EEG2Rep: Kiến trúc AI tự giám sát cho mô hình hóa dữ liệu EEG
Heidi Duran
22 thg 7, 2024
Chia sẻ:
Chúng tôi vui mừng thông báo rằng bài báo “EEG2Rep: Tăng cường Đại diện EEG Không giám sát Thông qua Các Đầu vào Có Thông tin” đã được chấp nhận để trình bày tại Hội nghị KDD 2024.
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 (Nghiên cứu EMOTIV, Pty Ltd).
EMOTIV tài trợ cho Navid Foumani, một ứng viên 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, Úc. 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, rất hứa hẹn 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 Chú ý Lái xe của chúng tôi: 18 người thử nghiệm x 45 phút lái xe mô phỏng với các yếu tố gây phân tâm điển hình (cuộc gọi di động, tin nhắn văn bản, định vị, chọn nhạc, trò chuyện, tính toán tâm lý ngay tại chỗ, v.v.). Thuật toán Chú ý Lái xe của chúng tôi đã được đưa ra 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 học tiến sĩ của cô tại Đại học Melbourne vào năm 2015, cung cấp cho cô bộ dữ liệu giống như vậy. Cô đã cải thiện được chỉ số chính xác lên 72% bằng cách sử dụng các phương pháp tổ hợp.
Được áp dụng vào bộ dữ liệu Phân tâm Lái xe, mô hình EEG2Rep đã đạt được độ chính xác cao nhất cho đến nay, 80,07%, một cải tiến đáng kể. Thêm vào đó, mô hình này vượt trội hơn hẳn các phương pháp tiên tiến trong cả năm bộ dữ liệu công khai, 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 tổng quát qua nhiều nhiệm vụ và ứng dụng khác nhau, đẩy mạnh giới hạn của những gì có thể đạt được trong lĩnh vực phân tích EEG.
Chúng tôi vui mừng thông báo rằng bài báo “EEG2Rep: Tăng cường Đại diện EEG Không giám sát Thông qua Các Đầu vào Có Thông tin” đã được chấp nhận để trình bày tại Hội nghị KDD 2024.
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 (Nghiên cứu EMOTIV, Pty Ltd).
EMOTIV tài trợ cho Navid Foumani, một ứng viên 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, Úc. 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, rất hứa hẹn 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 Chú ý Lái xe của chúng tôi: 18 người thử nghiệm x 45 phút lái xe mô phỏng với các yếu tố gây phân tâm điển hình (cuộc gọi di động, tin nhắn văn bản, định vị, chọn nhạc, trò chuyện, tính toán tâm lý ngay tại chỗ, v.v.). Thuật toán Chú ý Lái xe của chúng tôi đã được đưa ra 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 học tiến sĩ của cô tại Đại học Melbourne vào năm 2015, cung cấp cho cô bộ dữ liệu giống như vậy. Cô đã cải thiện được chỉ số chính xác lên 72% bằng cách sử dụng các phương pháp tổ hợp.
Được áp dụng vào bộ dữ liệu Phân tâm Lái xe, mô hình EEG2Rep đã đạt được độ chính xác cao nhất cho đến nay, 80,07%, một cải tiến đáng kể. Thêm vào đó, mô hình này vượt trội hơn hẳn các phương pháp tiên tiến trong cả năm bộ dữ liệu công khai, 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 tổng quát qua nhiều nhiệm vụ và ứng dụng khác nhau, đẩy mạnh giới hạn của những gì có thể đạt được trong lĩnh vực phân tích EEG.
Chúng tôi vui mừng thông báo rằng bài báo “EEG2Rep: Tăng cường Đại diện EEG Không giám sát Thông qua Các Đầu vào Có Thông tin” đã được chấp nhận để trình bày tại Hội nghị KDD 2024.
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 (Nghiên cứu EMOTIV, Pty Ltd).
EMOTIV tài trợ cho Navid Foumani, một ứng viên 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, Úc. 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, rất hứa hẹn 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 Chú ý Lái xe của chúng tôi: 18 người thử nghiệm x 45 phút lái xe mô phỏng với các yếu tố gây phân tâm điển hình (cuộc gọi di động, tin nhắn văn bản, định vị, chọn nhạc, trò chuyện, tính toán tâm lý ngay tại chỗ, v.v.). Thuật toán Chú ý Lái xe của chúng tôi đã được đưa ra 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 học tiến sĩ của cô tại Đại học Melbourne vào năm 2015, cung cấp cho cô bộ dữ liệu giống như vậy. Cô đã cải thiện được chỉ số chính xác lên 72% bằng cách sử dụng các phương pháp tổ hợp.
Được áp dụng vào bộ dữ liệu Phân tâm Lái xe, mô hình EEG2Rep đã đạt được độ chính xác cao nhất cho đến nay, 80,07%, một cải tiến đáng kể. Thêm vào đó, mô hình này vượt trội hơn hẳn các phương pháp tiên tiến trong cả năm bộ dữ liệu công khai, 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 tổng quát qua nhiều nhiệm vụ và ứng dụng khác nhau, đẩy mạnh giới hạn 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.