EEG2Rep: EEG Veri Modellemesi için Kendi Kendini Denetleyen Bir Yapay Zeka Mimarisi
H.B. Duran
Güncelleme tarihi
22 Tem 2024
EEG2Rep: EEG Veri Modellemesi için Kendi Kendini Denetleyen Bir Yapay Zeka Mimarisi
H.B. Duran
Güncelleme tarihi
22 Tem 2024
EEG2Rep: EEG Veri Modellemesi için Kendi Kendini Denetleyen Bir Yapay Zeka Mimarisi
H.B. Duran
Güncelleme tarihi
22 Tem 2024
“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” adlı makalenin prestijli KDD 2024 Konferansı'nda sunum için 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 Araştırma, Pty Ltd).
Emotiv, Avustralya'nın Melbourne kentindeki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemleri uygulama üzerine çalışan doktora adayı Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modellemek için son derece umut verici olan EEG2Rep adlı yeni bir kendinden denetimli mimari geliştirmek üzere ekibimizle yakından çalıştı.
Navid, bu yöntemleri 5 EEG veri setinden biri olarak Sürücü Dikkat verilerimize uyguladı: 18 denek x bir sürüş deneyiminin tipik kesintili dikkat dağıtıcıları (mobil aramalar, kısa mesajlar, navigasyon, müzik seçimi, sohbet, anında zihinsel hesaplamalar vb.) ile 45 dakikalık simüle sürüş. Sürücü Dikkat algoritmamız, 2013 yılında en son teknoloji makine öğrenimi yöntemleri kullanılarak %68'lik bir doğruluk metriği ile teslim edilmişti.
Mahsa'yı 2015 yılında Melbourne Üniversitesi'ndeki doktorası sırasında destekleyerek kendisine aynı veri setini sağladık. Topluluk (ensemble) yöntemlerini kullanarak doğruluk metriğini %72'ye çıkarmayı başardı.
EEG2Rep modeli Sürücü Dikkati Dağılımı veri setine uygulandı ve bugüne kadarki en yüksek doğruluk oranı olan %80.07'ye ulaşarak önemli bir gelişme sağladı. Ek olarak model; duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG'si ile epilepsi ve felç gibi tıbbi durumların tespiti de dahil olmak üzere beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerden önemli ölçüde daha iyi performans gösterdi.
Bu başarı, çeşitli görevler ve uygulamalar arasında genelleştirilebilen EEG verileri için temel bir model geliştirme olasılığını ortaya çıkararak EEG analizi alanında nelerin başarılabileceğinin sınırlarını zorluyor.
“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” adlı makalenin prestijli KDD 2024 Konferansı'nda sunum için 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 Araştırma, Pty Ltd).
Emotiv, Avustralya'nın Melbourne kentindeki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemleri uygulama üzerine çalışan doktora adayı Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modellemek için son derece umut verici olan EEG2Rep adlı yeni bir kendinden denetimli mimari geliştirmek üzere ekibimizle yakından çalıştı.
Navid, bu yöntemleri 5 EEG veri setinden biri olarak Sürücü Dikkat verilerimize uyguladı: 18 denek x bir sürüş deneyiminin tipik kesintili dikkat dağıtıcıları (mobil aramalar, kısa mesajlar, navigasyon, müzik seçimi, sohbet, anında zihinsel hesaplamalar vb.) ile 45 dakikalık simüle sürüş. Sürücü Dikkat algoritmamız, 2013 yılında en son teknoloji makine öğrenimi yöntemleri kullanılarak %68'lik bir doğruluk metriği ile teslim edilmişti.
Mahsa'yı 2015 yılında Melbourne Üniversitesi'ndeki doktorası sırasında destekleyerek kendisine aynı veri setini sağladık. Topluluk (ensemble) yöntemlerini kullanarak doğruluk metriğini %72'ye çıkarmayı başardı.
EEG2Rep modeli Sürücü Dikkati Dağılımı veri setine uygulandı ve bugüne kadarki en yüksek doğruluk oranı olan %80.07'ye ulaşarak önemli bir gelişme sağladı. Ek olarak model; duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG'si ile epilepsi ve felç gibi tıbbi durumların tespiti de dahil olmak üzere beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerden önemli ölçüde daha iyi performans gösterdi.
Bu başarı, çeşitli görevler ve uygulamalar arasında genelleştirilebilen EEG verileri için temel bir model geliştirme olasılığını ortaya çıkararak EEG analizi alanında nelerin başarılabileceğinin sınırlarını zorluyor.
“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” adlı makalenin prestijli KDD 2024 Konferansı'nda sunum için 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 Araştırma, Pty Ltd).
Emotiv, Avustralya'nın Melbourne kentindeki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemleri uygulama üzerine çalışan doktora adayı Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modellemek için son derece umut verici olan EEG2Rep adlı yeni bir kendinden denetimli mimari geliştirmek üzere ekibimizle yakından çalıştı.
Navid, bu yöntemleri 5 EEG veri setinden biri olarak Sürücü Dikkat verilerimize uyguladı: 18 denek x bir sürüş deneyiminin tipik kesintili dikkat dağıtıcıları (mobil aramalar, kısa mesajlar, navigasyon, müzik seçimi, sohbet, anında zihinsel hesaplamalar vb.) ile 45 dakikalık simüle sürüş. Sürücü Dikkat algoritmamız, 2013 yılında en son teknoloji makine öğrenimi yöntemleri kullanılarak %68'lik bir doğruluk metriği ile teslim edilmişti.
Mahsa'yı 2015 yılında Melbourne Üniversitesi'ndeki doktorası sırasında destekleyerek kendisine aynı veri setini sağladık. Topluluk (ensemble) yöntemlerini kullanarak doğruluk metriğini %72'ye çıkarmayı başardı.
EEG2Rep modeli Sürücü Dikkati Dağılımı veri setine uygulandı ve bugüne kadarki en yüksek doğruluk oranı olan %80.07'ye ulaşarak önemli bir gelişme sağladı. Ek olarak model; duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG'si ile epilepsi ve felç gibi tıbbi durumların tespiti de dahil olmak üzere beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerden önemli ölçüde daha iyi performans gösterdi.
Bu başarı, çeşitli görevler ve uygulamalar arasında genelleştirilebilen EEG verileri için temel bir model geliştirme olasılığını ortaya çıkararak EEG analizi alanında nelerin başarılabileceğinin sınırlarını zorluyor.
Okumaya devam et