EEG2Rep: Kiến trúc AI tự giám sát cho mô hình hóa dữ liệu EEG
Heidi Duran
22 thg 7, 2024
Chia sẻ:
Chúng tôi rất vui mừng thông báo rằng bài báo “EEG2Rep: Tăng cường Đại diện EEG Tự giám sát Thông qua Các Đầu vào Được Che Thông tin” đã được chấp nhận để trình bày tại hội nghị danh giá KDD 2024 Conference.
Navid Foumani là tác giả chính. Các đồng tác giả là 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 nghiên cứu sinh tiến sĩ đã làm việc về việc áp dụng các phương pháp học sâu vào dữ liệu EEG dưới sự giám sát của Tiến sĩ Mahsa Salehi tại Đại học Monash ở Melbourne, Australia. Navid đã làm việc chặt chẽ với đội ngũ của chúng tôi để phát triển một kiến trúc tự giám sát mới được gọi là EEG2Rep, điều này hứa hẹn rất nhiều cho việc mô hình hóa dữ liệu EEG.
Với tư cách là một trong 5 tập dữ liệu EEG, Navid đã áp dụng những phương pháp này vào dữ liệu Sự chú ý của Lái xe của chúng tôi: 18 người tham gia x 45 phút lái xe mô phỏng với các yếu tố phân tâm điển hình của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, tính toán tâm lý ngay tại chỗ, v.v.). Thuật toán Sự chú ý của Lái xe của chúng tôi đã được phát hành với chỉ số độ 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 ấy học tiến sĩ tại Đại học Melbourne vào năm 2015, cung cấp cho cô ấy cùng một tập dữ liệu. Cô ấy đã cải thiện chỉ số độ chính xác lên 72% bằng cách sử dụng các phương pháp tập hợp.
Mô hình EEG2Rep đã được áp dụng cho tập dữ liệu Phân tâm Lái xe và đạt được độ chính xác cao nhất cho tới nay, 80.07%, một sự cải thiện đáng kể. Ngoài ra, mô hình này đã vượt trội hơn nhiều so với các phương pháp tiên tiến nhất trong mỗi năm tập dữ liệu công khai năm, bao gồm phát hiện trạng thái cảm xúc và tâm lý, đa nhiệm, trạng thái nghỉ ngơi EEG, 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 trên nhiều nhiệm vụ và ứng dụng khác nhau, đẩy ranh giới của những gì có thể đạt được trong lĩnh vực phân tích EEG.
Chúng tôi rất vui mừng thông báo rằng bài báo “EEG2Rep: Tăng cường Đại diện EEG Tự giám sát Thông qua Các Đầu vào Được Che Thông tin” đã được chấp nhận để trình bày tại hội nghị danh giá KDD 2024 Conference.
Navid Foumani là tác giả chính. Các đồng tác giả là 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 nghiên cứu sinh tiến sĩ đã làm việc về việc áp dụng các phương pháp học sâu vào dữ liệu EEG dưới sự giám sát của Tiến sĩ Mahsa Salehi tại Đại học Monash ở Melbourne, Australia. Navid đã làm việc chặt chẽ với đội ngũ của chúng tôi để phát triển một kiến trúc tự giám sát mới được gọi là EEG2Rep, điều này hứa hẹn rất nhiều cho việc mô hình hóa dữ liệu EEG.
Với tư cách là một trong 5 tập dữ liệu EEG, Navid đã áp dụng những phương pháp này vào dữ liệu Sự chú ý của Lái xe của chúng tôi: 18 người tham gia x 45 phút lái xe mô phỏng với các yếu tố phân tâm điển hình của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, tính toán tâm lý ngay tại chỗ, v.v.). Thuật toán Sự chú ý của Lái xe của chúng tôi đã được phát hành với chỉ số độ 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 ấy học tiến sĩ tại Đại học Melbourne vào năm 2015, cung cấp cho cô ấy cùng một tập dữ liệu. Cô ấy đã cải thiện chỉ số độ chính xác lên 72% bằng cách sử dụng các phương pháp tập hợp.
Mô hình EEG2Rep đã được áp dụng cho tập dữ liệu Phân tâm Lái xe và đạt được độ chính xác cao nhất cho tới nay, 80.07%, một sự cải thiện đáng kể. Ngoài ra, mô hình này đã vượt trội hơn nhiều so với các phương pháp tiên tiến nhất trong mỗi năm tập dữ liệu công khai năm, bao gồm phát hiện trạng thái cảm xúc và tâm lý, đa nhiệm, trạng thái nghỉ ngơi EEG, 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 trên nhiều nhiệm vụ và ứng dụng khác nhau, đẩy ranh giới của những gì có thể đạt được trong lĩnh vực phân tích EEG.
Chúng tôi rất vui mừng thông báo rằng bài báo “EEG2Rep: Tăng cường Đại diện EEG Tự giám sát Thông qua Các Đầu vào Được Che Thông tin” đã được chấp nhận để trình bày tại hội nghị danh giá KDD 2024 Conference.
Navid Foumani là tác giả chính. Các đồng tác giả là 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 nghiên cứu sinh tiến sĩ đã làm việc về việc áp dụng các phương pháp học sâu vào dữ liệu EEG dưới sự giám sát của Tiến sĩ Mahsa Salehi tại Đại học Monash ở Melbourne, Australia. Navid đã làm việc chặt chẽ với đội ngũ của chúng tôi để phát triển một kiến trúc tự giám sát mới được gọi là EEG2Rep, điều này hứa hẹn rất nhiều cho việc mô hình hóa dữ liệu EEG.
Với tư cách là một trong 5 tập dữ liệu EEG, Navid đã áp dụng những phương pháp này vào dữ liệu Sự chú ý của Lái xe của chúng tôi: 18 người tham gia x 45 phút lái xe mô phỏng với các yếu tố phân tâm điển hình của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, tính toán tâm lý ngay tại chỗ, v.v.). Thuật toán Sự chú ý của Lái xe của chúng tôi đã được phát hành với chỉ số độ 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 ấy học tiến sĩ tại Đại học Melbourne vào năm 2015, cung cấp cho cô ấy cùng một tập dữ liệu. Cô ấy đã cải thiện chỉ số độ chính xác lên 72% bằng cách sử dụng các phương pháp tập hợp.
Mô hình EEG2Rep đã được áp dụng cho tập dữ liệu Phân tâm Lái xe và đạt được độ chính xác cao nhất cho tới nay, 80.07%, một sự cải thiện đáng kể. Ngoài ra, mô hình này đã vượt trội hơn nhiều so với các phương pháp tiên tiến nhất trong mỗi năm tập dữ liệu công khai năm, bao gồm phát hiện trạng thái cảm xúc và tâm lý, đa nhiệm, trạng thái nghỉ ngơi EEG, 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 trên nhiều nhiệm vụ và ứng dụng khác nhau, đẩy ranh giới của những gì có thể đạt được trong lĩnh vực phân tích EEG.
Giải pháp
Hỗ trợ
Công ty
© 2025 EMOTIV, Tất cả các quyền được bảo lưu.
Lựa Chọn Riêng Tư Của Bạn (Cài Đặt Cookie)
*Lưu ý – Sản phẩm EMOTIV được sử dụng cho các ứng dụng nghiên cứu và sử dụng cá nhân mà thôi. Sản phẩm của chúng tôi không được bán như là Thiết bị Y tế theo định nghĩa trong chỉ thị EU 93/42/EEC. Sản phẩm của chúng tôi không được thiết kế hoặc dự định để sử dụng cho việc chẩn đoán hoặc điều trị bệnh.
Lưu ý về Dịch thuật: Các phiên bản không tiếng Anh của trang web này đã được dịch để thuận tiện cho bạn bằng cách sử dụng trí tuệ nhân tạo. Mặc dù chúng tôi cố gắng đạt được độ chính xác, các bản dịch tự động có thể chứa lỗi hoặc sắc thái khác với văn bản gốc. Để có thông tin chính xác nhất, vui lòng tham khảo phiên bản tiếng Anh của trang web này.
Giải pháp
Hỗ trợ
Công ty
© 2025 EMOTIV, Tất cả các quyền được bảo lưu.
Lựa Chọn Riêng Tư Của Bạn (Cài Đặt Cookie)
*Lưu ý – Sản phẩm EMOTIV được sử dụng cho các ứng dụng nghiên cứu và sử dụng cá nhân mà thôi. Sản phẩm của chúng tôi không được bán như là Thiết bị Y tế theo định nghĩa trong chỉ thị EU 93/42/EEC. Sản phẩm của chúng tôi không được thiết kế hoặc dự định để sử dụng cho việc chẩn đoán hoặc điều trị bệnh.
Lưu ý về Dịch thuật: Các phiên bản không tiếng Anh của trang web này đã được dịch để thuận tiện cho bạn bằng cách sử dụng trí tuệ nhân tạo. Mặc dù chúng tôi cố gắng đạt được độ chính xác, các bản dịch tự động có thể chứa lỗi hoặc sắc thái khác với văn bản gốc. Để có thông tin chính xác nhất, vui lòng tham khảo phiên bản tiếng Anh của trang web này.
Giải pháp
Hỗ trợ
Công ty
© 2025 EMOTIV, Tất cả các quyền được bảo lưu.
Lựa Chọn Riêng Tư Của Bạn (Cài Đặt Cookie)
*Lưu ý – Sản phẩm EMOTIV được sử dụng cho các ứng dụng nghiên cứu và sử dụng cá nhân mà thôi. Sản phẩm của chúng tôi không được bán như là Thiết bị Y tế theo định nghĩa trong chỉ thị EU 93/42/EEC. Sản phẩm của chúng tôi không được thiết kế hoặc dự định để sử dụng cho việc chẩn đoán hoặc điều trị bệnh.
Lưu ý về Dịch thuật: Các phiên bản không tiếng Anh của trang web này đã được dịch để thuận tiện cho bạn bằng cách sử dụng trí tuệ nhân tạo. Mặc dù chúng tôi cố gắng đạt được độ chính xác, các bản dịch tự động có thể chứa lỗi hoặc sắc thái khác với văn bản gốc. Để có thông tin chính xác nhất, vui lòng tham khảo phiên bản tiếng Anh của trang web này.