ท้าทายความจำของคุณ! เล่นเกม N-Back ใหม่ในแอป Emotiv
ท้าทายความจำของคุณ! เล่นเกม N-Back ใหม่ในแอป Emotiv
ท้าทายความจำของคุณ! เล่นเกม N-Back ใหม่ในแอป Emotiv
EEG2Rep: สถาปัตยกรรม AI แบบ Self-supervised สำหรับการสร้างแบบจำลองข้อมูล EEG
ไฮดี ดูรัน
แชร์:
เรารู้สึกยินดีที่จะประกาศว่าเอกสาร "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" ได้รับการยอมรับให้แสดงใน งานประชุม KDD 2024 อันทรงเกียรติ
นาดีด ฟูมานี เป็นผู้เขียนหลัก ผู้ร่วมเขียนได้แก่ ดร. มัหมัด ซาเลฮี (มหาวิทยาลัยโมนาช), ดร. จอฟฟรีย์ แมคเคลลาร์, ดร. โสเฮลาร์ ฆาเน, ดร. ซาด อิรซา และดร. นัม เหงียน (EMOTIV Research, Pty Ltd)
EMOTIV สนับสนุน นาดีด ฟูมานี นักศึกษาปริญญาเอกที่ทำงานในการประยุกต์ใช้วิธีการเรียนรู้เชิงลึกกับข้อมูล EEG ภายใต้การดูแลของ ดร. มัหมัด ซาเลฮี ที่มหาวิทยาลัยโมนาช ในเมืองเมลเบิร์น ประเทศออสเตรเลีย นาดีดทำงานใกล้ชิดกับทีมของเราในการพัฒนาสถาปัตยกรรมดูแลตนเองใหม่ที่รู้จักกันในชื่อ EEG2Rep ซึ่งมีแนวโน้มสูงสำหรับการสร้างแบบจำลองข้อมูล EEG
ในบรรดาชุดข้อมูล EEG ทั้ง 5 ชุด นาดีดได้นำวิธีการเหล่านี้มาประยุกต์ใช้กับข้อมูลการขับขี่ของเรา: 18 บุคคล x 45 นาทีของการขับขี่จำลองพร้อมสิ่งรบกวนเป็นครั้งคราวที่เป็นลักษณะทั่วไปของประสบการณ์การขับขี่ (การโทรมือถือ, ข้อความ, การนำทาง, การเลือกเพลง, การสนทนา, การคำนวณทางจิตในทันที ฯลฯ) อัลกอริธึมการขับขี่ของเราให้มาด้วยระดับความแม่นยำที่ 68% โดยใช้วิธีการเรียนรู้เครื่องที่ทันสมัยในปี 2013
เราได้สนับสนุน มัหมัด ระหว่างการศึกษาปริญญาเอกของเธอที่มหาวิทยาลัยเมลเบิร์นในปี 2015 โดยให้ข้อมูลชุดเดียวกันแก่เธอ เธอสามารถปรับปรุงระดับความแม่นยำได้ถึง 72% ด้วยวิธีการรวมกัน
โมเดล EEG2Rep ถูกนำไปใช้กับชุดข้อมูลการเบี่ยงเบนของผู้ขับขี่และได้รับความแม่นยำสูงสุดถึงปัจจุบันที่ 80.07% ซึ่งเป็นการปรับปรุงที่สำคัญ นอกจากนี้ โมเดลยังสามารถล้ำหน้ากว่าวิธีการที่ทันสมัยในทุกชุดข้อมูลสาธารณะทั้ง 5 ชุด รวมถึงการตรวจจับสภาพอารมณ์และจิตใจ, การทำหลากหลายงาน, สภาพพักของ EEG และการตรวจจับสภาวะทางการแพทย์ เช่น ลมชักและเส้นเลือดในสมองตีบ
ความสำเร็จนี้เปิดโอกาสในการพัฒนารูปแบบพื้นฐานสำหรับข้อมูล EEG ที่สามารถทั่วไปในงานและการประยุกต์ใช้งานต่างๆ ขยายขอบเขตของสิ่งที่สามารถทำได้ในสาขาการวิเคราะห์ EEG
เรารู้สึกยินดีที่จะประกาศว่าเอกสาร "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" ได้รับการยอมรับให้แสดงใน งานประชุม KDD 2024 อันทรงเกียรติ
นาดีด ฟูมานี เป็นผู้เขียนหลัก ผู้ร่วมเขียนได้แก่ ดร. มัหมัด ซาเลฮี (มหาวิทยาลัยโมนาช), ดร. จอฟฟรีย์ แมคเคลลาร์, ดร. โสเฮลาร์ ฆาเน, ดร. ซาด อิรซา และดร. นัม เหงียน (EMOTIV Research, Pty Ltd)
EMOTIV สนับสนุน นาดีด ฟูมานี นักศึกษาปริญญาเอกที่ทำงานในการประยุกต์ใช้วิธีการเรียนรู้เชิงลึกกับข้อมูล EEG ภายใต้การดูแลของ ดร. มัหมัด ซาเลฮี ที่มหาวิทยาลัยโมนาช ในเมืองเมลเบิร์น ประเทศออสเตรเลีย นาดีดทำงานใกล้ชิดกับทีมของเราในการพัฒนาสถาปัตยกรรมดูแลตนเองใหม่ที่รู้จักกันในชื่อ EEG2Rep ซึ่งมีแนวโน้มสูงสำหรับการสร้างแบบจำลองข้อมูล EEG
ในบรรดาชุดข้อมูล EEG ทั้ง 5 ชุด นาดีดได้นำวิธีการเหล่านี้มาประยุกต์ใช้กับข้อมูลการขับขี่ของเรา: 18 บุคคล x 45 นาทีของการขับขี่จำลองพร้อมสิ่งรบกวนเป็นครั้งคราวที่เป็นลักษณะทั่วไปของประสบการณ์การขับขี่ (การโทรมือถือ, ข้อความ, การนำทาง, การเลือกเพลง, การสนทนา, การคำนวณทางจิตในทันที ฯลฯ) อัลกอริธึมการขับขี่ของเราให้มาด้วยระดับความแม่นยำที่ 68% โดยใช้วิธีการเรียนรู้เครื่องที่ทันสมัยในปี 2013
เราได้สนับสนุน มัหมัด ระหว่างการศึกษาปริญญาเอกของเธอที่มหาวิทยาลัยเมลเบิร์นในปี 2015 โดยให้ข้อมูลชุดเดียวกันแก่เธอ เธอสามารถปรับปรุงระดับความแม่นยำได้ถึง 72% ด้วยวิธีการรวมกัน
โมเดล EEG2Rep ถูกนำไปใช้กับชุดข้อมูลการเบี่ยงเบนของผู้ขับขี่และได้รับความแม่นยำสูงสุดถึงปัจจุบันที่ 80.07% ซึ่งเป็นการปรับปรุงที่สำคัญ นอกจากนี้ โมเดลยังสามารถล้ำหน้ากว่าวิธีการที่ทันสมัยในทุกชุดข้อมูลสาธารณะทั้ง 5 ชุด รวมถึงการตรวจจับสภาพอารมณ์และจิตใจ, การทำหลากหลายงาน, สภาพพักของ EEG และการตรวจจับสภาวะทางการแพทย์ เช่น ลมชักและเส้นเลือดในสมองตีบ
ความสำเร็จนี้เปิดโอกาสในการพัฒนารูปแบบพื้นฐานสำหรับข้อมูล EEG ที่สามารถทั่วไปในงานและการประยุกต์ใช้งานต่างๆ ขยายขอบเขตของสิ่งที่สามารถทำได้ในสาขาการวิเคราะห์ EEG
เรารู้สึกยินดีที่จะประกาศว่าเอกสาร "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" ได้รับการยอมรับให้แสดงใน งานประชุม KDD 2024 อันทรงเกียรติ
นาดีด ฟูมานี เป็นผู้เขียนหลัก ผู้ร่วมเขียนได้แก่ ดร. มัหมัด ซาเลฮี (มหาวิทยาลัยโมนาช), ดร. จอฟฟรีย์ แมคเคลลาร์, ดร. โสเฮลาร์ ฆาเน, ดร. ซาด อิรซา และดร. นัม เหงียน (EMOTIV Research, Pty Ltd)
EMOTIV สนับสนุน นาดีด ฟูมานี นักศึกษาปริญญาเอกที่ทำงานในการประยุกต์ใช้วิธีการเรียนรู้เชิงลึกกับข้อมูล EEG ภายใต้การดูแลของ ดร. มัหมัด ซาเลฮี ที่มหาวิทยาลัยโมนาช ในเมืองเมลเบิร์น ประเทศออสเตรเลีย นาดีดทำงานใกล้ชิดกับทีมของเราในการพัฒนาสถาปัตยกรรมดูแลตนเองใหม่ที่รู้จักกันในชื่อ EEG2Rep ซึ่งมีแนวโน้มสูงสำหรับการสร้างแบบจำลองข้อมูล EEG
ในบรรดาชุดข้อมูล EEG ทั้ง 5 ชุด นาดีดได้นำวิธีการเหล่านี้มาประยุกต์ใช้กับข้อมูลการขับขี่ของเรา: 18 บุคคล x 45 นาทีของการขับขี่จำลองพร้อมสิ่งรบกวนเป็นครั้งคราวที่เป็นลักษณะทั่วไปของประสบการณ์การขับขี่ (การโทรมือถือ, ข้อความ, การนำทาง, การเลือกเพลง, การสนทนา, การคำนวณทางจิตในทันที ฯลฯ) อัลกอริธึมการขับขี่ของเราให้มาด้วยระดับความแม่นยำที่ 68% โดยใช้วิธีการเรียนรู้เครื่องที่ทันสมัยในปี 2013
เราได้สนับสนุน มัหมัด ระหว่างการศึกษาปริญญาเอกของเธอที่มหาวิทยาลัยเมลเบิร์นในปี 2015 โดยให้ข้อมูลชุดเดียวกันแก่เธอ เธอสามารถปรับปรุงระดับความแม่นยำได้ถึง 72% ด้วยวิธีการรวมกัน
โมเดล EEG2Rep ถูกนำไปใช้กับชุดข้อมูลการเบี่ยงเบนของผู้ขับขี่และได้รับความแม่นยำสูงสุดถึงปัจจุบันที่ 80.07% ซึ่งเป็นการปรับปรุงที่สำคัญ นอกจากนี้ โมเดลยังสามารถล้ำหน้ากว่าวิธีการที่ทันสมัยในทุกชุดข้อมูลสาธารณะทั้ง 5 ชุด รวมถึงการตรวจจับสภาพอารมณ์และจิตใจ, การทำหลากหลายงาน, สภาพพักของ EEG และการตรวจจับสภาวะทางการแพทย์ เช่น ลมชักและเส้นเลือดในสมองตีบ
ความสำเร็จนี้เปิดโอกาสในการพัฒนารูปแบบพื้นฐานสำหรับข้อมูล EEG ที่สามารถทั่วไปในงานและการประยุกต์ใช้งานต่างๆ ขยายขอบเขตของสิ่งที่สามารถทำได้ในสาขาการวิเคราะห์ EEG
