EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
H.B. Duran
Atualizado em
22 de jul. de 2024
EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
H.B. Duran
Atualizado em
22 de jul. de 2024
EEG2Rep: Uma Arquitetura de IA Auto-supervisionada 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 Conferência KDD 2024.
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 ao doutorado que tem trabalhado 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 arquitetura inovadora de autorrevisão 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 voluntários x 45 minutos de direção simulada com distratores intermitentes típicos de uma experiência de direção (chamadas de celular, mensagens de texto, navegação, seleção de música, conversas, cálculos mentais rápidos etc.). O 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 doutorado na Melbourne University em 2015, fornecendo a ela 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 atingiu 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 em estado de repouso e detecção de condições médicas como epilepsia e acidente vascular cerebral.
Esse 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 Conferência KDD 2024.
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 ao doutorado que tem trabalhado 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 arquitetura inovadora de autorrevisão 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 voluntários x 45 minutos de direção simulada com distratores intermitentes típicos de uma experiência de direção (chamadas de celular, mensagens de texto, navegação, seleção de música, conversas, cálculos mentais rápidos etc.). O 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 doutorado na Melbourne University em 2015, fornecendo a ela 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 atingiu 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 em estado de repouso e detecção de condições médicas como epilepsia e acidente vascular cerebral.
Esse 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 Conferência KDD 2024.
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 ao doutorado que tem trabalhado 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 arquitetura inovadora de autorrevisão 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 voluntários x 45 minutos de direção simulada com distratores intermitentes típicos de uma experiência de direção (chamadas de celular, mensagens de texto, navegação, seleção de música, conversas, cálculos mentais rápidos etc.). O 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 doutorado na Melbourne University em 2015, fornecendo a ela 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 atingiu 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 em estado de repouso e detecção de condições médicas como epilepsia e acidente vascular cerebral.
Esse 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.
Continue lendo