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

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

อ่านเอกสารวิชาการ

ดูโค้ด

Emotiv ได้ให้การสนับสนุน Navid Foumani ซึ่งเป็นนักศึกษาปริญญาเอกที่ทำงานเกี่ยวกับการประยุกต์ใช้วิธีการเรียนรู้เชิงลึก (deep learning) กับข้อมูล EEG ภายใต้การดูแลของ Dr. Mahsa Salehi ที่ Monash University ในเมืองเมลเบิร์น ประเทศออสเตรเลีย Navid ได้ทำงานอย่างใกล้ชิดกับทีมงานของเราเพื่อพัฒนาสถาปัตยกรรมแบบกึ่งควบคุมตนเอง (self-supervised architecture) แบบใหม่ที่รู้จักกันในชื่อ EEG2Rep ซึ่งมีแนวโน้มที่ดีอย่างยิ่งในการจำลองข้อมูล EEG

Navid ได้ประยุกต์ใช้วิธีการเหล่านี้กับข้อมูลความสนใจของผู้ขับขี่ (Driver Attention) ซึ่งเป็นหนึ่งในชุดข้อมูล EEG 5 ชุด: ผู้ทดสอบ 18 คน x การจำลองการขับขี่ช่วงละ 45 นาที พร้อมสิ่งรบกวนที่สอดแทรกเข้ามาเป็นระยะๆ ซึ่งพบได้ทั่วไปในการขับขี่ (การโทรศัพท์, ข้อความ, การนำทาง, การเลือกเพลง, การสนทนา, การคำนวณในใจขณะขับขี่ ฯลฯ) อัลกอริทึม Driver Attention ของเราได้รับการส่งมอบด้วยเกณฑ์ความแม่นยำที่ 68% โดยใช้วิธีการเรียนรู้ของเครื่อง (machine learning) ที่ทันสมัยที่สุดในปี 2013

เราได้สนับสนุน Mahsa ในช่วงที่เธอศึกษาปริญญาเอกที่ Melbourne University ในปี 2015 โดยให้บริการชุดข้อมูลเดียวกันแก่เธอ ซึ่งเธอสามารถปรับปรุงเกณฑ์ความแม่นยำให้เพิ่มขึ้นเป็น 72% โดยใช้วิธีการแบบกลุ่ม (ensemble methods)

โมเดล EEG2Rep ถูกนำมาประยุกต์ใช้กับชุดข้อมูล Driver Distraction และรักษาระดับความแม่นยำได้สูงที่สุดจนถึงปัจจุบันที่ 80.07% ซึ่งเป็นการปรับปรุงที่สำคัญอย่างยิ่ง นอกจากนี้ โมเดลนี้ยังมีประสิทธิภาพเหนือกว่าวิธีการที่ล้ำสมัยที่สุดในชุดข้อมูลสาธารณะทั้งห้าชุดอย่างมีนัยสำคัญ ซึ่งรวมถึงการตรวจจับสภาวะทางอารมณ์และจิตใจ, การทำงานหลายอย่างพร้อมกัน (multitasking), EEG ในขณะพัก (resting state EEG) และการตรวจจับสภาวะทางการแพทย์ เช่น โรคลมบ้าหมูและโรคหลอดเลือดสมอง

ความสำเร็จนี้ช่วยเปิดโอกาสในการพัฒนาโมเดลพื้นฐานสำหรับข้อมูล EEG ที่สามารถปรับใช้กับการทำงานและการประยุกต์ใช้ที่หลากหลาย ซึ่งเป็นการก้าวข้ามขีดจำกัดของสิ่งที่เราจะสามารถบรรลุได้ในสาขาการวิเคราะห์ข้อมูล EEG