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

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

อ่านบทความวิจัย

ดูรหัสโค้ด

Emotiv เป็นผู้สนับสนุน Navid Foumani ผู้สมัครระดับปริญญาเอกที่ทำงานเกี่ยวกับการประยุกต์ใช้วิธีการเรียนรู้เชิงลึก (deep learning) กับข้อมูล EEG ภายใต้การดูแลของ Dr. Mahsa Salehi ที่ Monash University ในเมืองเมลเบิร์น ประเทศออสเตรเลีย Navid ได้ทำงานอย่างใกล้ชิดกับทีมงานของเราเพื่อพัฒนาสถาปัตยกรรมแบบเรียนรู้ด้วยตนเองแบบใหม่ที่เรียกว่า EEG2Rep ซึ่งมีแนวโน้มที่ดีอย่างยิ่งสำหรับการสร้างแบบจำลองข้อมูล EEG

ในฐานะที่เป็นหนึ่งใน 5 ชุดข้อมูล EEG Navid ได้ใช้วิธีการเหล่านี้กับข้อมูลความสนใจของผู้ขับขี่ (Driver Attention) ของเรา: ผู้เข้าร่วมการทดลอง 18 คน x การจำลองสถานการณ์การขับขี่เป็นเวลา 45 นาที โดยมีสิ่งรบกวนสมาธิเป็นระยะๆ ซึ่งเป็นเรื่องปกติของประสบการณ์การขับขี่ (การโทรศัพท์เคลื่อนที่, ข้อความตัวอักษร, การนำทาง, การเลือกเพลง, การสนทนา, การคิดเลขในใจอย่างรวดเร็ว เป็นต้น) อัลกอริทึมความสนใจของผู้ขับขี่ของเราได้รับการส่งมอบด้วยเกณฑ์ชี้วัดความแม่นยำที่ 68% โดยใช้วิธีการเรียนรู้ของเครื่อง (machine learning) ที่ทันสมัยที่สุดในปี 2013 

เราได้สนับสนุน Mahsa ในช่วงการศึกษาปริญญาเอกของเธอที่ Melbourne University ในปี 2015 โดยมอบชุดข้อมูลเดียวกันนี้ให้แก่เธอ ซึ่งเธอสามารถปรับปรุงเกณฑ์ชี้วัดความแม่นยำให้เพิ่มขึ้นเป็น 72% โดยใช้วิธีการแบบกลุ่ม (ensemble methods)

โมเดล EEG2Rep ถูกนำไปใช้กับชุดข้อมูลการเสียสมาธิของผู้ขับขี่ (Driver Distraction) และบรรลุความแม่นยำสูงสุดจนถึงปัจจุบันที่ 80.07% ซึ่งเป็นการปรับปรุงที่สำคัญอย่างมาก นอกจากนี้ โมเดลดังกล่าัังมีประสิทธิภาพเหนือกว่าวิธีการที่ล้ำสมัยที่สุดในชุดข้อมูลสาธารณะแต่ละชุดจากทั้งห้าชุดอย่างมีนัยสำคัญ ซึ่งรวมถึงการตรวจจับสภาวะทางอารมณ์และจิตใจ, การทำงานหลายอย่างพร้อมกัน (multitasking), EEG ในขณะพัก (resting state EEG), และการตรวจจับสภาวะทางการแพทย์ เช่น โรคลมบ้าหมูและโรคหลอดเลือดสมอง

ความสำเร็จนี้เปิดโอกาสในการพัฒนาโมเดลพื้นฐานสำหรับข้อมูล EEG ที่สามารถปรับใช้ทั่วไปกับงานและแอปพลิเคชันที่หลากหลาย ซึ่งเป็นการก้าวข้ามขีดจำกัดของสิ่งที่จะสามารถบรรลุได้ในสาขาการวิเคราะห์ EEG