挑戰您的記憶力！在Emotiv App中玩新的N-Back遊戲
EEG2Rep：一種自我監督式人工智能架構，用於EEG數據建模
Heidi Duran
分享：
我們很高興地宣布，論文 “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” 已被接受在著名的KDD 2024 會議上進行展示。
Navid Foumani 是首席作者。共同作者包括 Mahsa Salehi 博士（蒙納士大學）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 贊助 Navid Foumani，他是一名博士候選人，在蒙納士大學 Mahsa Salehi 博士的指導下，一直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，開發了一種稱為 EEG2Rep 的新型自我監督架構，這對於建模 EEG 數據非常有前景。
作為 5 種 EEG 數據集之一，Navid 將這些方法應用於我們的駕駛者注意力數據：18 名受試者 x 45 分鐘的模擬駕駛，間歇性幹擾因素為駕駛體驗中典型的（電話來電、短信、導航、音樂選擇、談話、即時心算等）。2013 年，我們的駕駛者注意力算法通過先進的機器學習方法達到了 68% 的準確性指標。
2015 年，我們在墨爾本大學贊助 Mahsa 完成她的博士學業，並向她提供了相同的數據集。她通過集成方法將準確性指標提高到了 72%。
EEG2Rep 模型應用於駕駛者分心數據集，達到了迄今為止最高的準確率，80.07%，這是一個顯著的提高。此外，該模型在五個公共數據集中的每一個上都大大優於當前最先進的方法，包括情感和心理狀態檢測、多任務處理、靜息狀態 EEG，以及癲癇和中風等醫學狀況的檢測。
這一成功開啟了開發一個能夠在各種任務和應用中通用的 EEG 資料基礎模型的可能性，推動了 EEG 分析領域可以達成的成就界限。
我們很高興地宣布，論文 “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” 已被接受在著名的KDD 2024 會議上進行展示。
Navid Foumani 是首席作者。共同作者包括 Mahsa Salehi 博士（蒙納士大學）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 贊助 Navid Foumani，他是一名博士候選人，在蒙納士大學 Mahsa Salehi 博士的指導下，一直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，開發了一種稱為 EEG2Rep 的新型自我監督架構，這對於建模 EEG 數據非常有前景。
作為 5 種 EEG 數據集之一，Navid 將這些方法應用於我們的駕駛者注意力數據：18 名受試者 x 45 分鐘的模擬駕駛，間歇性幹擾因素為駕駛體驗中典型的（電話來電、短信、導航、音樂選擇、談話、即時心算等）。2013 年，我們的駕駛者注意力算法通過先進的機器學習方法達到了 68% 的準確性指標。
2015 年，我們在墨爾本大學贊助 Mahsa 完成她的博士學業，並向她提供了相同的數據集。她通過集成方法將準確性指標提高到了 72%。
EEG2Rep 模型應用於駕駛者分心數據集，達到了迄今為止最高的準確率，80.07%，這是一個顯著的提高。此外，該模型在五個公共數據集中的每一個上都大大優於當前最先進的方法，包括情感和心理狀態檢測、多任務處理、靜息狀態 EEG，以及癲癇和中風等醫學狀況的檢測。
這一成功開啟了開發一個能夠在各種任務和應用中通用的 EEG 資料基礎模型的可能性，推動了 EEG 分析領域可以達成的成就界限。
我們很高興地宣布，論文 “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” 已被接受在著名的KDD 2024 會議上進行展示。
Navid Foumani 是首席作者。共同作者包括 Mahsa Salehi 博士（蒙納士大學）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 贊助 Navid Foumani，他是一名博士候選人，在蒙納士大學 Mahsa Salehi 博士的指導下，一直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，開發了一種稱為 EEG2Rep 的新型自我監督架構，這對於建模 EEG 數據非常有前景。
作為 5 種 EEG 數據集之一，Navid 將這些方法應用於我們的駕駛者注意力數據：18 名受試者 x 45 分鐘的模擬駕駛，間歇性幹擾因素為駕駛體驗中典型的（電話來電、短信、導航、音樂選擇、談話、即時心算等）。2013 年，我們的駕駛者注意力算法通過先進的機器學習方法達到了 68% 的準確性指標。
2015 年，我們在墨爾本大學贊助 Mahsa 完成她的博士學業，並向她提供了相同的數據集。她通過集成方法將準確性指標提高到了 72%。
EEG2Rep 模型應用於駕駛者分心數據集，達到了迄今為止最高的準確率，80.07%，這是一個顯著的提高。此外，該模型在五個公共數據集中的每一個上都大大優於當前最先進的方法，包括情感和心理狀態檢測、多任務處理、靜息狀態 EEG，以及癲癇和中風等醫學狀況的檢測。
這一成功開啟了開發一個能夠在各種任務和應用中通用的 EEG 資料基礎模型的可能性，推動了 EEG 分析領域可以達成的成就界限。
繼續閱讀
