EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
Heidi Duran
22 de jul. de 2024
Compartilhar:
Temos o prazer de anunciar que o artigo "EEG2Rep: Melhorando a Representação de EEG Auto-supervisionada através de Entradas Máscaras Informativas" foi aceito para apresentação na prestigiada 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 a dados de EEG sob a supervisão da Dr. Mahsa Salehi na Universidade Monash em Melbourne, Austrália. Navid trabalhou de perto com nossa equipe para desenvolver uma nova arquitetura auto-supervisionada conhecida como EEG2Rep, que é imensamente promissora para modelar 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 condução simulada com distrações intermitentes típicas de uma experiência de direção (chamadas móveis, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais espontâneos etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% usando 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% usando métodos de ensemble.
O modelo EEG2Rep foi aplicado ao conjunto de dados de Distração do Motorista e alcançou a maior precisão até agora, 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 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 pode generalizar em várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.
Temos o prazer de anunciar que o artigo "EEG2Rep: Melhorando a Representação de EEG Auto-supervisionada através de Entradas Máscaras Informativas" foi aceito para apresentação na prestigiada 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 a dados de EEG sob a supervisão da Dr. Mahsa Salehi na Universidade Monash em Melbourne, Austrália. Navid trabalhou de perto com nossa equipe para desenvolver uma nova arquitetura auto-supervisionada conhecida como EEG2Rep, que é imensamente promissora para modelar 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 condução simulada com distrações intermitentes típicas de uma experiência de direção (chamadas móveis, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais espontâneos etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% usando 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% usando métodos de ensemble.
O modelo EEG2Rep foi aplicado ao conjunto de dados de Distração do Motorista e alcançou a maior precisão até agora, 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 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 pode generalizar em várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.
Temos o prazer de anunciar que o artigo "EEG2Rep: Melhorando a Representação de EEG Auto-supervisionada através de Entradas Máscaras Informativas" foi aceito para apresentação na prestigiada 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 a dados de EEG sob a supervisão da Dr. Mahsa Salehi na Universidade Monash em Melbourne, Austrália. Navid trabalhou de perto com nossa equipe para desenvolver uma nova arquitetura auto-supervisionada conhecida como EEG2Rep, que é imensamente promissora para modelar 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 condução simulada com distrações intermitentes típicas de uma experiência de direção (chamadas móveis, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais espontâneos etc.). Nosso algoritmo de Atenção do Motorista foi entregue com uma métrica de precisão de 68% usando 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% usando métodos de ensemble.
O modelo EEG2Rep foi aplicado ao conjunto de dados de Distração do Motorista e alcançou a maior precisão até agora, 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 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 pode generalizar em várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.
Soluções
Suporte
Empresa
Isenção de responsabilidade do produto
© 2025 EMOTIV, Todos os direitos reservados.
Suas Opções de Privacidade (Configurações de Cookies)
*Isenção de responsabilidade – Os produtos EMOTIV são destinados apenas para aplicações de pesquisa e uso pessoal. Nossos produtos não são vendidos como Dispositivos Médicos conforme definido na diretiva da UE 93/42/EEC. Nossos produtos não são projetados ou destinados a serem usados para diagnóstico ou tratamento de doenças.
Nota sobre as Traduções: Versões não inglesas deste site foram traduzidas para sua conveniência usando inteligência artificial. Embora nos esforcemos pela precisão, as traduções automatizadas podem conter erros ou nuances que diferem do texto original. Para as informações mais precisas, consulte a versão em inglês deste site.
Soluções
Suporte
Empresa
Isenção de responsabilidade do produto
© 2025 EMOTIV, Todos os direitos reservados.
Suas Opções de Privacidade (Configurações de Cookies)
*Isenção de responsabilidade – Os produtos EMOTIV são destinados apenas para aplicações de pesquisa e uso pessoal. Nossos produtos não são vendidos como Dispositivos Médicos conforme definido na diretiva da UE 93/42/EEC. Nossos produtos não são projetados ou destinados a serem usados para diagnóstico ou tratamento de doenças.
Nota sobre as Traduções: Versões não inglesas deste site foram traduzidas para sua conveniência usando inteligência artificial. Embora nos esforcemos pela precisão, as traduções automatizadas podem conter erros ou nuances que diferem do texto original. Para as informações mais precisas, consulte a versão em inglês deste site.
Soluções
Suporte
Empresa
Isenção de responsabilidade do produto
© 2025 EMOTIV, Todos os direitos reservados.
Suas Opções de Privacidade (Configurações de Cookies)
*Isenção de responsabilidade – Os produtos EMOTIV são destinados apenas para aplicações de pesquisa e uso pessoal. Nossos produtos não são vendidos como Dispositivos Médicos conforme definido na diretiva da UE 93/42/EEC. Nossos produtos não são projetados ou destinados a serem usados para diagnóstico ou tratamento de doenças.
Nota sobre as Traduções: Versões não inglesas deste site foram traduzidas para sua conveniência usando inteligência artificial. Embora nos esforcemos pela precisão, as traduções automatizadas podem conter erros ou nuances que diferem do texto original. Para as informações mais precisas, consulte a versão em inglês deste site.