EEG2Rep: Architektura AI z samo-nadzorem do modelowania danych EEG
Heidi Duran
22 lip 2024
Udostępnij:
Z przyjemnością ogłaszamy, że praca „EEG2Rep: Ulepszanie samodzielnie nadzorowanej reprezentacji EEG poprzez informacyjne maskowane dane wejściowe” została zaakceptowana 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 oraz Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsoruje Navida Foumaniego, kandydata na doktorat, który pracował nad stosowaniem metod głębokiego uczenia do danych EEG pod nadzorem Dr. Mahsy Salehi na Uniwersytecie Monash w Melbourne, Australia. Navid ściśle współpracował z naszym zespołem, aby opracować nową architekturę samodzielnie nadzorowaną znaną jako 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: 18 uczestników x 45 minut symulowanej jazdy z przerywanymi zakłóceniami typowymi dla doświadczeń związanych z jazdą (połączenia telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, mentalne obliczenia na gorąco itp.). Nasz algorytm uwagi kierowcy został dostarczony z wskaźnikiem dokładności wynoszącym 68% przy użyciu metod uczenia maszynowego w 2013 roku.
Sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie w Melbourne w 2015 roku, dostarczając jej ten sam zestaw danych. Udało jej się poprawić wskaźnik dokładności do 72% przy użyciu metod ensemble.
Model EEG2Rep został zastosowany do zbioru danych dotyczącego rozproszenia uwagi kierowcy i osiągnął najwyższą dotychczas dokładność 80,07%, co stanowi znaczną poprawę. Dodatkowo, model znacząco przewyższył metody najlepsze w swojej klasie w każdym z pięciu publicznych zbiorów danych, w tym w detekcji stanu emocjonalnego i psychicznego, wielozadaniowości, stanie spoczynkowym EEG i detekcji stanów medycznych, takich jak padaczka i udar mózgu.
Ten sukces otwiera możliwość opracowania modelu podstawowego dla danych EEG, który może uogólniać na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Z przyjemnością ogłaszamy, że praca „EEG2Rep: Ulepszanie samodzielnie nadzorowanej reprezentacji EEG poprzez informacyjne maskowane dane wejściowe” została zaakceptowana 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 oraz Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsoruje Navida Foumaniego, kandydata na doktorat, który pracował nad stosowaniem metod głębokiego uczenia do danych EEG pod nadzorem Dr. Mahsy Salehi na Uniwersytecie Monash w Melbourne, Australia. Navid ściśle współpracował z naszym zespołem, aby opracować nową architekturę samodzielnie nadzorowaną znaną jako 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: 18 uczestników x 45 minut symulowanej jazdy z przerywanymi zakłóceniami typowymi dla doświadczeń związanych z jazdą (połączenia telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, mentalne obliczenia na gorąco itp.). Nasz algorytm uwagi kierowcy został dostarczony z wskaźnikiem dokładności wynoszącym 68% przy użyciu metod uczenia maszynowego w 2013 roku.
Sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie w Melbourne w 2015 roku, dostarczając jej ten sam zestaw danych. Udało jej się poprawić wskaźnik dokładności do 72% przy użyciu metod ensemble.
Model EEG2Rep został zastosowany do zbioru danych dotyczącego rozproszenia uwagi kierowcy i osiągnął najwyższą dotychczas dokładność 80,07%, co stanowi znaczną poprawę. Dodatkowo, model znacząco przewyższył metody najlepsze w swojej klasie w każdym z pięciu publicznych zbiorów danych, w tym w detekcji stanu emocjonalnego i psychicznego, wielozadaniowości, stanie spoczynkowym EEG i detekcji stanów medycznych, takich jak padaczka i udar mózgu.
Ten sukces otwiera możliwość opracowania modelu podstawowego dla danych EEG, który może uogólniać na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Z przyjemnością ogłaszamy, że praca „EEG2Rep: Ulepszanie samodzielnie nadzorowanej reprezentacji EEG poprzez informacyjne maskowane dane wejściowe” została zaakceptowana 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 oraz Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV sponsoruje Navida Foumaniego, kandydata na doktorat, który pracował nad stosowaniem metod głębokiego uczenia do danych EEG pod nadzorem Dr. Mahsy Salehi na Uniwersytecie Monash w Melbourne, Australia. Navid ściśle współpracował z naszym zespołem, aby opracować nową architekturę samodzielnie nadzorowaną znaną jako 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: 18 uczestników x 45 minut symulowanej jazdy z przerywanymi zakłóceniami typowymi dla doświadczeń związanych z jazdą (połączenia telefoniczne, wiadomości tekstowe, nawigacja, wybór muzyki, rozmowy, mentalne obliczenia na gorąco itp.). Nasz algorytm uwagi kierowcy został dostarczony z wskaźnikiem dokładności wynoszącym 68% przy użyciu metod uczenia maszynowego w 2013 roku.
Sponsorowaliśmy Mahsę podczas jej doktoratu na Uniwersytecie w Melbourne w 2015 roku, dostarczając jej ten sam zestaw danych. Udało jej się poprawić wskaźnik dokładności do 72% przy użyciu metod ensemble.
Model EEG2Rep został zastosowany do zbioru danych dotyczącego rozproszenia uwagi kierowcy i osiągnął najwyższą dotychczas dokładność 80,07%, co stanowi znaczną poprawę. Dodatkowo, model znacząco przewyższył metody najlepsze w swojej klasie w każdym z pięciu publicznych zbiorów danych, w tym w detekcji stanu emocjonalnego i psychicznego, wielozadaniowości, stanie spoczynkowym EEG i detekcji stanów medycznych, takich jak padaczka i udar mózgu.
Ten sukces otwiera możliwość opracowania modelu podstawowego dla danych EEG, który może uogólniać na różne zadania i zastosowania, przesuwając granice tego, co można osiągnąć w dziedzinie analizy EEG.
Rozwiązania
Wsparcie
Firma
Zastrzeżenie dotyczące produktu
© 2025 EMOTIV, Wszelkie prawa zastrzeżone.
Twoje wybory dotyczące prywatności (ustawienia plików cookie)
*Zastrzeżenie – Produkty EMOTIV przeznaczone są wyłącznie do zastosowań badawczych i osobistych. Nasze produkty nie są sprzedawane jako wyroby medyczne, jak określono w dyrektywie UE 93/42/EEC. Nasze produkty nie są zaprojektowane ani przeznaczone do diagnozowania ani leczenia chorób.
Uwaga dotycząca tłumaczeń: nieangielskie wersje tej witryny zostały przetłumaczone dla Twojej wygody przy użyciu sztucznej inteligencji. Chociaż dążymy do dokładności, automatyczne tłumaczenia mogą zawierać błędy lub niuanse różniące się od oryginalnego tekstu. Aby uzyskać najdokładniejsze informacje, prosimy o odniesienie się do angielskiej wersji tej witryny.
Rozwiązania
Wsparcie
Firma
Zastrzeżenie dotyczące produktu
© 2025 EMOTIV, Wszelkie prawa zastrzeżone.
Twoje wybory dotyczące prywatności (ustawienia plików cookie)
*Zastrzeżenie – Produkty EMOTIV przeznaczone są wyłącznie do zastosowań badawczych i osobistych. Nasze produkty nie są sprzedawane jako wyroby medyczne, jak określono w dyrektywie UE 93/42/EEC. Nasze produkty nie są zaprojektowane ani przeznaczone do diagnozowania ani leczenia chorób.
Uwaga dotycząca tłumaczeń: nieangielskie wersje tej witryny zostały przetłumaczone dla Twojej wygody przy użyciu sztucznej inteligencji. Chociaż dążymy do dokładności, automatyczne tłumaczenia mogą zawierać błędy lub niuanse różniące się od oryginalnego tekstu. Aby uzyskać najdokładniejsze informacje, prosimy o odniesienie się do angielskiej wersji tej witryny.
Rozwiązania
Wsparcie
Firma
Zastrzeżenie dotyczące produktu
© 2025 EMOTIV, Wszelkie prawa zastrzeżone.
Twoje wybory dotyczące prywatności (ustawienia plików cookie)
*Zastrzeżenie – Produkty EMOTIV przeznaczone są wyłącznie do zastosowań badawczych i osobistych. Nasze produkty nie są sprzedawane jako wyroby medyczne, jak określono w dyrektywie UE 93/42/EEC. Nasze produkty nie są zaprojektowane ani przeznaczone do diagnozowania ani leczenia chorób.
Uwaga dotycząca tłumaczeń: nieangielskie wersje tej witryny zostały przetłumaczone dla Twojej wygody przy użyciu sztucznej inteligencji. Chociaż dążymy do dokładności, automatyczne tłumaczenia mogą zawierać błędy lub niuanse różniące się od oryginalnego tekstu. Aby uzyskać najdokładniejsze informacje, prosimy o odniesienie się do angielskiej wersji tej witryny.