เรามีความยินดีที่จะประกาศว่าเอกสารวิชาการ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” ได้รับการตอบรับให้นำเสนอในการประชุมอันทรงเกียรติ KDD 2024 Conference

Navid Foumani เป็นผู้เขียนหลัก และมีผู้เขียนร่วมคือ Dr. Mahsa Salehi (จาก Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza และ Dr. Nam Nguyen (จาก Emotiv Research, Pty Ltd)

อ่านเอกสารวิชาการ

ดูรหัสโค้ด

Emotiv เป็นผู้สนับสนุน Navid Foumani ซึ่งเป็นผู้สมัครระดับปริญญาเอกที่ทำงานเกี่ยวกับการประยุกต์ใช้วิธีการเรียนรู้เชิงลึก (deep learning) กับข้อมูล EEG ภายใต้การดูแลของ Dr. Mahsa Salehi ที่ Monash University ในเมืองเมลเบิร์น ประเทศออสเตรเลีย Navid ได้ทำงานอย่างใกล้ชิดกับทีมงานของเราเพื่อพัฒนาสถาปัตยกรรมแบบเรียนรู้ด้วยตนเอง (self-supervised architecture) รูปแบบใหม่ที่เรียกว่า EEG2Rep ซึ่งมีแนวโน้มที่ดีอย่างยิ่งสำหรับการสร้างแบบจำลองข้อมูล EEG

Navid ได้ประยุกต์ใช้วิธีการเหล่านี้กับชุดข้อมูล Driver Attention ของเรา ซึ่งเป็น 1 ใน 5 ชุดข้อมูล EEG โดยประกอบไปด้วยผู้เข้าร่วมทดลอง 18 รายที่จำลองการขับขี่เป็นเวลา 45 นาที พร้อมกับมีสิ่งรบกวนสมาธิเป็นระยะ ๆ ซึ่งพบได้ทั่วไปในการขับขี่ (เช่น การโทรศัพท์, ข้อความ, การนำทาง, การเลือกเพลง, การสนทนา, การคำนวณในใจขณะขับขี่ ฯลฯ) อัลกอริทึม Driver Attention ของเราถูกส่งมอบด้วยค่าความแม่นยำที่ 68% โดยใช้วิธีการเรียนรู้ของเครื่องขั้นสูงในปี 2013

เราได้สนับสนุนทุนให้กับ Mahsa ในระหว่างที่เธอศึกษาปริญญาเอกที่ Melbourne University ในปี 2015 โดยได้ส่งมอบชุดข้อมูลเดียวกันนี้ให้แก่เธอ ซึ่งเธอสามารถปรับปรุงค่าความแม่นยำให้เพิ่มขึ้นเป็น 72% โดยใช้วิธี Ensemble

แบบจำลอง EEG2Rep ได้ถูกนำมาประยุกต์ใช้กับชุดข้อมูล Driver Distraction และประสบความสำเร็จในการทำคะแนนความแม่นยำสูงที่สุดเท่าที่เคยมีมาถึง 80.07% ซึ่งถือเป็นการปรับปรุงที่สำคัญอย่างยิ่ง นอกจากนี้ แบบจำลองดังกล่าวยังมีประสิทธิภาพเหนือกว่าวิธีการขั้นสูงทั่วไปอย่างมีนัยสำคัญในชุดข้อมูลสาธารณะทั้งห้าชุด ซึ่งรวมถึงการตรวจจับสภาวะทางอารมณ์และจิตใจ, การทำงานหลายอย่างพร้อมกัน (multitasking), EEG ในขณะพักผ่อน (resting state EEG) และการตรวจจับสภาวะทางการแพทย์ เช่น โรคลมบ้าหมูและโรคหลอดเลือดสมอง

ความสำเร็จในครั้งนี้ช่วยเปิดโอกาสในการพัฒนาแบบจำลองพื้นฐานสำหรับข้อมูล EEG ที่สามารถนำไปประยุกต์ใช้ได้ทั่วไปในงานและแอปพลิเคชันต่าง ๆ ซึ่งช่วยขยายขีดจำกัดของสิ่งที่จะบรรลุได้ในสาขาการวิเคราะห์ข้อมูล EEG