervaring (mobiele oproepen, sms-berichten, navigatie, muziekselectie, gesprekken, snelle mentale berekeningen enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheidspercentage van 68% met behulp van state-of-the-art machine learning-methoden.
We hebben Mahsa gesponsord tijdens haar PhD aan de Melbourne University in 2015, waarbij we haar dezelfde dataset hebben verstrekt. Zij slaagde erin de nauwkeurigheid te verbeteren tot 72% met behulp van ensemble-methoden.
Het EEG2Rep-model werd toegepast op de Driver Distraction-dataset en behaalde de hoogste nauwkeurigheid tot nu toe, namelijk 80,07%, een aanzienlijke verbetering. Daarnaast presteerde het model aanzienlijk beter dan state-of-the-art methoden in elk van de vijf openbare datasets, inclusief de detectie van emotionele en mentale toestanden, multitasking, rusttoestand-EEG en de detectie van medische aandoeningen zoals epilepsie en beroerte.
Dit succes opent de mogelijkheid om een fundamenteel model voor EEG-gegevens te ontwikkelen dat kan generaliseren naar verschillende taken en toepassingen, waardoor de grenzen worden verlegd van wat kan worden bereikt op het gebied van EEG-analyse.