EEG2Rep: EEG Verisi Modelleme için Kendi Kendine Denetimli Bir AI Mimarisi
Heidi Duran
22 Tem 2024
Paylaş:
“EEG2Rep: Bilgilendirici Maske Girdiyle Kendi Denetimli EEG Temsili Geliştirme” başlıklı makalenin, prestijli KDD 2024 Konferansı'nda sunulmak üzere kabul edildiğini duyurmaktan mutluluk duyuyoruz.
Navid Foumani ana yazardır. Ortak yazarlar Dr. Mahsa Salehi (Monash Üniversitesi), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza ve Dr. Nam Nguyen'dir (EMOTIV Araştırma, Pty Ltd).
EMOTIV, Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemlerini uygulayan bir doktora adayı olan Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modellemek için büyük umut vaat eden EEG2Rep olarak bilinen yeni bir kendi-denetimli mimari geliştirmek için ekibimizle yakın çalıştı.
Navid, bu yöntemleri 5 EEG veri setinden biri olan Sürücü Dikkat verilerine uyguladı: 18 denek x 45 dakika simüle edilmiş sürüş, sürüş deneyimine özgü ara sıra dikkat dağıtıcılarla (mobil aramalar, metin mesajları, navigasyon, müzik seçimi, konuşma, anlık zihinsel hesaplamalar vb.) doluydu. 2013 yılında nihai teknoloji makine öğrenme yöntemleri kullanarak, Sürücü Dikkat algoritmamız %68 doğruluk ölçütü ile sunuldu.
2015 yılında Melbourne Üniversitesi’nde Mahsa'yı doktora sürecinde destekledik ve ona aynı veri setini sağladık. Toplam doğruluk ölçütünü toplama yöntemleri kullanarak %72'ye yükseltmeyi başardı.
EEG2Rep modeli, Sürücü Dikkat dağıtım veri setine uygulandı ve bugüne kadar %80,07 ile en yüksek doğruduluğu elde etti, bu belirgin bir ilerlemedir. Ayrıca, model, beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerinden önemli ölçüde daha iyi sonuçlar aldı; bunlar arasında duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG ve epilepsi gibi tıbbi durumların tespiti bulunmaktadır.
Bu başarı, EEG verileri için çeşitli görevler ve uygulamalar arasında genelleme yapabilen temek bir model geliştirme olasılığını açar ve EEG analizinde nelerin başarılabileceği konusundaki sınırları zorlar.
“EEG2Rep: Bilgilendirici Maske Girdiyle Kendi Denetimli EEG Temsili Geliştirme” başlıklı makalenin, prestijli KDD 2024 Konferansı'nda sunulmak üzere kabul edildiğini duyurmaktan mutluluk duyuyoruz.
Navid Foumani ana yazardır. Ortak yazarlar Dr. Mahsa Salehi (Monash Üniversitesi), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza ve Dr. Nam Nguyen'dir (EMOTIV Araştırma, Pty Ltd).
EMOTIV, Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemlerini uygulayan bir doktora adayı olan Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modellemek için büyük umut vaat eden EEG2Rep olarak bilinen yeni bir kendi-denetimli mimari geliştirmek için ekibimizle yakın çalıştı.
Navid, bu yöntemleri 5 EEG veri setinden biri olan Sürücü Dikkat verilerine uyguladı: 18 denek x 45 dakika simüle edilmiş sürüş, sürüş deneyimine özgü ara sıra dikkat dağıtıcılarla (mobil aramalar, metin mesajları, navigasyon, müzik seçimi, konuşma, anlık zihinsel hesaplamalar vb.) doluydu. 2013 yılında nihai teknoloji makine öğrenme yöntemleri kullanarak, Sürücü Dikkat algoritmamız %68 doğruluk ölçütü ile sunuldu.
2015 yılında Melbourne Üniversitesi’nde Mahsa'yı doktora sürecinde destekledik ve ona aynı veri setini sağladık. Toplam doğruluk ölçütünü toplama yöntemleri kullanarak %72'ye yükseltmeyi başardı.
EEG2Rep modeli, Sürücü Dikkat dağıtım veri setine uygulandı ve bugüne kadar %80,07 ile en yüksek doğruduluğu elde etti, bu belirgin bir ilerlemedir. Ayrıca, model, beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerinden önemli ölçüde daha iyi sonuçlar aldı; bunlar arasında duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG ve epilepsi gibi tıbbi durumların tespiti bulunmaktadır.
Bu başarı, EEG verileri için çeşitli görevler ve uygulamalar arasında genelleme yapabilen temek bir model geliştirme olasılığını açar ve EEG analizinde nelerin başarılabileceği konusundaki sınırları zorlar.
“EEG2Rep: Bilgilendirici Maske Girdiyle Kendi Denetimli EEG Temsili Geliştirme” başlıklı makalenin, prestijli KDD 2024 Konferansı'nda sunulmak üzere kabul edildiğini duyurmaktan mutluluk duyuyoruz.
Navid Foumani ana yazardır. Ortak yazarlar Dr. Mahsa Salehi (Monash Üniversitesi), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza ve Dr. Nam Nguyen'dir (EMOTIV Araştırma, Pty Ltd).
EMOTIV, Monash Üniversitesi'nde Dr. Mahsa Salehi'nin gözetiminde EEG verilerine derin öğrenme yöntemlerini uygulayan bir doktora adayı olan Navid Foumani'yi desteklemektedir. Navid, EEG verilerini modellemek için büyük umut vaat eden EEG2Rep olarak bilinen yeni bir kendi-denetimli mimari geliştirmek için ekibimizle yakın çalıştı.
Navid, bu yöntemleri 5 EEG veri setinden biri olan Sürücü Dikkat verilerine uyguladı: 18 denek x 45 dakika simüle edilmiş sürüş, sürüş deneyimine özgü ara sıra dikkat dağıtıcılarla (mobil aramalar, metin mesajları, navigasyon, müzik seçimi, konuşma, anlık zihinsel hesaplamalar vb.) doluydu. 2013 yılında nihai teknoloji makine öğrenme yöntemleri kullanarak, Sürücü Dikkat algoritmamız %68 doğruluk ölçütü ile sunuldu.
2015 yılında Melbourne Üniversitesi’nde Mahsa'yı doktora sürecinde destekledik ve ona aynı veri setini sağladık. Toplam doğruluk ölçütünü toplama yöntemleri kullanarak %72'ye yükseltmeyi başardı.
EEG2Rep modeli, Sürücü Dikkat dağıtım veri setine uygulandı ve bugüne kadar %80,07 ile en yüksek doğruduluğu elde etti, bu belirgin bir ilerlemedir. Ayrıca, model, beş kamuya açık veri setinin her birinde en son teknoloji yöntemlerinden önemli ölçüde daha iyi sonuçlar aldı; bunlar arasında duygusal ve zihinsel durum tespiti, çoklu görev, dinlenme durumu EEG ve epilepsi gibi tıbbi durumların tespiti bulunmaktadır.
Bu başarı, EEG verileri için çeşitli görevler ve uygulamalar arasında genelleme yapabilen temek bir model geliştirme olasılığını açar ve EEG analizinde nelerin başarılabileceği konusundaki sınırları zorlar.
