我们很高兴地宣布，论文《EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs》已被享有盛誉的 KDD 2024 会议录取并进行演讲。

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 Research, Pty Ltd）。

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 博士指导下，一直致力于将深度学习方法应用于脑电图（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，该架构在脑电图数据建模方面具有巨大的应用前景。

在 5 个脑电图数据集之一中，Navid 将这些方法应用到了我们的“驾驶员注意力”数据中：18 名受试者 x 45 分钟的模拟驾驶，并带有典型的驾驶干扰（手机来电、短信、导航、音乐选择、交谈、即时心算等）。我们的驾驶员注意力算法在 2013 年使用最先进的机器学习方法交付，准确率指标达到了 68%。

我们在 2015 年资助了 Mahsa 在墨尔本大学攻读博士期间的研究，并向她提供了相同的数据集。她通过使用集成方法，成功将准确率指标提高到了 72%。

EEG2Rep 模型应用于驾驶员分心数据集，并取得了迄今为止最高的准确率，达到 80.07%，这是一项实质性的提升。此外，该模型在五个公开数据集的每一个数据集中的表现都显著优于最先进的方法，这些数据集包括情绪和精神状态检测、多任务处理、静息态脑电图，以及癫痫和脑卒中等医疗状况的检测。

这一成功为开发一个能够推广到各种任务和应用的脑电图数据基础模型开辟了可能性，从而拓展了脑电图分析领域所能实现的界限。