EEG2Rep: Uma Arquitetura de IA Autossupervisionada para Modelagem de Dados de EEG
H.B. Duran
Atualizado em
22 de jul. de 2024
EEG2Rep: Uma Arquitetura de IA Autossupervisionada para Modelagem de Dados de EEG
H.B. Duran
Atualizado em
22 de jul. de 2024
EEG2Rep: Uma Arquitetura de IA Autossupervisionada para Modelagem de Dados de EEG
H.B. Duran
Atualizado em
22 de jul. de 2024
Temos o prazer de anunciar que o artigo “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” foi aceito para apresentação na prestigiada KDD 2024 Conference.
Navid Foumani é o autor principal. Os coautores são a Dra. Mahsa Salehi (Monash University), o Dr. Geoffrey Mackellar, a Dra. Soheila Ghane, o Dr. Saad Irtza e o Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
A Emotiv patrocina Navid Foumani, um candidato a PhD que vem trabalhando na aplicação de métodos de aprendizado profundo a dados de EEG sob a supervisão da Dra. Mahsa Salehi na Monash University em Melbourne, Austrália. Navid trabalhou em estreita colaboração com nossa equipe para desenvolver uma nova arquitetura autossupervisionada conhecida como EEG2Rep, que é imensamente promissora para a modelagem de dados de EEG.
Como um dos 5 conjuntos de dados de EEG, Navid aplicou esses métodos aos nossos dados de Atenção do Motorista: 18 indivíduos x 45 minutos de condução simulada com distratores intermitentes típicos de uma experiência de condução (chamadas telefônicas, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais rápidos, etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% usando métodos de aprendizado de máquina de última geração em 2013.
Patrocinamos Mahsa durante seu PhD na Universidade de Melbourne em 2015, fornecendo-lhe o mesmo conjunto de dados. Ela conseguiu melhorar a métrica de precisão para 72% usando métodos de ensemble.
O modelo EEG2Rep foi aplicado ao conjunto de dados de Distração do Motorista e alcançou a maior precisão até o momento, 80.07%, uma melhoria substancial. Além disso, o modelo superou significativamente os métodos de última geração em cada um dos cinco conjuntos de dados públicos, incluindo detecção de estado emocional e mental, multitarefa, EEG de estado de repouso e detecção de condições médicas como epilepsia e acidente vascular cerebral.
Este sucesso abre a possibilidade de desenvolver um modelo fundamental para dados de EEG que possa se generalizar em várias tarefas e aplicações, expandindo os limites do que pode ser alcançado no campo da análise de EEG.
Temos o prazer de anunciar que o artigo “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” foi aceito para apresentação na prestigiada KDD 2024 Conference.
Navid Foumani é o autor principal. Os coautores são a Dra. Mahsa Salehi (Monash University), o Dr. Geoffrey Mackellar, a Dra. Soheila Ghane, o Dr. Saad Irtza e o Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
A Emotiv patrocina Navid Foumani, um candidato a PhD que vem trabalhando na aplicação de métodos de aprendizado profundo a dados de EEG sob a supervisão da Dra. Mahsa Salehi na Monash University em Melbourne, Austrália. Navid trabalhou em estreita colaboração com nossa equipe para desenvolver uma nova arquitetura autossupervisionada conhecida como EEG2Rep, que é imensamente promissora para a modelagem de dados de EEG.
Como um dos 5 conjuntos de dados de EEG, Navid aplicou esses métodos aos nossos dados de Atenção do Motorista: 18 indivíduos x 45 minutos de condução simulada com distratores intermitentes típicos de uma experiência de condução (chamadas telefônicas, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais rápidos, etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% usando métodos de aprendizado de máquina de última geração em 2013.
Patrocinamos Mahsa durante seu PhD na Universidade de Melbourne em 2015, fornecendo-lhe o mesmo conjunto de dados. Ela conseguiu melhorar a métrica de precisão para 72% usando métodos de ensemble.
O modelo EEG2Rep foi aplicado ao conjunto de dados de Distração do Motorista e alcançou a maior precisão até o momento, 80.07%, uma melhoria substancial. Além disso, o modelo superou significativamente os métodos de última geração em cada um dos cinco conjuntos de dados públicos, incluindo detecção de estado emocional e mental, multitarefa, EEG de estado de repouso e detecção de condições médicas como epilepsia e acidente vascular cerebral.
Este sucesso abre a possibilidade de desenvolver um modelo fundamental para dados de EEG que possa se generalizar em várias tarefas e aplicações, expandindo os limites do que pode ser alcançado no campo da análise de EEG.
Temos o prazer de anunciar que o artigo “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” foi aceito para apresentação na prestigiada KDD 2024 Conference.
Navid Foumani é o autor principal. Os coautores são a Dra. Mahsa Salehi (Monash University), o Dr. Geoffrey Mackellar, a Dra. Soheila Ghane, o Dr. Saad Irtza e o Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
A Emotiv patrocina Navid Foumani, um candidato a PhD que vem trabalhando na aplicação de métodos de aprendizado profundo a dados de EEG sob a supervisão da Dra. Mahsa Salehi na Monash University em Melbourne, Austrália. Navid trabalhou em estreita colaboração com nossa equipe para desenvolver uma nova arquitetura autossupervisionada conhecida como EEG2Rep, que é imensamente promissora para a modelagem de dados de EEG.
Como um dos 5 conjuntos de dados de EEG, Navid aplicou esses métodos aos nossos dados de Atenção do Motorista: 18 indivíduos x 45 minutos de condução simulada com distratores intermitentes típicos de uma experiência de condução (chamadas telefônicas, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais rápidos, etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% usando métodos de aprendizado de máquina de última geração em 2013.
Patrocinamos Mahsa durante seu PhD na Universidade de Melbourne em 2015, fornecendo-lhe o mesmo conjunto de dados. Ela conseguiu melhorar a métrica de precisão para 72% usando métodos de ensemble.
O modelo EEG2Rep foi aplicado ao conjunto de dados de Distração do Motorista e alcançou a maior precisão até o momento, 80.07%, uma melhoria substancial. Além disso, o modelo superou significativamente os métodos de última geração em cada um dos cinco conjuntos de dados públicos, incluindo detecção de estado emocional e mental, multitarefa, EEG de estado de repouso e detecção de condições médicas como epilepsia e acidente vascular cerebral.
Este sucesso abre a possibilidade de desenvolver um modelo fundamental para dados de EEG que possa se generalizar em várias tarefas e aplicações, expandindo os limites do que pode ser alcançado no campo da análise de EEG.