EEG2Rep：一種用於腦電圖（EEG）數據建模的自我監督人工智慧架構
D.B. 杜蘭
更新於
2024年7月22日
EEG2Rep：一種用於腦電圖（EEG）數據建模的自我監督人工智慧架構
D.B. 杜蘭
更新於
2024年7月22日
EEG2Rep：一種用於腦電圖（EEG）數據建模的自我監督人工智慧架構
D.B. 杜蘭
更新於
2024年7月22日
我們很高興地宣布，論文《EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs》已被享有盛譽的 KDD 2024 大會接受並發表。
Navid Foumani 是第一作者。共同作者包括 Mahsa Salehi 博士（蒙納許大學）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 資助了博士候選人 Navid Foumani，他一直在澳大利亞墨爾本蒙納許大學的 Mahsa Salehi 博士指導下，致力於將深度學習方法應用於 EEG 數據。Navid 與我們的團隊密切合作，開發了一種名為 EEG2Rep 的新型自監督架構，這在 EEG 數據建模方面具有巨大的前景。
作為 5 個 EEG 數據集之一，Navid 將這些方法應用於我們的駕駛員注意力數據：18 名受試者 x 45 分鐘的模擬駕駛，其中包含駕駛體驗中常見的間歇性干擾（手機來電、簡訊、導航、音樂選擇、交談、即時心算等）。我們的駕駛員注意力演算法在 2013 年使用最先进的機器學習方法交付，準確度指標為 68%。
我們在 2015 年資助了 Mahsa 在墨爾本大學攻讀博士學位期間的研究，並向她提供了相同的數據集。她成功地利用集成方法將準確度指標提高到 72%。
EEG2Rep 模型被應用於駕駛員分心數據集，並取得了迄今為止最高的準確度 80.07%，這是一個實質性的改進。此外，該模型在五個公開數據集（包括情緒和心理狀態檢測、多任務處理、靜息態 EEG 以及癲癇和中風等疾病的檢測）中的每一個都顯著優於現有的尖端方法。
這一成功為開發一個能夠推廣到各種任務和應用的 EEG 數據基礎模型開闢了可能性，從而突破了 EEG 分析領域所能實現的極限。
我們很高興地宣布，論文《EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs》已被享有盛譽的 KDD 2024 大會接受並發表。
Navid Foumani 是第一作者。共同作者包括 Mahsa Salehi 博士（蒙納許大學）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 資助了博士候選人 Navid Foumani，他一直在澳大利亞墨爾本蒙納許大學的 Mahsa Salehi 博士指導下，致力於將深度學習方法應用於 EEG 數據。Navid 與我們的團隊密切合作，開發了一種名為 EEG2Rep 的新型自監督架構，這在 EEG 數據建模方面具有巨大的前景。
作為 5 個 EEG 數據集之一，Navid 將這些方法應用於我們的駕駛員注意力數據：18 名受試者 x 45 分鐘的模擬駕駛，其中包含駕駛體驗中常見的間歇性干擾（手機來電、簡訊、導航、音樂選擇、交談、即時心算等）。我們的駕駛員注意力演算法在 2013 年使用最先进的機器學習方法交付，準確度指標為 68%。
我們在 2015 年資助了 Mahsa 在墨爾本大學攻讀博士學位期間的研究，並向她提供了相同的數據集。她成功地利用集成方法將準確度指標提高到 72%。
EEG2Rep 模型被應用於駕駛員分心數據集，並取得了迄今為止最高的準確度 80.07%，這是一個實質性的改進。此外，該模型在五個公開數據集（包括情緒和心理狀態檢測、多任務處理、靜息態 EEG 以及癲癇和中風等疾病的檢測）中的每一個都顯著優於現有的尖端方法。
這一成功為開發一個能夠推廣到各種任務和應用的 EEG 數據基礎模型開闢了可能性，從而突破了 EEG 分析領域所能實現的極限。
我們很高興地宣布，論文《EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs》已被享有盛譽的 KDD 2024 大會接受並發表。
Navid Foumani 是第一作者。共同作者包括 Mahsa Salehi 博士（蒙納許大學）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 資助了博士候選人 Navid Foumani，他一直在澳大利亞墨爾本蒙納許大學的 Mahsa Salehi 博士指導下，致力於將深度學習方法應用於 EEG 數據。Navid 與我們的團隊密切合作，開發了一種名為 EEG2Rep 的新型自監督架構，這在 EEG 數據建模方面具有巨大的前景。
作為 5 個 EEG 數據集之一，Navid 將這些方法應用於我們的駕駛員注意力數據：18 名受試者 x 45 分鐘的模擬駕駛，其中包含駕駛體驗中常見的間歇性干擾（手機來電、簡訊、導航、音樂選擇、交談、即時心算等）。我們的駕駛員注意力演算法在 2013 年使用最先进的機器學習方法交付，準確度指標為 68%。
我們在 2015 年資助了 Mahsa 在墨爾本大學攻讀博士學位期間的研究，並向她提供了相同的數據集。她成功地利用集成方法將準確度指標提高到 72%。
EEG2Rep 模型被應用於駕駛員分心數據集，並取得了迄今為止最高的準確度 80.07%，這是一個實質性的改進。此外，該模型在五個公開數據集（包括情緒和心理狀態檢測、多任務處理、靜息態 EEG 以及癲癇和中風等疾病的檢測）中的每一個都顯著優於現有的尖端方法。
這一成功為開發一個能夠推廣到各種任務和應用的 EEG 數據基礎模型開闢了可能性，從而突破了 EEG 分析領域所能實現的極限。