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: 通过信息丰富的掩蔽输入增强自监督EEG表示”已被接受在享有盛誉的 KDD 2024会议 上进行展示。

Navid Foumani 是第一作者。共同作者包括Dr. Mahsa Salehi（莫纳什大学）、Dr. Geoffrey Mackellar、Dr. Soheila Ghane、Dr. Saad Irtza 和 Dr. Nam Nguyen（EMOTIV研究公司）。

阅读论文

查看代码

EMOTIV赞助Navid Foumani，他是一名博士候选人，正在在莫纳什大学（澳大利亚墨尔本）在Dr. Mahsa Salehi的指导下，应用深度学习方法处理EEG数据。Navid与我们的团队密切合作，开发了一种新颖的自监督架构，称为EEG2Rep，这对于建模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个受试者 x 45分钟的模拟驾驶，伴随典型驾驶体验的间歇性干扰（手机呼叫、短信、导航、音乐选择、对话、即时心理计算等）。我们的驾驶注意力算法在2013年以68%的准确率指标交付，采用了当时最先进的机器学习方法。

我们在2015年赞助Mahsa的博士学习，提供给她相同的数据集。她成功地利用集成方法将准确率指标提高到72%。

EEG2Rep模型应用于驾驶分心数据集，取得了迄今为止最高的准确率，达到80.07%，这是一项显著的提升。此外，该模型在五个公共数据集中显著超越了最先进的方法，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状况。

这一成功为开发一种适用于EEG数据的基础模型开辟了可能性，该模型可以在各种任务和应用中进行泛化，推动EEG分析领域的界限。