EEG2Rep：一种用于EEG数据建模的自监督AI架构

我们很高兴地宣布，论文“EEG2Rep: 通过信息性遮罩输入增强自监督EEG表示”已被接受在享有盛誉的 KDD 2024 会议上进行展示。

Navid Foumani 是主要作者。合著者包括 Dr. Mahsa Salehi（莫纳什大学）、Dr. Geoffrey Mackellar、Dr. Soheila Ghane、Dr. Saad Irtza 和 Dr. Nam Nguyen（EMOTIV Research, Pty Ltd）。

阅读论文

查看代码

EMOTIV 赞助了 Navid Foumani，这位正在攻读博士学位的候选人一直在 Dr. Mahsa Salehi 的指导下，致力于将深度学习方法应用于 EEG 数据，工作地点位于澳大利亚墨尔本的莫纳什大学。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，对建模 EEG 数据具有极大的潜力。

作为 5 个 EEG 数据集之一，Navid 将这些方法应用于我们的驾驶注意力数据：18 名受试者 x 45 分钟的模拟驾驶，伴有典型的驾驶体验中的间歇性干扰因素（手机通话、短信、导航、音乐选择、对话、实时心理计算等）。我们的驾驶注意力算法在 2013 年使用先进的机器学习方法实现了 68% 的准确率。

我们在 2015 年资助 Mahsa 的博士学位，提供给她相同的数据集。她成功地将准确率提高到 72%，使用了集成方法。

EEG2Rep 模型被应用于驾驶分心数据集，并实现了迄今为止最高的准确率，达到了 80.07%，这在很大程度上提高了准确率。此外，该模型在五个公共数据集中显著超过了最先进的方法，包括情感和心理状态检测、多任务处理、静息状态 EEG 和检测癫痫和中风等医疗条件。

这一成功为开发通用EEG数据基础模型开辟了可能性，该模型可以跨各种任务和应用进行泛化，推动EEG分析领域所能实现的界限。