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展示。

Navid Foumani 是第一作者。共同作者包括 Mahsa Salehi 博士（莫纳什大学）、Geoffrey Mackellar 博士、Soheila Ghane 博士、Saad Irtza 博士以及 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莫纳什大学的 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 与我们的团队紧密合作，开发了一种名为 EEG2Rep 的新型自监督架构，这在 EEG 数据建模方面具有巨大的前景。

作为 5 个 EEG 数据集之一，Navid 将这些方法应用到了我们的“驾驶员注意力”数据中：18 名受试者进行了时长 45 分钟的模拟驾驶，期间伴有驾驶过程中常见的间歇性干扰（电话、短信、导航、音乐选择、交谈、即时心算等）。在 2013 年，我们的驾驶员注意力算法采用当时最先进的机器学习方法，其准确率指标达到了 68%。 

我们在 2015 年资助了 Mahsa 在墨尔本大学攻读博士学位期间的研究，并为她提供了相同的数据集。她通过使用集成学习方法成功将准确率指标提升至 72%。

EEG2Rep 模型被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上都显著优于最先进的方法，涵盖了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中风等医疗状况的检测。

这一成功为开发一个可跨各种任务和应用进行泛化的 EEG 数据基础模型开辟了可能性，从而推向了脑电图分析领域所能达到的新边界。