Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
Heidi Duran
22 de jul. de 2024
Compartilhar:
Estamos satisfeitos em anunciar que o artigo “EEG2Rep: Aprimorando a Representação de EEG Auto-supervisionada Através de Entradas Máscaras Informativas” foi aceito para apresentação na prestigiosa Conferência KDD 2024.
Navid Foumani é o autor principal. Os co-autores são Dr. Mahsa Salehi (Universidade Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza e Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
A EMOTIV patrocina Navid Foumani, um candidato a PhD que tem trabalhado na aplicação de métodos de aprendizado profundo aos dados de EEG sob a supervisão da Dr. Mahsa Salehi na Universidade Monash em Melbourne, Austrália. Navid trabalhou em estreita colaboração com nossa equipe para desenvolver uma nova arquitetura auto-supervisionada conhecida como EEG2Rep, que é imensamente promissora para 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 sujeitos x 45 minutos de direção simulada com distrações intermitentes típicas de uma experiência de direção (chamadas móveis, mensagens de texto, navegação, seleção de músicas, conversa, cálculos mentais rápidos, etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% utilizando métodos de aprendizado de máquina de ponta em 2013.
Patrocinamos Mahsa durante seu PhD na Universidade de Melbourne em 2015, fornecendo a ela o mesmo conjunto de dados. Ela conseguiu melhorar a métrica de precisão para 72% utilizando 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 ponta em cada um dos cinco conjuntos de dados públicos, incluindo detecção de estados emocionais e mentais, multitarefa, EEG em repouso e detecção de condições médicas como epilepsia e AVC.
Esse sucesso abre a possibilidade de desenvolver um modelo fundamental para dados de EEG que pode generalizar em várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.
Estamos satisfeitos em anunciar que o artigo “EEG2Rep: Aprimorando a Representação de EEG Auto-supervisionada Através de Entradas Máscaras Informativas” foi aceito para apresentação na prestigiosa Conferência KDD 2024.
Navid Foumani é o autor principal. Os co-autores são Dr. Mahsa Salehi (Universidade Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza e Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
A EMOTIV patrocina Navid Foumani, um candidato a PhD que tem trabalhado na aplicação de métodos de aprendizado profundo aos dados de EEG sob a supervisão da Dr. Mahsa Salehi na Universidade Monash em Melbourne, Austrália. Navid trabalhou em estreita colaboração com nossa equipe para desenvolver uma nova arquitetura auto-supervisionada conhecida como EEG2Rep, que é imensamente promissora para 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 sujeitos x 45 minutos de direção simulada com distrações intermitentes típicas de uma experiência de direção (chamadas móveis, mensagens de texto, navegação, seleção de músicas, conversa, cálculos mentais rápidos, etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% utilizando métodos de aprendizado de máquina de ponta em 2013.
Patrocinamos Mahsa durante seu PhD na Universidade de Melbourne em 2015, fornecendo a ela o mesmo conjunto de dados. Ela conseguiu melhorar a métrica de precisão para 72% utilizando 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 ponta em cada um dos cinco conjuntos de dados públicos, incluindo detecção de estados emocionais e mentais, multitarefa, EEG em repouso e detecção de condições médicas como epilepsia e AVC.
Esse sucesso abre a possibilidade de desenvolver um modelo fundamental para dados de EEG que pode generalizar em várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.
Estamos satisfeitos em anunciar que o artigo “EEG2Rep: Aprimorando a Representação de EEG Auto-supervisionada Através de Entradas Máscaras Informativas” foi aceito para apresentação na prestigiosa Conferência KDD 2024.
Navid Foumani é o autor principal. Os co-autores são Dr. Mahsa Salehi (Universidade Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza e Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
A EMOTIV patrocina Navid Foumani, um candidato a PhD que tem trabalhado na aplicação de métodos de aprendizado profundo aos dados de EEG sob a supervisão da Dr. Mahsa Salehi na Universidade Monash em Melbourne, Austrália. Navid trabalhou em estreita colaboração com nossa equipe para desenvolver uma nova arquitetura auto-supervisionada conhecida como EEG2Rep, que é imensamente promissora para 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 sujeitos x 45 minutos de direção simulada com distrações intermitentes típicas de uma experiência de direção (chamadas móveis, mensagens de texto, navegação, seleção de músicas, conversa, cálculos mentais rápidos, etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% utilizando métodos de aprendizado de máquina de ponta em 2013.
Patrocinamos Mahsa durante seu PhD na Universidade de Melbourne em 2015, fornecendo a ela o mesmo conjunto de dados. Ela conseguiu melhorar a métrica de precisão para 72% utilizando 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 ponta em cada um dos cinco conjuntos de dados públicos, incluindo detecção de estados emocionais e mentais, multitarefa, EEG em repouso e detecção de condições médicas como epilepsia e AVC.
Esse sucesso abre a possibilidade de desenvolver um modelo fundamental para dados de EEG que pode generalizar em várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.
