“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” başlıklı 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 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 umut verici olan EEG2Rep olarak bilinen yeni bir kendi kendini denetleyen mimari geliştirmek için ekibimizle yakından çalıştı.

Navid, bu yöntemleri 5 EEG veri kümesinden biri olarak Sürücü Dikkati verilerimize uyguladı: Bir sürüş deneyimine özgü aralıklı dikkat dağıtıcı unsurlar (mobil aramalar, kısa mesajlar, navigasyon, müzik seçimi, sohbet, anında zihinsel hesaplamalar vb.) içeren 18 denek x 45 dakikalık simüle edilmiş sürüş. Sürücü Dikkati algoritmamız, 2013 yılında en son teknoloji makine öğrenimi yöntemleri kullanılarak %68 doğruluk metriğiyle sunulmuştur. 

2015 yılında Melbourne Üniversitesi'ndeki doktora çalışması 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 Dağılması veri kümesine uygulandı ve bugüne kadarki en yüksek doğruluk oranı olan %80.07'ye ulaşarak önemli bir gelişme kaydetti. Ek olarak model; duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG'si ve epilepsi ile inme 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 genelleme yapabilen EEG verileri için temel bir model geliştirme olasılığını ortaya koyarak EEG analizi alanında elde edilebileceklerin sınırlarını zorluyor.