Z przyjemnością ogłaszamy, że praca naukowa „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” została zaakceptowana do prezentacji na prestiżowej konferencji KDD 2024.

Głównym autorem jest Navid Foumani. Współautorami są dr Mahsa Salehi (Uniwersytet Monasha), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza oraz dr Nam Nguyen (Emotiv Research, Pty Ltd).

Przeczytaj publikację

Zobacz kod

Emotiv sponsoruje Navida Foumaniego, doktoranta, który pod kierunkiem dr Mahsy Salehi na Uniwersytecie Monasha w Melbourne (Australia) zajmuje się zastosowaniem metod głębokiego uczenia do analizy danych EEG. Navid ściśle współpracował z naszym zespołem nad opracowaniem nowatorskiej, samonadzorowanej architektury o nazwie EEG2Rep, która jest niezwykle obiecująca w modelowaniu danych EEG.

Jako jeden z 5 zbiorów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy (Driver Attention): 18 badanych x 45 minut symulowanej jazdy z okresowymi dystraktorami typowymi dla jazdy samochodem (połączenia mobilne, SMS-y, nawigacja, wybór muzyki, rozmowa, szybkie obliczenia w pamięci itp.). Nasz algorytm Driver Attention został wdrożony z dokładnością na poziomie 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 roku.

Sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie w Melbourne w 2015 roku, udostępniając jej ten sam zbiór danych. Udało jej się poprawić wskaźnik dokładności do 72% przy użyciu metod zespołowych.

Model EEG2Rep został zastosowany do zbioru danych Driver Distraction i osiągnął najwyższą jak dotąd dokładność – 80.07%, co stanowi znaczną poprawę. Dodatkowo model znacznie przewyższył najnowocześniejsze metody w każdym z pięciu publicznych zbiorów danych, obejmujących wykrywanie stanów emocjonalnych i psychicznych, wielozadaniowość, EEG w stanie spoczynku oraz wykrywanie schorzeń, takich jak epilepsja i udar.

Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który pozwoli na uogólnienie na różne zadania i aplikacje, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.