EEG2Rep: Kiến trúc AI tự giám sát cho mô hình hóa dữ liệu EEG
Heidi Duran
Đã cập nhật vào
22 thg 5, 2024
EEG2Rep: Kiến trúc AI tự giám sát cho mô hình hóa dữ liệu EEG
Heidi Duran
Đã cập nhật vào
22 thg 5, 2024
EEG2Rep: Kiến trúc AI tự giám sát cho mô hình hóa dữ liệu EEG
Heidi Duran
Đã cập nhật vào
22 thg 5, 2024
Chúng tôi 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 KDD 2024 Conference.
Tác giả chính là Navid Foumani. Các đồng tác giả là Tiến sĩ Mahsa Salehi (Monash University), 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 và đang làm việc về việc áp dụng các phương pháp học sâu vào dữ liệu EEG dưới sự hướng dẫn của Tiến sĩ Mahsa Salehi tại Monash University 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 có tên là EEG2Rep, vốn cực kỳ hứa hẹn cho việc mô hình hóa dữ liệu EEG.
Trong số 5 bộ dữ liệu EEG, Navid đã áp dụng các phương pháp này vào dữ liệu Driver Attention của chúng tôi:18 đối tượng x 45 phút lái xe mô phỏng với các yếu tố gây xao nhãng ngắt quãng điển hình của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, các phép tính nhẩm tức thời, v.v.). Thuật toán Driver Attention của chúng tôi đã đạt chỉ số độ chính xác 68% bằng các phương pháp học máy tiên tiến nhất vào năm 2013.
Chúng tôi đã tài trợ cho Mahsa trong thời gian cô ấy làm tiến sĩ tại Melbourne University vào năm 2015, cung cấp cho cô ấy cùng bộ dữ liệu đó. Cô ấy đã cải thiện chỉ số độ chính xác lên 72% bằng các phương pháp ensemble.
Mô hình EEG2Rep đã được áp dụng cho bộ dữ liệu Driver Distraction và đạt độ chính xác cao nhất từ trước đến nay, 80.07%, một cải thiện đáng kể. Ngoài ra, mô hình này vượt trội đáng kể so với các phương pháp tiên tiến nhất trong từng bộ dữ liệu công khai trong 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 khoa 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 tổng quát hóa trên nhiều tác vụ và ứng dụng khác nhau, đẩy xa giới hạn những gì có thể đạt được trong lĩnh vực phân tích EEG.
Chúng tôi 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 KDD 2024 Conference.
Tác giả chính là Navid Foumani. Các đồng tác giả là Tiến sĩ Mahsa Salehi (Monash University), 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 và đang làm việc về việc áp dụng các phương pháp học sâu vào dữ liệu EEG dưới sự hướng dẫn của Tiến sĩ Mahsa Salehi tại Monash University 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 có tên là EEG2Rep, vốn cực kỳ hứa hẹn cho việc mô hình hóa dữ liệu EEG.
Trong số 5 bộ dữ liệu EEG, Navid đã áp dụng các phương pháp này vào dữ liệu Driver Attention của chúng tôi:18 đối tượng x 45 phút lái xe mô phỏng với các yếu tố gây xao nhãng ngắt quãng điển hình của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, các phép tính nhẩm tức thời, v.v.). Thuật toán Driver Attention của chúng tôi đã đạt chỉ số độ chính xác 68% bằng các phương pháp học máy tiên tiến nhất vào năm 2013.
Chúng tôi đã tài trợ cho Mahsa trong thời gian cô ấy làm tiến sĩ tại Melbourne University vào năm 2015, cung cấp cho cô ấy cùng bộ dữ liệu đó. Cô ấy đã cải thiện chỉ số độ chính xác lên 72% bằng các phương pháp ensemble.
Mô hình EEG2Rep đã được áp dụng cho bộ dữ liệu Driver Distraction và đạt độ chính xác cao nhất từ trước đến nay, 80.07%, một cải thiện đáng kể. Ngoài ra, mô hình này vượt trội đáng kể so với các phương pháp tiên tiến nhất trong từng bộ dữ liệu công khai trong 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 khoa 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 tổng quát hóa trên nhiều tác vụ và ứng dụng khác nhau, đẩy xa giới hạn những gì có thể đạt được trong lĩnh vực phân tích EEG.
Chúng tôi 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 KDD 2024 Conference.
Tác giả chính là Navid Foumani. Các đồng tác giả là Tiến sĩ Mahsa Salehi (Monash University), 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 và đang làm việc về việc áp dụng các phương pháp học sâu vào dữ liệu EEG dưới sự hướng dẫn của Tiến sĩ Mahsa Salehi tại Monash University 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 có tên là EEG2Rep, vốn cực kỳ hứa hẹn cho việc mô hình hóa dữ liệu EEG.
Trong số 5 bộ dữ liệu EEG, Navid đã áp dụng các phương pháp này vào dữ liệu Driver Attention của chúng tôi:18 đối tượng x 45 phút lái xe mô phỏng với các yếu tố gây xao nhãng ngắt quãng điển hình của trải nghiệm lái xe (cuộc gọi di động, tin nhắn văn bản, điều hướng, chọn nhạc, trò chuyện, các phép tính nhẩm tức thời, v.v.). Thuật toán Driver Attention của chúng tôi đã đạt chỉ số độ chính xác 68% bằng các phương pháp học máy tiên tiến nhất vào năm 2013.
Chúng tôi đã tài trợ cho Mahsa trong thời gian cô ấy làm tiến sĩ tại Melbourne University vào năm 2015, cung cấp cho cô ấy cùng bộ dữ liệu đó. Cô ấy đã cải thiện chỉ số độ chính xác lên 72% bằng các phương pháp ensemble.
Mô hình EEG2Rep đã được áp dụng cho bộ dữ liệu Driver Distraction và đạt độ chính xác cao nhất từ trước đến nay, 80.07%, một cải thiện đáng kể. Ngoài ra, mô hình này vượt trội đáng kể so với các phương pháp tiên tiến nhất trong từng bộ dữ liệu công khai trong 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 khoa 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 tổng quát hóa trên nhiều tác vụ và ứng dụng khác nhau, đẩy xa giới hạn những gì có thể đạt được trong lĩnh vực phân tích EEG.
