Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
EEG2Rep: een zelfgestuurde AI-architectuur voor het modelleren van EEG-gegevens
Heidi Duran
-
Delen:
We zijn verheugd aan te kondigen dat het artikel “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” is geaccepteerd voor presentatie op de prestigieuze KDD 2024-conferentie.
Navid Foumani is de hoofdauteur. De coauteurs 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 promovendus die heeft gewerkt aan het toepassen van deep-learningmethoden op EEG-gegevens onder begeleiding van Dr. Mahsa Salehi aan Monash University in Melbourne, Australië. Navid werkte nauw samen met ons team om een nieuwe zelf-gesuperviseerde architectuur te ontwikkelen, bekend als EEG2Rep, die enorm veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets paste Navid deze methoden toe op onze Driver Attention-data: 18 proefpersonen x 45 minuten gesimuleerd rijden met intermitterende afleidingen die typisch zijn voor een rijervaring (mobiele oproepen, sms-berichten, navigatie, muziekselectie, gesprekken, mentale berekeningen onderweg, enz.). Ons Driver Attention-algoritme werd in 2013 opgeleverd met een nauwkeurigheid van 68% met behulp van state-of-the-art machinelearningmethoden.
We sponsorden Mahsa tijdens haar PhD aan Melbourne University in 2015 en voorzagen haar van dezelfde dataset. Zij slaagde erin de nauwkeurigheid te verbeteren tot 72% met behulp van ensemblemethoden.
Het EEG2Rep-model werd toegepast op de Driver Distraction-dataset en behaalde de hoogste nauwkeurigheid tot nu toe, 80,07%, een substantiële verbetering. Daarnaast presteerde het model aanzienlijk beter dan state-of-the-art methoden in elk van de vijf openbare datasets, waaronder detectie van emotionele en mentale toestanden, multitasking, rusttoestand-EEG en 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 over verschillende taken en toepassingen heen, en zo de grenzen verlegt van wat kan worden bereikt op het gebied van EEG-analyse.
We zijn verheugd aan te kondigen dat het artikel “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” is geaccepteerd voor presentatie op de prestigieuze KDD 2024-conferentie.
Navid Foumani is de hoofdauteur. De coauteurs 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 promovendus die heeft gewerkt aan het toepassen van deep-learningmethoden op EEG-gegevens onder begeleiding van Dr. Mahsa Salehi aan Monash University in Melbourne, Australië. Navid werkte nauw samen met ons team om een nieuwe zelf-gesuperviseerde architectuur te ontwikkelen, bekend als EEG2Rep, die enorm veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets paste Navid deze methoden toe op onze Driver Attention-data: 18 proefpersonen x 45 minuten gesimuleerd rijden met intermitterende afleidingen die typisch zijn voor een rijervaring (mobiele oproepen, sms-berichten, navigatie, muziekselectie, gesprekken, mentale berekeningen onderweg, enz.). Ons Driver Attention-algoritme werd in 2013 opgeleverd met een nauwkeurigheid van 68% met behulp van state-of-the-art machinelearningmethoden.
We sponsorden Mahsa tijdens haar PhD aan Melbourne University in 2015 en voorzagen haar van dezelfde dataset. Zij slaagde erin de nauwkeurigheid te verbeteren tot 72% met behulp van ensemblemethoden.
Het EEG2Rep-model werd toegepast op de Driver Distraction-dataset en behaalde de hoogste nauwkeurigheid tot nu toe, 80,07%, een substantiële verbetering. Daarnaast presteerde het model aanzienlijk beter dan state-of-the-art methoden in elk van de vijf openbare datasets, waaronder detectie van emotionele en mentale toestanden, multitasking, rusttoestand-EEG en 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 over verschillende taken en toepassingen heen, en zo de grenzen verlegt van wat kan worden bereikt op het gebied van EEG-analyse.
We zijn verheugd aan te kondigen dat het artikel “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” is geaccepteerd voor presentatie op de prestigieuze KDD 2024-conferentie.
Navid Foumani is de hoofdauteur. De coauteurs 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 promovendus die heeft gewerkt aan het toepassen van deep-learningmethoden op EEG-gegevens onder begeleiding van Dr. Mahsa Salehi aan Monash University in Melbourne, Australië. Navid werkte nauw samen met ons team om een nieuwe zelf-gesuperviseerde architectuur te ontwikkelen, bekend als EEG2Rep, die enorm veelbelovend is voor het modelleren van EEG-gegevens.
Als een van de 5 EEG-datasets paste Navid deze methoden toe op onze Driver Attention-data: 18 proefpersonen x 45 minuten gesimuleerd rijden met intermitterende afleidingen die typisch zijn voor een rijervaring (mobiele oproepen, sms-berichten, navigatie, muziekselectie, gesprekken, mentale berekeningen onderweg, enz.). Ons Driver Attention-algoritme werd in 2013 opgeleverd met een nauwkeurigheid van 68% met behulp van state-of-the-art machinelearningmethoden.
We sponsorden Mahsa tijdens haar PhD aan Melbourne University in 2015 en voorzagen haar van dezelfde dataset. Zij slaagde erin de nauwkeurigheid te verbeteren tot 72% met behulp van ensemblemethoden.
Het EEG2Rep-model werd toegepast op de Driver Distraction-dataset en behaalde de hoogste nauwkeurigheid tot nu toe, 80,07%, een substantiële verbetering. Daarnaast presteerde het model aanzienlijk beter dan state-of-the-art methoden in elk van de vijf openbare datasets, waaronder detectie van emotionele en mentale toestanden, multitasking, rusttoestand-EEG en 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 over verschillende taken en toepassingen heen, en zo de grenzen verlegt van wat kan worden bereikt op het gebied van EEG-analyse.