EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
Heidi Duran
Atualizado em
22 de mai. de 2024
EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
Heidi Duran
Atualizado em
22 de mai. de 2024
EEG2Rep: Uma Arquitetura de IA Auto-supervisionada para Modelagem de Dados de EEG
Heidi Duran
Atualizado em
22 de mai. 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 prestigiosa 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).
Emotiv patrocina Navid Foumani, um doutorando 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 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 Driver Attention:18 sujeitos x 45 minutos de condução simulada com distrações intermitentes típicas de uma experiência de direção (chamadas telefônicas, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais improvisados etc.). Nosso algoritmo Driver Attention foi entregue com uma métrica de precisão de 68% usando métodos de aprendizado de máquina de ponta 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 Driver Distraction 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 estado emocional e mental, multitarefa, EEG em estado de 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 possa generalizar entre 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: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” foi aceito para apresentação na prestigiosa 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).
Emotiv patrocina Navid Foumani, um doutorando 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 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 Driver Attention:18 sujeitos x 45 minutos de condução simulada com distrações intermitentes típicas de uma experiência de direção (chamadas telefônicas, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais improvisados etc.). Nosso algoritmo Driver Attention foi entregue com uma métrica de precisão de 68% usando métodos de aprendizado de máquina de ponta 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 Driver Distraction 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 estado emocional e mental, multitarefa, EEG em estado de 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 possa generalizar entre 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: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” foi aceito para apresentação na prestigiosa 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).
Emotiv patrocina Navid Foumani, um doutorando 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 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 Driver Attention:18 sujeitos x 45 minutos de condução simulada com distrações intermitentes típicas de uma experiência de direção (chamadas telefônicas, mensagens de texto, navegação, seleção de música, conversa, cálculos mentais improvisados etc.). Nosso algoritmo Driver Attention foi entregue com uma métrica de precisão de 68% usando métodos de aprendizado de máquina de ponta 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 Driver Distraction 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 estado emocional e mental, multitarefa, EEG em estado de 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 possa generalizar entre várias tarefas e aplicações, ampliando os limites do que pode ser alcançado no campo da análise de EEG.