EEG2Rep: Architektura AI z samo-nadzorem do modelowania danych EEG
Heidi Duran
Zaktualizowano dnia
22 maj 2024
EEG2Rep: Architektura AI z samo-nadzorem do modelowania danych EEG
Heidi Duran
Zaktualizowano dnia
22 maj 2024
EEG2Rep: Architektura AI z samo-nadzorem do modelowania danych EEG
Heidi Duran
Zaktualizowano dnia
22 maj 2024
Z przyjemnością ogłaszamy, że artykuł „EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” został zaakceptowany do prezentacji na prestiżowej Konferencji KDD 2024.
Navid Foumani jest głównym autorem. 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 deep learning do danych EEG pod kierunkiem dr Mahsy Salehi na Monash University w Melbourne w Australii. Navid ściśle współpracował z naszym zespołem, aby opracować nowatorską architekturę samonadzorowaną znaną jako EEG2Rep, która jest niezwykle obiecująca do modelowania danych EEG.
Jako jeden z 5 zbiorów danych EEG, Navid zastosował te metody do naszych danych Driver Attention: 18 uczestników x 45 minut symulowanej jazdy z przerywanymi rozpraszaczami typowymi dla doświadczenia prowadzenia pojazdu (rozmowy telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, obliczenia mentalne na bieżąco itp.). Nasz algorytm Driver Attention osiągnął dokładność 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 r.
Sponsorowaliśmy Mahsę podczas jej doktoratu na Melbourne University w 2015 roku, zapewniając jej ten sam zbiór danych. Udało jej się poprawić dokładność do 72% przy użyciu metod zespołowych.
Model EEG2Rep zastosowano do zbioru danych Driver Distraction i osiągnął on najwyższą dotąd dokładność, 80.07%, co stanowi znaczącą poprawę. Dodatkowo model znacząco przewyższył najnowocześniejsze metody w każdym z pięciu publicznych zbiorów danych, w tym w wykrywaniu stanów emocjonalnych i psychicznych, wielozadaniowości, EEG w stanie spoczynku oraz wykrywaniu schorzeń medycznych, takich jak epilepsja i udar.
Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który może uogólniać się 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 zaakceptowany do prezentacji na prestiżowej Konferencji KDD 2024.
Navid Foumani jest głównym autorem. 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 deep learning do danych EEG pod kierunkiem dr Mahsy Salehi na Monash University w Melbourne w Australii. Navid ściśle współpracował z naszym zespołem, aby opracować nowatorską architekturę samonadzorowaną znaną jako EEG2Rep, która jest niezwykle obiecująca do modelowania danych EEG.
Jako jeden z 5 zbiorów danych EEG, Navid zastosował te metody do naszych danych Driver Attention: 18 uczestników x 45 minut symulowanej jazdy z przerywanymi rozpraszaczami typowymi dla doświadczenia prowadzenia pojazdu (rozmowy telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, obliczenia mentalne na bieżąco itp.). Nasz algorytm Driver Attention osiągnął dokładność 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 r.
Sponsorowaliśmy Mahsę podczas jej doktoratu na Melbourne University w 2015 roku, zapewniając jej ten sam zbiór danych. Udało jej się poprawić dokładność do 72% przy użyciu metod zespołowych.
Model EEG2Rep zastosowano do zbioru danych Driver Distraction i osiągnął on najwyższą dotąd dokładność, 80.07%, co stanowi znaczącą poprawę. Dodatkowo model znacząco przewyższył najnowocześniejsze metody w każdym z pięciu publicznych zbiorów danych, w tym w wykrywaniu stanów emocjonalnych i psychicznych, wielozadaniowości, EEG w stanie spoczynku oraz wykrywaniu schorzeń medycznych, takich jak epilepsja i udar.
Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który może uogólniać się 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 zaakceptowany do prezentacji na prestiżowej Konferencji KDD 2024.
Navid Foumani jest głównym autorem. 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 deep learning do danych EEG pod kierunkiem dr Mahsy Salehi na Monash University w Melbourne w Australii. Navid ściśle współpracował z naszym zespołem, aby opracować nowatorską architekturę samonadzorowaną znaną jako EEG2Rep, która jest niezwykle obiecująca do modelowania danych EEG.
Jako jeden z 5 zbiorów danych EEG, Navid zastosował te metody do naszych danych Driver Attention: 18 uczestników x 45 minut symulowanej jazdy z przerywanymi rozpraszaczami typowymi dla doświadczenia prowadzenia pojazdu (rozmowy telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, obliczenia mentalne na bieżąco itp.). Nasz algorytm Driver Attention osiągnął dokładność 68% przy użyciu najnowocześniejszych metod uczenia maszynowego w 2013 r.
Sponsorowaliśmy Mahsę podczas jej doktoratu na Melbourne University w 2015 roku, zapewniając jej ten sam zbiór danych. Udało jej się poprawić dokładność do 72% przy użyciu metod zespołowych.
Model EEG2Rep zastosowano do zbioru danych Driver Distraction i osiągnął on najwyższą dotąd dokładność, 80.07%, co stanowi znaczącą poprawę. Dodatkowo model znacząco przewyższył najnowocześniejsze metody w każdym z pięciu publicznych zbiorów danych, w tym w wykrywaniu stanów emocjonalnych i psychicznych, wielozadaniowości, EEG w stanie spoczynku oraz wykrywaniu schorzeń medycznych, takich jak epilepsja i udar.
Ten sukces otwiera możliwość opracowania fundamentalnego modelu dla danych EEG, który może uogólniać się na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
