“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” başlıklı makalenin prestijli KDD 2024 Konferansı'nda sunulmak üzere kabul edildiğini duyurmaktan mutluluk duyuyoruz.

Navid Foumani baş yazardır. Ortak yazarlar ise Dr. Mahsa Salehi (Monash Üniversitesi), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza ve Dr. Nam Nguyen'dir (Emotiv Research, Pty Ltd).

Makaleyi okuyun

Kodu görüntüleyin

Emotiv, Avustralya'nın Melbourne kentindeki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin danışmanlığında EEG verilerine derin öğrenme yöntemleri uygulama üzerine çalışan doktora adayı Navid Foumani'ye sponsor olmaktadır. Navid, EEG verilerini modellemek için son derece gelecek vaat eden, EEG2Rep olarak bilinen yeni bir kendi kendini denetleyen mimari geliştirmek üzere ekibimizle yakın iş birliği içinde çalıştı.

Navid, bu yöntemleri 5 EEG veri kümesinden biri olan Sürücü Dikkat verilerimize uyguladı: 18 denek x bir sürüş deneyiminin tipik kesintili dikkat dağıtıcı unsurlarını (mobil aramalar, metin mesajları, navigasyon, müzik seçimi, sohbet, anında zihinsel hesaplamalar vb.) içeren 45 dakikalık simüle sürüş. Sürücü Dikkat algoritmamız, 2013 yılında en son teknoloji makine öğrenimi yöntemleri kullanılarak %68 doğruluk metriğiyle sunulmuştu.

2015 yılında Melbourne Üniversitesi'ndeki doktorası sırasında Mahsa'ya sponsor olduk ve ona aynı veri kümesini sağladık. Topluluk (ensemble) yöntemlerini kullanarak doğruluk metriğini %72'ye çıkarmayı başardı.

EEG2Rep modeli Sürücü Dikkati Dağılma veri kümesine uygulandı ve bugüne kadarki en yüksek doğruluk oranı olan %80.07'ye ulaştı; bu da önemli bir gelişmedir. Ayrıca model; duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG'si ve epilepsi ile felç gibi tıbbi durumların tespiti dahil olmak üzere beş kamuya açık veri kümesinin her birinde en son teknoloji yöntemlerden önemli ölçüde daha iyi performans gösterdi.

Bu başarı, çeşitli görevler ve uygulamalar arasında genelleyebilen ve EEG analizi alanında nelerin başarılabileceğinin sınırlarını zorlayan, EEG verileri için temel bir model geliştirme olasılığını ortaya koymaktadır.