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
We zijn verheugd te kunnen aankondigen dat de paper “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 heeft nauw samengewerkt met ons team om een innovatieve, zelfgestuurde architectuur te ontwikkelen die bekendstaat als EEG2Rep, wat enorm veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets heeft Navid deze methoden toegepast 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, gesprek, mentale berekeningen tussendoor enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheid van 68% met behulp van geavanceerde machine learning-methoden.
We sponsorden Mahsa tijdens haar doctoraat aan de Universiteit van Melbourne in 2015, waarbij we haar van dezelfde dataset voorzagen. 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, 80,07%, een aanzienlijke verbetering. Daarnaast presteerde het model aanzienlijk beter dan de huidige state-of-the-art methoden in elk van de vijf openbare datasets, waaronder de detectie van emotionele en mentale toestanden, multitasking, EEG in rusttoestand 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 worden gegeneraliseerd over verschillende taken en toepassingen, waardoor de grenzen worden verlegd van wat kan worden bereikt op het gebied van EEG-analyse.
We zijn verheugd te kunnen aankondigen dat de paper “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 heeft nauw samengewerkt met ons team om een innovatieve, zelfgestuurde architectuur te ontwikkelen die bekendstaat als EEG2Rep, wat enorm veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets heeft Navid deze methoden toegepast 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, gesprek, mentale berekeningen tussendoor enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheid van 68% met behulp van geavanceerde machine learning-methoden.
We sponsorden Mahsa tijdens haar doctoraat aan de Universiteit van Melbourne in 2015, waarbij we haar van dezelfde dataset voorzagen. 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, 80,07%, een aanzienlijke verbetering. Daarnaast presteerde het model aanzienlijk beter dan de huidige state-of-the-art methoden in elk van de vijf openbare datasets, waaronder de detectie van emotionele en mentale toestanden, multitasking, EEG in rusttoestand 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 worden gegeneraliseerd over verschillende taken en toepassingen, waardoor de grenzen worden verlegd van wat kan worden bereikt op het gebied van EEG-analyse.
We zijn verheugd te kunnen aankondigen dat de paper “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 heeft nauw samengewerkt met ons team om een innovatieve, zelfgestuurde architectuur te ontwikkelen die bekendstaat als EEG2Rep, wat enorm veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets heeft Navid deze methoden toegepast 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, gesprek, mentale berekeningen tussendoor enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheid van 68% met behulp van geavanceerde machine learning-methoden.
We sponsorden Mahsa tijdens haar doctoraat aan de Universiteit van Melbourne in 2015, waarbij we haar van dezelfde dataset voorzagen. 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, 80,07%, een aanzienlijke verbetering. Daarnaast presteerde het model aanzienlijk beter dan de huidige state-of-the-art methoden in elk van de vijf openbare datasets, waaronder de detectie van emotionele en mentale toestanden, multitasking, EEG in rusttoestand 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 worden gegeneraliseerd over verschillende taken en toepassingen, waardoor de grenzen worden verlegd van wat kan worden bereikt op het gebied van EEG-analyse.
Lees verder