EEG2Rep: Samo-nadzorowana architektura AI do modelowania danych EEG
H.B. Duran
Zaktualizowano dnia
22 lip 2024
EEG2Rep: Samo-nadzorowana architektura AI do modelowania danych EEG
H.B. Duran
Zaktualizowano dnia
22 lip 2024
EEG2Rep: Samo-nadzorowana architektura AI do modelowania danych EEG
H.B. Duran
Zaktualizowano dnia
22 lip 2024
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” został przyjęty do prezentacji na prestiżowej konferencji KDD 2024.
Głównym autorem jest Navid Foumani. Współautorami są dr Mahsa Salehi (Monash University), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza oraz dr Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsoruje Navida Foumaniego, doktoranta, który pracował nad zastosowaniem metod głębokiego uczenia w odniesieniu do danych EEG pod nadzorem dr Mahsy Salehi na Monash University w Melbourne w Australii. Navid ściśle współpracował z naszym zespołem nad opracowaniem nowatorskiej architektury samosuperwizowanej znanej jako EEG2Rep, która jest niezwykle obiecująca dla modelowania danych EEG.
Jako jeden z 5 zestawów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy (Driver Attention): 18 badanych x 45 minut symulowanej jazdy z przerywanymi czynnikami rozpraszającymi, typowymi dla jazdy samochodem (połączenia komórkowe, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowa, obliczenia pamięciowe w locie itp.). Nasz algorytm Driver Attention został dostarczony ze wskaźnikiem dokładności 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 zestaw danych. Udalo jej się poprawić wskaźnik dokładności do 72% przy użyciu metod zespołowych (ensemble methods).
Model EEG2Rep został zastosowany do zestawu 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 zestawów danych, w tym w wykrywaniu stanów emocjonalnych i psychicznych, wielozadaniowości, EEG w stanie spoczynku oraz wykrywaniu schorzeń, takich jak padaczka i udar mózgu.
Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który można uogólnić na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” został przyjęty do prezentacji na prestiżowej konferencji KDD 2024.
Głównym autorem jest Navid Foumani. Współautorami są dr Mahsa Salehi (Monash University), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza oraz dr Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsoruje Navida Foumaniego, doktoranta, który pracował nad zastosowaniem metod głębokiego uczenia w odniesieniu do danych EEG pod nadzorem dr Mahsy Salehi na Monash University w Melbourne w Australii. Navid ściśle współpracował z naszym zespołem nad opracowaniem nowatorskiej architektury samosuperwizowanej znanej jako EEG2Rep, która jest niezwykle obiecująca dla modelowania danych EEG.
Jako jeden z 5 zestawów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy (Driver Attention): 18 badanych x 45 minut symulowanej jazdy z przerywanymi czynnikami rozpraszającymi, typowymi dla jazdy samochodem (połączenia komórkowe, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowa, obliczenia pamięciowe w locie itp.). Nasz algorytm Driver Attention został dostarczony ze wskaźnikiem dokładności 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 zestaw danych. Udalo jej się poprawić wskaźnik dokładności do 72% przy użyciu metod zespołowych (ensemble methods).
Model EEG2Rep został zastosowany do zestawu 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 zestawów danych, w tym w wykrywaniu stanów emocjonalnych i psychicznych, wielozadaniowości, EEG w stanie spoczynku oraz wykrywaniu schorzeń, takich jak padaczka i udar mózgu.
Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który można uogólnić na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” został przyjęty do prezentacji na prestiżowej konferencji KDD 2024.
Głównym autorem jest Navid Foumani. Współautorami są dr Mahsa Salehi (Monash University), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza oraz dr Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv sponsoruje Navida Foumaniego, doktoranta, który pracował nad zastosowaniem metod głębokiego uczenia w odniesieniu do danych EEG pod nadzorem dr Mahsy Salehi na Monash University w Melbourne w Australii. Navid ściśle współpracował z naszym zespołem nad opracowaniem nowatorskiej architektury samosuperwizowanej znanej jako EEG2Rep, która jest niezwykle obiecująca dla modelowania danych EEG.
Jako jeden z 5 zestawów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy (Driver Attention): 18 badanych x 45 minut symulowanej jazdy z przerywanymi czynnikami rozpraszającymi, typowymi dla jazdy samochodem (połączenia komórkowe, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowa, obliczenia pamięciowe w locie itp.). Nasz algorytm Driver Attention został dostarczony ze wskaźnikiem dokładności 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 zestaw danych. Udalo jej się poprawić wskaźnik dokładności do 72% przy użyciu metod zespołowych (ensemble methods).
Model EEG2Rep został zastosowany do zestawu 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 zestawów danych, w tym w wykrywaniu stanów emocjonalnych i psychicznych, wielozadaniowości, EEG w stanie spoczynku oraz wykrywaniu schorzeń, takich jak padaczka i udar mózgu.
Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który można uogólnić na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Kontynuuj czytanie