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:
เรามีความยินดีที่จะประกาศว่าเอกสาร “EEG2Rep: การเพิ่มประสิทธิภาพการแทนค้าข้อมูล EEG ด้วยการป้อนข้อมูลที่มาสก์อย่างมีข้อมูล” ได้รับการยอมรับให้นำเสนอต่อที่ การประชุม KDD 2024 อันทรงเกียรติ
Navid Foumani เป็นผู้เขียนนำ ผู้ร่วมเขียนได้แก่ Dr. Mahsa Salehi (มหาวิทยาลัย Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, และ Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV สนับสนุน Navid Foumani ผู้สมัครปริญญาเอกที่ได้ทำงานเกี่ยวกับวิธีการเรียนรู้เชิงลึกกับข้อมูล EEG ภายใต้การแนะนำของ Dr. Mahsa Salehi ที่มหาวิทยาลัย Monash ในเมืองเมลเบิร์น ออสเตรเลีย Navid ทำงานอย่างใกล้ชิดกับทีมของเราเพื่อพัฒนาโครงสร้างสถาปัตยกรรมแบบกำกับดูแลตนเองแนวใหม่ที่รู้จักในชื่อ EEG2Rep ซึ่งมีศักยภาพสูงในการจำลองข้อมูล EEG
ในฐานะของข้อมูล EEG ชุดหนึ่งใน 5 ชุด Navid ได้ประยุกต์ใช้วิธีการเหล่านี้กับข้อมูล Driver Attention ของเรา: ผู้เข้าร่วม 18 คน x 45 นาทีของการขับขี่จำลองพร้อมตัวเบี่ยงเบนที่เกิดขึ้นเช่นเดียวกับสถาณการณ์การขับรถทั่วไป (สายโทรศัพท์ ข้อความ ตัวนำทาง การเลือกเพลง การสนทนา การคำนวณจิตใจอย่างกะทันหัน ฯลฯ) อัลกอริธึม Driver Attention ของเราได้มาพร้อมกับเมตริกความแม่นยำ 68% โดยใช้วิธีการเรียนรู้ด้วยเครื่องที่ล้ำสมัยในปี 2013
เราสนับสนุน Mahsa ระหว่างการทำปริญญาเอกที่มหาวิทยาลัยเมลเบิร์นในปี 2015 โดยมอบชุดข้อมูลเดียวกันให้เธอ เธอสามารถเพิ่มเมตริกความแม่นยำเป็น 72% โดยใช่เทคนิคการรวมกลุ่ม
แบบจำลอง EEG2Rep ได้ถูกนำไปใช้กับชุดข้อมูลการขับขี่เสียสมาธิและได้ผลลัพธ์ความแม่นยำสูงสุดถึงปัจจุบัน 80.07% ซึ่งเป็นการปรับปรุงที่มาก นอกจากนี้ แบบจำลองยังทำได้ดีกว่าวิธีการล้ำสมัยในชุดข้อมูลสาธารณะทั้ง 5 ชุด รวมถึงการตรวจจับสถานะทางอารมณ์และจิตใจ การทำงานหลายอย่างพร้อมกัน การพักผ่อนของ EEG และการตรวจสอบสภาพทางการแพทย์เช่นโรคลมชักและโรคหลอดเลือดสมอง
ความสำเร็จนี้เปิดโอกาสให้พัฒนาแบบจำลองพื้นฐานสำหรับข้อมูล EEG ที่สามารถทั่วไปในงานและแอพพลิเคชันต่างๆ ผลักดันขอบเขตของสิ่งที่สามารถทำได้ในสาขาการวิเคราะห์ EEG
เรามีความยินดีที่จะประกาศว่าเอกสาร “EEG2Rep: การเพิ่มประสิทธิภาพการแทนค้าข้อมูล EEG ด้วยการป้อนข้อมูลที่มาสก์อย่างมีข้อมูล” ได้รับการยอมรับให้นำเสนอต่อที่ การประชุม KDD 2024 อันทรงเกียรติ
Navid Foumani เป็นผู้เขียนนำ ผู้ร่วมเขียนได้แก่ Dr. Mahsa Salehi (มหาวิทยาลัย Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, และ Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV สนับสนุน Navid Foumani ผู้สมัครปริญญาเอกที่ได้ทำงานเกี่ยวกับวิธีการเรียนรู้เชิงลึกกับข้อมูล EEG ภายใต้การแนะนำของ Dr. Mahsa Salehi ที่มหาวิทยาลัย Monash ในเมืองเมลเบิร์น ออสเตรเลีย Navid ทำงานอย่างใกล้ชิดกับทีมของเราเพื่อพัฒนาโครงสร้างสถาปัตยกรรมแบบกำกับดูแลตนเองแนวใหม่ที่รู้จักในชื่อ EEG2Rep ซึ่งมีศักยภาพสูงในการจำลองข้อมูล EEG
ในฐานะของข้อมูล EEG ชุดหนึ่งใน 5 ชุด Navid ได้ประยุกต์ใช้วิธีการเหล่านี้กับข้อมูล Driver Attention ของเรา: ผู้เข้าร่วม 18 คน x 45 นาทีของการขับขี่จำลองพร้อมตัวเบี่ยงเบนที่เกิดขึ้นเช่นเดียวกับสถาณการณ์การขับรถทั่วไป (สายโทรศัพท์ ข้อความ ตัวนำทาง การเลือกเพลง การสนทนา การคำนวณจิตใจอย่างกะทันหัน ฯลฯ) อัลกอริธึม Driver Attention ของเราได้มาพร้อมกับเมตริกความแม่นยำ 68% โดยใช้วิธีการเรียนรู้ด้วยเครื่องที่ล้ำสมัยในปี 2013
เราสนับสนุน Mahsa ระหว่างการทำปริญญาเอกที่มหาวิทยาลัยเมลเบิร์นในปี 2015 โดยมอบชุดข้อมูลเดียวกันให้เธอ เธอสามารถเพิ่มเมตริกความแม่นยำเป็น 72% โดยใช่เทคนิคการรวมกลุ่ม
แบบจำลอง EEG2Rep ได้ถูกนำไปใช้กับชุดข้อมูลการขับขี่เสียสมาธิและได้ผลลัพธ์ความแม่นยำสูงสุดถึงปัจจุบัน 80.07% ซึ่งเป็นการปรับปรุงที่มาก นอกจากนี้ แบบจำลองยังทำได้ดีกว่าวิธีการล้ำสมัยในชุดข้อมูลสาธารณะทั้ง 5 ชุด รวมถึงการตรวจจับสถานะทางอารมณ์และจิตใจ การทำงานหลายอย่างพร้อมกัน การพักผ่อนของ EEG และการตรวจสอบสภาพทางการแพทย์เช่นโรคลมชักและโรคหลอดเลือดสมอง
ความสำเร็จนี้เปิดโอกาสให้พัฒนาแบบจำลองพื้นฐานสำหรับข้อมูล EEG ที่สามารถทั่วไปในงานและแอพพลิเคชันต่างๆ ผลักดันขอบเขตของสิ่งที่สามารถทำได้ในสาขาการวิเคราะห์ EEG
เรามีความยินดีที่จะประกาศว่าเอกสาร “EEG2Rep: การเพิ่มประสิทธิภาพการแทนค้าข้อมูล EEG ด้วยการป้อนข้อมูลที่มาสก์อย่างมีข้อมูล” ได้รับการยอมรับให้นำเสนอต่อที่ การประชุม KDD 2024 อันทรงเกียรติ
Navid Foumani เป็นผู้เขียนนำ ผู้ร่วมเขียนได้แก่ Dr. Mahsa Salehi (มหาวิทยาลัย Monash), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, และ Dr. Nam Nguyen (EMOTIV Research, Pty Ltd).
EMOTIV สนับสนุน Navid Foumani ผู้สมัครปริญญาเอกที่ได้ทำงานเกี่ยวกับวิธีการเรียนรู้เชิงลึกกับข้อมูล EEG ภายใต้การแนะนำของ Dr. Mahsa Salehi ที่มหาวิทยาลัย Monash ในเมืองเมลเบิร์น ออสเตรเลีย Navid ทำงานอย่างใกล้ชิดกับทีมของเราเพื่อพัฒนาโครงสร้างสถาปัตยกรรมแบบกำกับดูแลตนเองแนวใหม่ที่รู้จักในชื่อ EEG2Rep ซึ่งมีศักยภาพสูงในการจำลองข้อมูล EEG
ในฐานะของข้อมูล EEG ชุดหนึ่งใน 5 ชุด Navid ได้ประยุกต์ใช้วิธีการเหล่านี้กับข้อมูล Driver Attention ของเรา: ผู้เข้าร่วม 18 คน x 45 นาทีของการขับขี่จำลองพร้อมตัวเบี่ยงเบนที่เกิดขึ้นเช่นเดียวกับสถาณการณ์การขับรถทั่วไป (สายโทรศัพท์ ข้อความ ตัวนำทาง การเลือกเพลง การสนทนา การคำนวณจิตใจอย่างกะทันหัน ฯลฯ) อัลกอริธึม Driver Attention ของเราได้มาพร้อมกับเมตริกความแม่นยำ 68% โดยใช้วิธีการเรียนรู้ด้วยเครื่องที่ล้ำสมัยในปี 2013
เราสนับสนุน Mahsa ระหว่างการทำปริญญาเอกที่มหาวิทยาลัยเมลเบิร์นในปี 2015 โดยมอบชุดข้อมูลเดียวกันให้เธอ เธอสามารถเพิ่มเมตริกความแม่นยำเป็น 72% โดยใช่เทคนิคการรวมกลุ่ม
แบบจำลอง EEG2Rep ได้ถูกนำไปใช้กับชุดข้อมูลการขับขี่เสียสมาธิและได้ผลลัพธ์ความแม่นยำสูงสุดถึงปัจจุบัน 80.07% ซึ่งเป็นการปรับปรุงที่มาก นอกจากนี้ แบบจำลองยังทำได้ดีกว่าวิธีการล้ำสมัยในชุดข้อมูลสาธารณะทั้ง 5 ชุด รวมถึงการตรวจจับสถานะทางอารมณ์และจิตใจ การทำงานหลายอย่างพร้อมกัน การพักผ่อนของ EEG และการตรวจสอบสภาพทางการแพทย์เช่นโรคลมชักและโรคหลอดเลือดสมอง
ความสำเร็จนี้เปิดโอกาสให้พัฒนาแบบจำลองพื้นฐานสำหรับข้อมูล EEG ที่สามารถทั่วไปในงานและแอพพลิเคชันต่างๆ ผลักดันขอบเขตของสิ่งที่สามารถทำได้ในสาขาการวิเคราะห์ EEG
