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 Conference 接受發表。

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）。

閱讀論文

查看代碼

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腦電圖 (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 數據建模方面具有極大的前景。

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 名受試者進行 45 分鐘的模擬駕駛，期間伴隨駕駛過程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）。2013 年，我們的駕駛員注意力演算法利用當時最先進的機器學習方法，達到了 68% 的準確度指標。

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，並為她提供了相同的數據集。她成功利用集成方法將準確度指標提升至 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%，這是一個實質性的提升。此外，該模型在五個公開數據集的每一個中都顯著優於現有最先進的方法，這些數據集包括情緒和精神狀態檢測、多任務處理、靜息態 EEG，以及癲癇和中風等醫療狀況的檢測。

這一成功為開發 EEG 數據的基礎模型奠定了基礎，該模型可以推廣到各種任務和應用中，從而推動了 EEG 分析領域所能取得成就的極限。