我们很高兴地宣布，论文《EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs》已获著名的 KDD 2024 会议录取并进行演示。

Navid Foumani 是第一作者。共同作者包括 Mahsa Salehi 博士（蒙纳士大学）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士和 Nam Nguyen 博士（Emotiv 研究有限公司）。

阅读论文

查看代码

Emotiv 资助了博士生 Navid Foumani，他在澳大利亚墨尔本蒙纳士大学的 Mahsa Salehi 博士的指导下，一直致力于将深度学习方法应用于 EEG 数据。Navid 与我们的团队密切合作，开发了一种名为 EEG2Rep 的新型自监督架构，该架构在 EEG 数据建模方面有着极大的应用前景。

在 5 个 EEG 数据集中，Navid 将这些方法应用到了我们的驾驶员注意力数据：18 名受试者 x 45 分钟的模拟驾驶，伴有驾驶体验中典型的间歇性干扰物（拨打电话、收发短信、导航、选择音乐、交谈、即时心算等）。在 2013 年，我们的驾驶员注意力算法采用最先进的机器学习方法，实现了 68% 的准确率指标。

2015 年，我们资助了 Mahsa 在墨尔本大学攻读博士学位期间的研究，并向她提供了相同的数据集。通过使用集成学习方法，她成功将准确率指标提高到了 72%。

将 EEG2Rep 模型应用于驾驶员注意力分散数据集后，取得了迄今为止最高的准确率 80.07%，这是一个实质性的提升。此外，该模型在五个公开数据集中的每一个数据集上的表现都显著优于最先进的方法，包括情绪和精神状态检测、多任务处理、静息态 EEG 以及癫痫和中风等医学状况的检测。

这一成功为开发 EEG 数据的基座模型开辟了可能性，该模型可以跨各种任务和应用进行泛化，从而推动了 EEG 分析领域所能达到的极限。