Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
EEG2Rep: Architektura AI z samo-nadzorem do modelowania danych EEG
Heidi Duran
22 lip 2024
Udostępnij:
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Udoskonalanie samo-nadzorowanej reprezentacji EEG poprzez informacyjne ukryte wejścia” został zaakceptowany do prezentacji na prestiżowej Konferencji KDD 2024.
Navid Foumani jest głównym autorem. Współautorami są dr Mahsa Salehi (Uniwersytet Monash), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza i dr Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsoruje Navida Foumaniego, kandydata do doktoratu, który pracował nad zastosowaniem metod uczenia głębokiego do danych EEG pod kierunkiem dr Mahsy Salehi na Uniwersytecie Monash w Melbourne, Australia. Navid ściśle współpracował z naszym zespołem, aby opracować nową architekturę samo-nadzorowaną znaną jako EEG2Rep, która jest ogromnie obiecująca w modelowaniu danych EEG.
Jako jeden z 5 zestawów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy: 18 uczestników x 45 minut symulowanej jazdy z przerywającymi dystraktorami typowymi dla doświadczenia jazdy (połączenia telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, obliczenia mentalne na bieżąco itd.). Nasz algorytm uwagi kierowcy dostarczono z metryką dokładności 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 roku.
W 2015 roku sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie Melbourne, zapewniając jej ten sam zestaw danych. Udało jej się poprawić metrykę dokładności do 72% przy użyciu metod zespołowych.
Model EEG2Rep zastosowano do zestawu danych dotyczących rozproszenia uwagi kierowcy i osiągnięto najwyższą dotąd dokładność 80,07%, co stanowi znaczną poprawę. Ponadto model znacząco przewyższał najnowocześniejsze metody w każdym z pięciu publicznych zestawów danych, w tym w detekcji stanu emocjonalnego i mentalnego, wielozadaniowości, stanie spoczynku EEG oraz w wykrywaniu stanów medycznych, takich jak epilepsja i udar mózgu.
Ten sukces otwiera możliwość opracowania modelu bazowego dla danych EEG, który może generalizować w różnych zadaniach i aplikacjach, posuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Udoskonalanie samo-nadzorowanej reprezentacji EEG poprzez informacyjne ukryte wejścia” został zaakceptowany do prezentacji na prestiżowej Konferencji KDD 2024.
Navid Foumani jest głównym autorem. Współautorami są dr Mahsa Salehi (Uniwersytet Monash), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza i dr Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsoruje Navida Foumaniego, kandydata do doktoratu, który pracował nad zastosowaniem metod uczenia głębokiego do danych EEG pod kierunkiem dr Mahsy Salehi na Uniwersytecie Monash w Melbourne, Australia. Navid ściśle współpracował z naszym zespołem, aby opracować nową architekturę samo-nadzorowaną znaną jako EEG2Rep, która jest ogromnie obiecująca w modelowaniu danych EEG.
Jako jeden z 5 zestawów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy: 18 uczestników x 45 minut symulowanej jazdy z przerywającymi dystraktorami typowymi dla doświadczenia jazdy (połączenia telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, obliczenia mentalne na bieżąco itd.). Nasz algorytm uwagi kierowcy dostarczono z metryką dokładności 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 roku.
W 2015 roku sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie Melbourne, zapewniając jej ten sam zestaw danych. Udało jej się poprawić metrykę dokładności do 72% przy użyciu metod zespołowych.
Model EEG2Rep zastosowano do zestawu danych dotyczących rozproszenia uwagi kierowcy i osiągnięto najwyższą dotąd dokładność 80,07%, co stanowi znaczną poprawę. Ponadto model znacząco przewyższał najnowocześniejsze metody w każdym z pięciu publicznych zestawów danych, w tym w detekcji stanu emocjonalnego i mentalnego, wielozadaniowości, stanie spoczynku EEG oraz w wykrywaniu stanów medycznych, takich jak epilepsja i udar mózgu.
Ten sukces otwiera możliwość opracowania modelu bazowego dla danych EEG, który może generalizować w różnych zadaniach i aplikacjach, posuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Udoskonalanie samo-nadzorowanej reprezentacji EEG poprzez informacyjne ukryte wejścia” został zaakceptowany do prezentacji na prestiżowej Konferencji KDD 2024.
Navid Foumani jest głównym autorem. Współautorami są dr Mahsa Salehi (Uniwersytet Monash), dr Geoffrey Mackellar, dr Soheila Ghane, dr Saad Irtza i dr Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsoruje Navida Foumaniego, kandydata do doktoratu, który pracował nad zastosowaniem metod uczenia głębokiego do danych EEG pod kierunkiem dr Mahsy Salehi na Uniwersytecie Monash w Melbourne, Australia. Navid ściśle współpracował z naszym zespołem, aby opracować nową architekturę samo-nadzorowaną znaną jako EEG2Rep, która jest ogromnie obiecująca w modelowaniu danych EEG.
Jako jeden z 5 zestawów danych EEG, Navid zastosował te metody do naszych danych dotyczących uwagi kierowcy: 18 uczestników x 45 minut symulowanej jazdy z przerywającymi dystraktorami typowymi dla doświadczenia jazdy (połączenia telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, obliczenia mentalne na bieżąco itd.). Nasz algorytm uwagi kierowcy dostarczono z metryką dokładności 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 roku.
W 2015 roku sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie Melbourne, zapewniając jej ten sam zestaw danych. Udało jej się poprawić metrykę dokładności do 72% przy użyciu metod zespołowych.
Model EEG2Rep zastosowano do zestawu danych dotyczących rozproszenia uwagi kierowcy i osiągnięto najwyższą dotąd dokładność 80,07%, co stanowi znaczną poprawę. Ponadto model znacząco przewyższał najnowocześniejsze metody w każdym z pięciu publicznych zestawów danych, w tym w detekcji stanu emocjonalnego i mentalnego, wielozadaniowości, stanie spoczynku EEG oraz w wykrywaniu stanów medycznych, takich jak epilepsja i udar mózgu.
Ten sukces otwiera możliwość opracowania modelu bazowego dla danych EEG, który może generalizować w różnych zadaniach i aplikacjach, posuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
