EEG2Rep: Một kiến trúc AI tự giám sát để mô hình hóa dữ liệu điện não đồ (EEG)
H.B. Duran
Đã cập nhật vào
22 thg 7, 2024
EEG2Rep: Một kiến trúc AI tự giám sát để mô hình hóa dữ liệu điện não đồ (EEG)
H.B. Duran
Đã cập nhật vào
22 thg 7, 2024
EEG2Rep: Một kiến trúc AI tự giám sát để mô hình hóa dữ liệu điện não đồ (EEG)
H.B. Duran
Đã cập nhật vào
22 thg 7, 2024
Chúng tôi vô cùng vui mừng thông báo rằng bài báo "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" đã được chấp nhận để trình bày tại Hội nghị KDD 2024 danh giá.
Navid Foumani là tác giả chính. Các đồng tác giả bao gồm Tiến sĩ Mahsa Salehi (Đại học Monash), Tiến sĩ Geoffrey Mackellar, Tiến sĩ Soheila Ghane, Tiến sĩ Saad Irtza, và Tiến sĩ Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv tài trợ cho Navid Foumani, một ứng viên Tiến sĩ đang nghiên cứu ứng dụng các phương pháp học sâu vào dữ liệu EEG dưới sự hướng dẫn của Tiến sĩ Mahsa Salehi tại Đại học Monash ở Melbourne, Úc. Navid đã làm việc chặt chẽ với đội ngũ của chúng tôi để phát triển một kiến trúc tự giám sát mới có tên là EEG2Rep, hứa hẹn mang lại tiềm năng to lớn cho việc mô hình hóa dữ liệu EEG.
Là một trong 5 bộ dữ liệu EEG, Navid đã áp dụng các phương pháp này vào dữ liệu Sự chú ý của người lái xe (Driver Attention) của chúng tôi: 18 đối tượng x 45 phút lái xe mô phỏng với các yếu tố gây xao nhãng không liên tục đặc trưng của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, tính nhẩm nhanh, v.v.). Thuật toán Sự chú ý của người lái xe của chúng tôi đã được bàn giao với chỉ số chính xác 68% bằng cách sử dụng các phương pháp học máy tiên tiến nhất vào năm 2013.
Chúng tôi đã tài trợ cho Mahsa trong thời gian cô làm Tiến sĩ tại Đại học Melbourne vào năm 2015, cung cấp cho cô cùng một bộ dữ liệu đó. Cô đã cải thiện được chỉ số chính xác lên 72% bằng cách sử dụng các phương pháp ensemble.
Mô hình EEG2Rep đã được áp dụng cho bộ dữ liệu Sự xao nhãng của người lái xe (Driver Distraction) và đạt được độ chính xác cao nhất cho đến nay là 80.07%, một sự cải tiến đáng kể. Ngoài ra, mô hình này cũng vượt trội hơn hẳn so với các phương pháp tiên tiến nhất trong từng bộ dữ liệu công khai trong số năm bộ dữ liệu, bao gồm phát hiện trạng thái cảm xúc và tinh thần, đa nhiệm, EEG trạng thái nghỉ, và phát hiện các tình trạng y tế như động kinh và đột quỵ.
Thành công này mở ra khả năng phát triển một mô hình nền tảng cho dữ liệu EEG có thể khái quát hóa trên nhiều nhiệm vụ và ứng dụng khác nhau, vượt qua các giới hạn trong lĩnh vực phân tích EEG.
Chúng tôi vô cùng vui mừng thông báo rằng bài báo "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" đã được chấp nhận để trình bày tại Hội nghị KDD 2024 danh giá.
Navid Foumani là tác giả chính. Các đồng tác giả bao gồm Tiến sĩ Mahsa Salehi (Đại học Monash), Tiến sĩ Geoffrey Mackellar, Tiến sĩ Soheila Ghane, Tiến sĩ Saad Irtza, và Tiến sĩ Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv tài trợ cho Navid Foumani, một ứng viên Tiến sĩ đang nghiên cứu ứng dụng các phương pháp học sâu vào dữ liệu EEG dưới sự hướng dẫn của Tiến sĩ Mahsa Salehi tại Đại học Monash ở Melbourne, Úc. Navid đã làm việc chặt chẽ với đội ngũ của chúng tôi để phát triển một kiến trúc tự giám sát mới có tên là EEG2Rep, hứa hẹn mang lại tiềm năng to lớn cho việc mô hình hóa dữ liệu EEG.
Là một trong 5 bộ dữ liệu EEG, Navid đã áp dụng các phương pháp này vào dữ liệu Sự chú ý của người lái xe (Driver Attention) của chúng tôi: 18 đối tượng x 45 phút lái xe mô phỏng với các yếu tố gây xao nhãng không liên tục đặc trưng của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, tính nhẩm nhanh, v.v.). Thuật toán Sự chú ý của người lái xe của chúng tôi đã được bàn giao với chỉ số chính xác 68% bằng cách sử dụng các phương pháp học máy tiên tiến nhất vào năm 2013.
Chúng tôi đã tài trợ cho Mahsa trong thời gian cô làm Tiến sĩ tại Đại học Melbourne vào năm 2015, cung cấp cho cô cùng một bộ dữ liệu đó. Cô đã cải thiện được chỉ số chính xác lên 72% bằng cách sử dụng các phương pháp ensemble.
Mô hình EEG2Rep đã được áp dụng cho bộ dữ liệu Sự xao nhãng của người lái xe (Driver Distraction) và đạt được độ chính xác cao nhất cho đến nay là 80.07%, một sự cải tiến đáng kể. Ngoài ra, mô hình này cũng vượt trội hơn hẳn so với các phương pháp tiên tiến nhất trong từng bộ dữ liệu công khai trong số năm bộ dữ liệu, bao gồm phát hiện trạng thái cảm xúc và tinh thần, đa nhiệm, EEG trạng thái nghỉ, và phát hiện các tình trạng y tế như động kinh và đột quỵ.
Thành công này mở ra khả năng phát triển một mô hình nền tảng cho dữ liệu EEG có thể khái quát hóa trên nhiều nhiệm vụ và ứng dụng khác nhau, vượt qua các giới hạn trong lĩnh vực phân tích EEG.
Chúng tôi vô cùng vui mừng thông báo rằng bài báo "EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs" đã được chấp nhận để trình bày tại Hội nghị KDD 2024 danh giá.
Navid Foumani là tác giả chính. Các đồng tác giả bao gồm Tiến sĩ Mahsa Salehi (Đại học Monash), Tiến sĩ Geoffrey Mackellar, Tiến sĩ Soheila Ghane, Tiến sĩ Saad Irtza, và Tiến sĩ Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv tài trợ cho Navid Foumani, một ứng viên Tiến sĩ đang nghiên cứu ứng dụng các phương pháp học sâu vào dữ liệu EEG dưới sự hướng dẫn của Tiến sĩ Mahsa Salehi tại Đại học Monash ở Melbourne, Úc. Navid đã làm việc chặt chẽ với đội ngũ của chúng tôi để phát triển một kiến trúc tự giám sát mới có tên là EEG2Rep, hứa hẹn mang lại tiềm năng to lớn cho việc mô hình hóa dữ liệu EEG.
Là một trong 5 bộ dữ liệu EEG, Navid đã áp dụng các phương pháp này vào dữ liệu Sự chú ý của người lái xe (Driver Attention) của chúng tôi: 18 đối tượng x 45 phút lái xe mô phỏng với các yếu tố gây xao nhãng không liên tục đặc trưng của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, tính nhẩm nhanh, v.v.). Thuật toán Sự chú ý của người lái xe của chúng tôi đã được bàn giao với chỉ số chính xác 68% bằng cách sử dụng các phương pháp học máy tiên tiến nhất vào năm 2013.
Chúng tôi đã tài trợ cho Mahsa trong thời gian cô làm Tiến sĩ tại Đại học Melbourne vào năm 2015, cung cấp cho cô cùng một bộ dữ liệu đó. Cô đã cải thiện được chỉ số chính xác lên 72% bằng cách sử dụng các phương pháp ensemble.
Mô hình EEG2Rep đã được áp dụng cho bộ dữ liệu Sự xao nhãng của người lái xe (Driver Distraction) và đạt được độ chính xác cao nhất cho đến nay là 80.07%, một sự cải tiến đáng kể. Ngoài ra, mô hình này cũng vượt trội hơn hẳn so với các phương pháp tiên tiến nhất trong từng bộ dữ liệu công khai trong số năm bộ dữ liệu, bao gồm phát hiện trạng thái cảm xúc và tinh thần, đa nhiệm, EEG trạng thái nghỉ, và phát hiện các tình trạng y tế như động kinh và đột quỵ.
Thành công này mở ra khả năng phát triển một mô hình nền tảng cho dữ liệu EEG có thể khái quát hóa trên nhiều nhiệm vụ và ứng dụng khác nhau, vượt qua các giới hạn trong lĩnh vực phân tích EEG.
Tiếp tục đọc