EEG2Rep: een zelfgestuurde AI-architectuur voor het modelleren van EEG-gegevens
H.B. Duran
Bijgewerkt op
22 mei 2024
EEG2Rep: een zelfgestuurde AI-architectuur voor het modelleren van EEG-gegevens
H.B. Duran
Bijgewerkt op
22 mei 2024
EEG2Rep: een zelfgestuurde AI-architectuur voor het modelleren van EEG-gegevens
H.B. Duran
Bijgewerkt op
22 mei 2024
We zijn verheugd aan te kondigen dat het 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-kandidaet 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 bekend staat 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, gesprekken, mentale berekeningen onderweg enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheidspercentage van 68% met behulp van geavanceerde machine learning-methoden.
We hebben Mahsa gesponsord tijdens haar PhD aan de Melbourne University in 2015, waarbij we haar van dezelfde dataset hebben voorzien. Zij wist de nauwkeurigheid te verbeteren naar 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. Bovendien presteerde het model aanzienlijk beter dan de huidige state-of-the-art methoden in elk van de vijf openbare datasets, inclusief de detectie van emotionele en mentale toestanden, multitasken, 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 worden gegeneraliseerd over verschillende taken en toepassingen, waardoor de grenzen van wat mogelijk is op het gebied van EEG-analyse worden verlegd.
We zijn verheugd aan te kondigen dat het 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-kandidaet 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 bekend staat 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, gesprekken, mentale berekeningen onderweg enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheidspercentage van 68% met behulp van geavanceerde machine learning-methoden.
We hebben Mahsa gesponsord tijdens haar PhD aan de Melbourne University in 2015, waarbij we haar van dezelfde dataset hebben voorzien. Zij wist de nauwkeurigheid te verbeteren naar 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. Bovendien presteerde het model aanzienlijk beter dan de huidige state-of-the-art methoden in elk van de vijf openbare datasets, inclusief de detectie van emotionele en mentale toestanden, multitasken, 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 worden gegeneraliseerd over verschillende taken en toepassingen, waardoor de grenzen van wat mogelijk is op het gebied van EEG-analyse worden verlegd.
We zijn verheugd aan te kondigen dat het 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-kandidaet 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 bekend staat 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, gesprekken, mentale berekeningen onderweg enz.). Ons Driver Attention-algoritme werd in 2013 geleverd met een nauwkeurigheidspercentage van 68% met behulp van geavanceerde machine learning-methoden.
We hebben Mahsa gesponsord tijdens haar PhD aan de Melbourne University in 2015, waarbij we haar van dezelfde dataset hebben voorzien. Zij wist de nauwkeurigheid te verbeteren naar 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. Bovendien presteerde het model aanzienlijk beter dan de huidige state-of-the-art methoden in elk van de vijf openbare datasets, inclusief de detectie van emotionele en mentale toestanden, multitasken, 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 worden gegeneraliseerd over verschillende taken en toepassingen, waardoor de grenzen van wat mogelijk is op het gebied van EEG-analyse worden verlegd.
