EEG2Rep：一種自我監督式人工智能架構，用於EEG數據建模
H.B. Duran
更新於
2024年5月22日
EEG2Rep：一種自我監督式人工智能架構，用於EEG數據建模
H.B. Duran
更新於
2024年5月22日
EEG2Rep：一種自我監督式人工智能架構，用於EEG數據建模
H.B. Duran
更新於
2024年5月22日
我們很高興宣布，論文“EEG2Rep: 透過具資訊性的遮罩輸入增強自監督式 EEG 表徵”已獲得在享有盛譽的 KDD 2024 會議發表的資格。
Navid Foumani 是主要作者。共同作者包括 Mahsa Salehi 博士（Monash University）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士，以及 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 資助了 Navid Foumani——一位博士生，他在 Mahsa Salehi 博士於澳洲墨爾本的 Monash University 指導下，一直致力於將深度學習方法應用於 EEG 資料。Navid 與我們的團隊密切合作，開發出一種稱為 EEG2Rep 的新型自監督式架構，對 EEG 資料建模極具潛力。
作為 5 個 EEG 資料集之一，Navid 將這些方法應用於我們的駕駛注意力資料：18 名受試者 × 45 分鐘的模擬駕駛，伴隨駕駛過程中常見的間歇性干擾（行動電話、簡訊、導航、音樂選擇、交談、即席心算等）。我們的駕駛注意力演算法於 2013 年使用最先進的機器學習方法，以 68% 的準確率指標交付。
我們在 2015 年贊助了 Mahsa 於墨爾本大學攻讀博士學位，並提供她相同的資料集。她運用集成方法，將準確率指標提升至 72%。
EEG2Rep 模型被應用於駕駛分心資料集，並達到迄今最高準確率 80.07%，有顯著提升。此外，該模型在五個公開資料集上都顯著優於最先進的方法，包括情緒與心理狀態偵測、多工處理、靜息態 EEG，以及癲癇與中風等醫療狀況的偵測。
這項成功為開發一個可跨多種任務與應用泛化的 EEG 資料基礎模型開啟了可能性，進一步推動 EEG 分析領域的極限。
我們很高興宣布，論文“EEG2Rep: 透過具資訊性的遮罩輸入增強自監督式 EEG 表徵”已獲得在享有盛譽的 KDD 2024 會議發表的資格。
Navid Foumani 是主要作者。共同作者包括 Mahsa Salehi 博士（Monash University）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士，以及 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 資助了 Navid Foumani——一位博士生，他在 Mahsa Salehi 博士於澳洲墨爾本的 Monash University 指導下，一直致力於將深度學習方法應用於 EEG 資料。Navid 與我們的團隊密切合作，開發出一種稱為 EEG2Rep 的新型自監督式架構，對 EEG 資料建模極具潛力。
作為 5 個 EEG 資料集之一，Navid 將這些方法應用於我們的駕駛注意力資料：18 名受試者 × 45 分鐘的模擬駕駛，伴隨駕駛過程中常見的間歇性干擾（行動電話、簡訊、導航、音樂選擇、交談、即席心算等）。我們的駕駛注意力演算法於 2013 年使用最先進的機器學習方法，以 68% 的準確率指標交付。
我們在 2015 年贊助了 Mahsa 於墨爾本大學攻讀博士學位，並提供她相同的資料集。她運用集成方法，將準確率指標提升至 72%。
EEG2Rep 模型被應用於駕駛分心資料集，並達到迄今最高準確率 80.07%，有顯著提升。此外，該模型在五個公開資料集上都顯著優於最先進的方法，包括情緒與心理狀態偵測、多工處理、靜息態 EEG，以及癲癇與中風等醫療狀況的偵測。
這項成功為開發一個可跨多種任務與應用泛化的 EEG 資料基礎模型開啟了可能性，進一步推動 EEG 分析領域的極限。
我們很高興宣布，論文“EEG2Rep: 透過具資訊性的遮罩輸入增強自監督式 EEG 表徵”已獲得在享有盛譽的 KDD 2024 會議發表的資格。
Navid Foumani 是主要作者。共同作者包括 Mahsa Salehi 博士（Monash University）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士，以及 Nam Nguyen 博士（Emotiv Research, Pty Ltd）。
Emotiv 資助了 Navid Foumani——一位博士生，他在 Mahsa Salehi 博士於澳洲墨爾本的 Monash University 指導下，一直致力於將深度學習方法應用於 EEG 資料。Navid 與我們的團隊密切合作，開發出一種稱為 EEG2Rep 的新型自監督式架構，對 EEG 資料建模極具潛力。
作為 5 個 EEG 資料集之一，Navid 將這些方法應用於我們的駕駛注意力資料：18 名受試者 × 45 分鐘的模擬駕駛，伴隨駕駛過程中常見的間歇性干擾（行動電話、簡訊、導航、音樂選擇、交談、即席心算等）。我們的駕駛注意力演算法於 2013 年使用最先進的機器學習方法，以 68% 的準確率指標交付。
我們在 2015 年贊助了 Mahsa 於墨爾本大學攻讀博士學位，並提供她相同的資料集。她運用集成方法，將準確率指標提升至 72%。
EEG2Rep 模型被應用於駕駛分心資料集，並達到迄今最高準確率 80.07%，有顯著提升。此外，該模型在五個公開資料集上都顯著優於最先進的方法，包括情緒與心理狀態偵測、多工處理、靜息態 EEG，以及癲癇與中風等醫療狀況的偵測。
這項成功為開發一個可跨多種任務與應用泛化的 EEG 資料基礎模型開啟了可能性，進一步推動 EEG 分析領域的極限。
