EEG2Rep: EEG Verisi Modelleme için Kendi Kendine Denetimli Bir AI Mimarisi

Heidi Duran

22 Tem 2024

Paylaş:

“EEG2Rep: Bilgilendirici Maskelenmiş Girdilerle Kendi Kendine Denetimli EEG Temsillerini Geliştirme” adlı makalenin prestijli KDD 2024 Konferansı'nda sunum için kabul edildiğini duyurmaktan mutluluk duyuyoruz.

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

Makaleyi oku

Kodu görüntüle

EMOTIV, Melbourne, Avustralya'daki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemleri uygulayan bir doktora adayı olan Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modelleme için son derece umut verici olan EEG2Rep olarak bilinen yeni bir kendi kendine denetimli mimari geliştirmek için ekibimizle yakın çalıştı.




Beş EEG veri setinden biri olarak, Navid bu yöntemleri Sürücü Dikkati verilerimize uyguladı: 18 katılımcı x 45 dakika simüle edilmiş sürüş, mobil aramalar, metin mesajları, navigasyon, müzik seçimi, sohbet, anlık zihinsel hesaplamalar gibi sürüş deneyimine özgü ara sıra dikkat dağıtıcılarla.

2013 yılında, en son teknoloji makine öğrenme yöntemlerini kullanarak %68 oranında bir doğruluk metriği ile Sürücü Dikkati algoritmamızı sunduk. 

2015'te Melbourne Üniversitesi'nde doktora programında Mahsa'yı aynı veri seti ile destekledik. Doğruluk metriğini toplu yöntemler kullanarak %72'ye çıkarmayı başardı.

EEG2Rep modeli, Sürücü Dikkat Dağınıklığı veri setine uygulandı ve bugüne kadar en yüksek doğruluk olan %80,07'ye ulaştı, önemli bir gelişme sağladı. Ayrıca, model, duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG ve epilepsi ile inme gibi tıbbi durumları tespit etme dahil olmak üzere, beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerini önemli ölçüde geride bıraktı.




Bu başarı, EEG verileri için çeşitli görevler ve uygulamalar arasında genelleştirebilen temel bir model geliştirme olasılığını açmaktadır ve EEG analizleri alanında nelerin başarılabileceğinin sınırlarını zorlamaktadır.

“EEG2Rep: Bilgilendirici Maskelenmiş Girdilerle Kendi Kendine Denetimli EEG Temsillerini Geliştirme” adlı makalenin prestijli KDD 2024 Konferansı'nda sunum için kabul edildiğini duyurmaktan mutluluk duyuyoruz.

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

Makaleyi oku

Kodu görüntüle

EMOTIV, Melbourne, Avustralya'daki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemleri uygulayan bir doktora adayı olan Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modelleme için son derece umut verici olan EEG2Rep olarak bilinen yeni bir kendi kendine denetimli mimari geliştirmek için ekibimizle yakın çalıştı.




Beş EEG veri setinden biri olarak, Navid bu yöntemleri Sürücü Dikkati verilerimize uyguladı: 18 katılımcı x 45 dakika simüle edilmiş sürüş, mobil aramalar, metin mesajları, navigasyon, müzik seçimi, sohbet, anlık zihinsel hesaplamalar gibi sürüş deneyimine özgü ara sıra dikkat dağıtıcılarla.

2013 yılında, en son teknoloji makine öğrenme yöntemlerini kullanarak %68 oranında bir doğruluk metriği ile Sürücü Dikkati algoritmamızı sunduk. 

2015'te Melbourne Üniversitesi'nde doktora programında Mahsa'yı aynı veri seti ile destekledik. Doğruluk metriğini toplu yöntemler kullanarak %72'ye çıkarmayı başardı.

EEG2Rep modeli, Sürücü Dikkat Dağınıklığı veri setine uygulandı ve bugüne kadar en yüksek doğruluk olan %80,07'ye ulaştı, önemli bir gelişme sağladı. Ayrıca, model, duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG ve epilepsi ile inme gibi tıbbi durumları tespit etme dahil olmak üzere, beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerini önemli ölçüde geride bıraktı.




Bu başarı, EEG verileri için çeşitli görevler ve uygulamalar arasında genelleştirebilen temel bir model geliştirme olasılığını açmaktadır ve EEG analizleri alanında nelerin başarılabileceğinin sınırlarını zorlamaktadır.

“EEG2Rep: Bilgilendirici Maskelenmiş Girdilerle Kendi Kendine Denetimli EEG Temsillerini Geliştirme” adlı makalenin prestijli KDD 2024 Konferansı'nda sunum için kabul edildiğini duyurmaktan mutluluk duyuyoruz.

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

Makaleyi oku

Kodu görüntüle

EMOTIV, Melbourne, Avustralya'daki Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemleri uygulayan bir doktora adayı olan Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modelleme için son derece umut verici olan EEG2Rep olarak bilinen yeni bir kendi kendine denetimli mimari geliştirmek için ekibimizle yakın çalıştı.




Beş EEG veri setinden biri olarak, Navid bu yöntemleri Sürücü Dikkati verilerimize uyguladı: 18 katılımcı x 45 dakika simüle edilmiş sürüş, mobil aramalar, metin mesajları, navigasyon, müzik seçimi, sohbet, anlık zihinsel hesaplamalar gibi sürüş deneyimine özgü ara sıra dikkat dağıtıcılarla.

2013 yılında, en son teknoloji makine öğrenme yöntemlerini kullanarak %68 oranında bir doğruluk metriği ile Sürücü Dikkati algoritmamızı sunduk. 

2015'te Melbourne Üniversitesi'nde doktora programında Mahsa'yı aynı veri seti ile destekledik. Doğruluk metriğini toplu yöntemler kullanarak %72'ye çıkarmayı başardı.

EEG2Rep modeli, Sürücü Dikkat Dağınıklığı veri setine uygulandı ve bugüne kadar en yüksek doğruluk olan %80,07'ye ulaştı, önemli bir gelişme sağladı. Ayrıca, model, duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG ve epilepsi ile inme gibi tıbbi durumları tespit etme dahil olmak üzere, beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerini önemli ölçüde geride bıraktı.




Bu başarı, EEG verileri için çeşitli görevler ve uygulamalar arasında genelleştirebilen temel bir model geliştirme olasılığını açmaktadır ve EEG analizleri alanında nelerin başarılabileceğinin sınırlarını zorlamaktadır.

© 2026 Emotiv, Tüm hakları saklıdır.

Consent

Gizlilik Seçenekleriniz (Çerez Ayarları)

*Açıklama – EMOTIV ürünleri yalnızca araştırma uygulamaları ve kişisel kullanım için tasarlanmıştır. Ürünlerimiz, AB direktifi 93/42/EEC'de tanımlandığı gibi Tıbbi Cihazlar olarak satılmamaktadır. Ürünlerimiz hastalıkların teşhisi veya tedavisi için tasarlanmamış veya niyet edilmemiştir.

Çeviriler Hakkında Not: Bu web sitesinin İngilizce dışındaki sürümleri, sizin kolaylığınız için yapay zeka kullanılarak çevrilmiştir. Doğruluk için çabalasak da, otomatik çeviriler hatalar veya orijinal metinden farklı incelikler içerebilir. En doğru bilgi için lütfen bu sitenin İngilizce versiyonuna başvurun.

© 2026 Emotiv, Tüm hakları saklıdır.

Consent

Gizlilik Seçenekleriniz (Çerez Ayarları)

*Açıklama – EMOTIV ürünleri yalnızca araştırma uygulamaları ve kişisel kullanım için tasarlanmıştır. Ürünlerimiz, AB direktifi 93/42/EEC'de tanımlandığı gibi Tıbbi Cihazlar olarak satılmamaktadır. Ürünlerimiz hastalıkların teşhisi veya tedavisi için tasarlanmamış veya niyet edilmemiştir.

Çeviriler Hakkında Not: Bu web sitesinin İngilizce dışındaki sürümleri, sizin kolaylığınız için yapay zeka kullanılarak çevrilmiştir. Doğruluk için çabalasak da, otomatik çeviriler hatalar veya orijinal metinden farklı incelikler içerebilir. En doğru bilgi için lütfen bu sitenin İngilizce versiyonuna başvurun.

© 2026 Emotiv, Tüm hakları saklıdır.

Consent

Gizlilik Seçenekleriniz (Çerez Ayarları)

*Açıklama – EMOTIV ürünleri yalnızca araştırma uygulamaları ve kişisel kullanım için tasarlanmıştır. Ürünlerimiz, AB direktifi 93/42/EEC'de tanımlandığı gibi Tıbbi Cihazlar olarak satılmamaktadır. Ürünlerimiz hastalıkların teşhisi veya tedavisi için tasarlanmamış veya niyet edilmemiştir.

Çeviriler Hakkında Not: Bu web sitesinin İngilizce dışındaki sürümleri, sizin kolaylığınız için yapay zeka kullanılarak çevrilmiştir. Doğruluk için çabalasak da, otomatik çeviriler hatalar veya orijinal metinden farklı incelikler içerebilir. En doğru bilgi için lütfen bu sitenin İngilizce versiyonuna başvurun.