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”被接受在著名的KDD 2024 大會上展示。
Navid Foumani 是第一作者。共同作者包括 Dr. Mahsa Salehi（蒙納士大學）、Dr. Geoffrey Mackellar、Dr. Soheila Ghane、Dr. Saad Irtza 和 Dr. Nam Nguyen（Emotiv Research, Pty Ltd）。
Emotiv 資助了 Navid Foumani，一位博士生，他在蒙納士大學 Mahsa Salehi 博士的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，開發了一種新穎的自我監督架構，稱為 EEG2Rep，這對於 EEG 數據建模來說具有極大的潛力。
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 位受試者 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（手機通話、短信、導航、音樂選擇、談話、即時心算等）。我們的駕駛員注意力算法在 2013 年以 68% 的準確性指標交付，使用最先進的機器學習方法。
我們於 2015 年在墨爾本大學攻讀博士期間資助了 Mahsa，為她提供了相同的數據集。她成功地使用集成方法將準確性指標提高到 72%。
EEG2Rep 模型應用於駕駛員分心數據集，達到了迄今為止最高的準確性，80.07%，這是一個巨大的提升。此外，該模型在包括情緒和精神狀態檢測、多任務處理、靜息狀態 EEG 和其他醫學狀況，如癲癇和中風在內的五個公共數據集中都顯著優於最先進的方法。
這一成功開創了開發一種能夠跨各種任務和應用泛化的 EEG 數據基礎模型的可能性，推動了 EEG 分析領域可實現的邊界。
我們很高興地宣布，論文“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs”被接受在著名的KDD 2024 大會上展示。
Navid Foumani 是第一作者。共同作者包括 Dr. Mahsa Salehi（蒙納士大學）、Dr. Geoffrey Mackellar、Dr. Soheila Ghane、Dr. Saad Irtza 和 Dr. Nam Nguyen（Emotiv Research, Pty Ltd）。
Emotiv 資助了 Navid Foumani，一位博士生，他在蒙納士大學 Mahsa Salehi 博士的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，開發了一種新穎的自我監督架構，稱為 EEG2Rep，這對於 EEG 數據建模來說具有極大的潛力。
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 位受試者 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（手機通話、短信、導航、音樂選擇、談話、即時心算等）。我們的駕駛員注意力算法在 2013 年以 68% 的準確性指標交付，使用最先進的機器學習方法。
我們於 2015 年在墨爾本大學攻讀博士期間資助了 Mahsa，為她提供了相同的數據集。她成功地使用集成方法將準確性指標提高到 72%。
EEG2Rep 模型應用於駕駛員分心數據集，達到了迄今為止最高的準確性，80.07%，這是一個巨大的提升。此外，該模型在包括情緒和精神狀態檢測、多任務處理、靜息狀態 EEG 和其他醫學狀況，如癲癇和中風在內的五個公共數據集中都顯著優於最先進的方法。
這一成功開創了開發一種能夠跨各種任務和應用泛化的 EEG 數據基礎模型的可能性，推動了 EEG 分析領域可實現的邊界。
我們很高興地宣布，論文“EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs”被接受在著名的KDD 2024 大會上展示。
Navid Foumani 是第一作者。共同作者包括 Dr. Mahsa Salehi（蒙納士大學）、Dr. Geoffrey Mackellar、Dr. Soheila Ghane、Dr. Saad Irtza 和 Dr. Nam Nguyen（Emotiv Research, Pty Ltd）。
Emotiv 資助了 Navid Foumani，一位博士生，他在蒙納士大學 Mahsa Salehi 博士的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，開發了一種新穎的自我監督架構，稱為 EEG2Rep，這對於 EEG 數據建模來說具有極大的潛力。
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 位受試者 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（手機通話、短信、導航、音樂選擇、談話、即時心算等）。我們的駕駛員注意力算法在 2013 年以 68% 的準確性指標交付，使用最先進的機器學習方法。
我們於 2015 年在墨爾本大學攻讀博士期間資助了 Mahsa，為她提供了相同的數據集。她成功地使用集成方法將準確性指標提高到 72%。
EEG2Rep 模型應用於駕駛員分心數據集，達到了迄今為止最高的準確性，80.07%，這是一個巨大的提升。此外，該模型在包括情緒和精神狀態檢測、多任務處理、靜息狀態 EEG 和其他醫學狀況，如癲癇和中風在內的五個公共數據集中都顯著優於最先進的方法。
這一成功開創了開發一種能夠跨各種任務和應用泛化的 EEG 數據基礎模型的可能性，推動了 EEG 分析領域可實現的邊界。
