একটি মোবাইল ইইজি সেন্সরের সাহায্যে মেন্টাল ওয়ার্কলোড ট্র্যাকিং - Emotiv

একটি মোবাইল ইইজি সেন্সরের সাহায্যে মানসিক কাজের চাপ ট্র্যাকিং

কোক মিন লাই

সর্বশেষ আপডেট

আগ, ২০২১

একটি মোবাইল ইইজি সেন্সরের সাহায্যে মেন্টাল ওয়ার্কলোড ট্র্যাকিং - Emotiv

একটি মোবাইল ইইজি সেন্সরের সাহায্যে মানসিক কাজের চাপ ট্র্যাকিং

কোক মিন লাই

সর্বশেষ আপডেট

আগ, ২০২১

একটি মোবাইল ইইজি সেন্সরের সাহায্যে মেন্টাল ওয়ার্কলোড ট্র্যাকিং - Emotiv

একটি মোবাইল ইইজি সেন্সরের সাহায্যে মানসিক কাজের চাপ ট্র্যাকিং

কোক মিন লাই

সর্বশেষ আপডেট

আগ, ২০২১

বিমূর্ত (Abstract)

বর্তমান অনুসন্ধানের উদ্দেশ্য ছিল এটি মূল্যায়ন করা যে মোবাইল ইলেক্ট্রোএনসেফালোগ্রাফি (EEG) সেটআপ মানসিক কাজের চাপকে ট্র্যাক করতে ব্যবহার করা যেতে পারে কিনা, যা শেখার কার্যকারিতা এবং অনুপ্রেরণার একটি গুরুত্বপূর্ণ দিক এবং এটি জ্ঞানীয় প্রশিক্ষণ পদ্ধতির মূল্যায়নে তথ্যের একটি মূল্যবান উৎস হিসেবে উপস্থাপন করতে পারে।

পঁচিশ জন সুস্থ ব্যক্তি দুটি মূল্যায়নের সময়ে, ট্যাবলেট-ভিত্তিক টাস্ক উপস্থাপনা এবং একটি স্বয়ংক্রিয়ভাবে মাউন্ট করা মোবাইল EEG ডিভাইসের সাহায্যে EEG ডেটা সংগ্রহ সহ একটি সম্পূর্ণ মোবাইল সেটআপ ব্যবহার করে একটি তিন-স্তরের N-back পরীক্ষা সম্পন্ন করেছেন। জ্ঞানীয় চাপের স্তরগুলিকে আলাদা করার জন্য ভিন্নধর্মী বিশ্লেষণযুক্ত একটি দ্বি-মুখী বিশ্লেষণ পদ্ধতি বেছে নেওয়া হয়েছিল যার মধ্যে একটি সাধারণ ভিন্নতার বিশ্লেষণ এবং একটি কৃত্রিম নিউরাল নেটওয়ার্ক অন্তর্ভুক্ত ছিল। আমাদের অনুসন্ধানগুলি নির্দেশ করে যে এই সেটআপটি জ্ঞানীয় চাপের পরিবর্তনগুলি সনাক্ত করার জন্য কার্যকর, যা বিভিন্ন ফ্রিকোয়েন্সি ব্যান্ডে লোব জুড়ে পরিবর্তনের মাধ্যমে প্রতিফলিত হয়। বিশেষ করে, আমরা জ্ঞানীয় চাপ বৃদ্ধির সাথে অবসিপিটাল আলফা (occipital alpha) হ্রাস এবং ফ্রন্টাল, প্যারিয়েটাল এবং অবসিপিটাল থিটা (theta) বৃদ্ধি লক্ষ্য করেছি। জ্ঞানীয় চাপের সবচেয়ে বিশিষ্ট স্তরগুলিকে ৮৬% নির্ভুলতার সাথে সমন্বিত মেশিন লার্নিং মডেলগুলির দ্বারা আলাদা করা সম্ভব হয়েছে।

উপসংহার

বর্তমান অনুসন্ধানে, আমরা জ্ঞানীয় চাপ সনাক্ত করতে EEG রেকর্ডিংয়ের সাথে জ্ঞানীয় প্রশিক্ষণ কাজগুলির জন্য একটি সম্পূর্ণ মোবাইল সেটআপ পরীক্ষা করেছি। সেটআপটি একটি মোবাইল EEG ডিভাইসের উপর ভিত্তি করে একটি ট্যাবলেটের সাথে যুক্ত ছিল যাতে সহজ মাউন্টিং এবং স্ব-পরীক্ষা করার অনুমতি দেওয়ার জন্য জ্ঞানীয় টাস্কটি স্ক্রিনে প্রদর্শন করা যায়। আচরণগত ডেটা বিশ্লেষণ কাজের কঠিনতার উপর ভিত্তি করে কাজের কর্মক্ষমতার মধ্যে পার্থক্য নিশ্চিত করেছে। তদুপরি, আমরা আমাদের মূল অনুমানকে নিশ্চিত করে টাস্কটির উচ্চতর কঠিনতার উপর অবসিপিটাল আলফা ফ্রিকোয়েন্সি ব্যান্ড শক্তি হ্রাস এবং ফ্রন্টাল থিটা ফ্রিকোয়েন্সি ব্যান্ড শক্তি বৃদ্ধি পেয়েছি। এছাড়াও, স্বয়ংক্রিয় জ্ঞানীয় প্রচেষ্টা শ্রেণীবিভাগ প্রকাশ করেছে যে মেশিন লার্নিং পদ্ধতি ৮৬% নির্ভুলতার সাথে জ্ঞানীয় চাপের সবচেয়ে বিশিষ্ট স্তরগুলির মধ্যে পার্থক্য করতে পারে। আমাদের অনুসন্ধানগুলি ব্যান্ড শক্তির পরিবর্তনের দ্বারা প্রতিফলিত জ্ঞানীয় চাপের বিভিন্ন স্তর সনাক্ত করতে সম্পূর্ণ মোবাইল সেটআপের সম্ভাব্যতা নির্দেশ করে। উপরন্তু, ইলেক্ট্রোড মাউন্ট করার প্রাথমিক ব্যক্তিগত প্রশিক্ষণ সেশনের সাথে বিষয়ভিত্তিক মূল্যায়িত ব্যবহারযোগ্যতা পর্যাপ্ত। বিস্তৃত বয়সের গ্রুপ এবং বিভিন্ন রোগীর গ্রুপ সহ আরও বৈচিত্র্যময় নমুনায় ফলাফলগুলি মূল্যায়ন করার জন্য ভবিষ্যতের অনুসন্ধানের প্রয়োজন রয়েছে।

সম্পূর্ণ নিবন্ধটি এখানে পড়ুন

বিমূর্ত (Abstract)

বর্তমান অনুসন্ধানের উদ্দেশ্য ছিল এটি মূল্যায়ন করা যে মোবাইল ইলেক্ট্রোএনসেফালোগ্রাফি (EEG) সেটআপ মানসিক কাজের চাপকে ট্র্যাক করতে ব্যবহার করা যেতে পারে কিনা, যা শেখার কার্যকারিতা এবং অনুপ্রেরণার একটি গুরুত্বপূর্ণ দিক এবং এটি জ্ঞানীয় প্রশিক্ষণ পদ্ধতির মূল্যায়নে তথ্যের একটি মূল্যবান উৎস হিসেবে উপস্থাপন করতে পারে।

পঁচিশ জন সুস্থ ব্যক্তি দুটি মূল্যায়নের সময়ে, ট্যাবলেট-ভিত্তিক টাস্ক উপস্থাপনা এবং একটি স্বয়ংক্রিয়ভাবে মাউন্ট করা মোবাইল EEG ডিভাইসের সাহায্যে EEG ডেটা সংগ্রহ সহ একটি সম্পূর্ণ মোবাইল সেটআপ ব্যবহার করে একটি তিন-স্তরের N-back পরীক্ষা সম্পন্ন করেছেন। জ্ঞানীয় চাপের স্তরগুলিকে আলাদা করার জন্য ভিন্নধর্মী বিশ্লেষণযুক্ত একটি দ্বি-মুখী বিশ্লেষণ পদ্ধতি বেছে নেওয়া হয়েছিল যার মধ্যে একটি সাধারণ ভিন্নতার বিশ্লেষণ এবং একটি কৃত্রিম নিউরাল নেটওয়ার্ক অন্তর্ভুক্ত ছিল। আমাদের অনুসন্ধানগুলি নির্দেশ করে যে এই সেটআপটি জ্ঞানীয় চাপের পরিবর্তনগুলি সনাক্ত করার জন্য কার্যকর, যা বিভিন্ন ফ্রিকোয়েন্সি ব্যান্ডে লোব জুড়ে পরিবর্তনের মাধ্যমে প্রতিফলিত হয়। বিশেষ করে, আমরা জ্ঞানীয় চাপ বৃদ্ধির সাথে অবসিপিটাল আলফা (occipital alpha) হ্রাস এবং ফ্রন্টাল, প্যারিয়েটাল এবং অবসিপিটাল থিটা (theta) বৃদ্ধি লক্ষ্য করেছি। জ্ঞানীয় চাপের সবচেয়ে বিশিষ্ট স্তরগুলিকে ৮৬% নির্ভুলতার সাথে সমন্বিত মেশিন লার্নিং মডেলগুলির দ্বারা আলাদা করা সম্ভব হয়েছে।

উপসংহার

বর্তমান অনুসন্ধানে, আমরা জ্ঞানীয় চাপ সনাক্ত করতে EEG রেকর্ডিংয়ের সাথে জ্ঞানীয় প্রশিক্ষণ কাজগুলির জন্য একটি সম্পূর্ণ মোবাইল সেটআপ পরীক্ষা করেছি। সেটআপটি একটি মোবাইল EEG ডিভাইসের উপর ভিত্তি করে একটি ট্যাবলেটের সাথে যুক্ত ছিল যাতে সহজ মাউন্টিং এবং স্ব-পরীক্ষা করার অনুমতি দেওয়ার জন্য জ্ঞানীয় টাস্কটি স্ক্রিনে প্রদর্শন করা যায়। আচরণগত ডেটা বিশ্লেষণ কাজের কঠিনতার উপর ভিত্তি করে কাজের কর্মক্ষমতার মধ্যে পার্থক্য নিশ্চিত করেছে। তদুপরি, আমরা আমাদের মূল অনুমানকে নিশ্চিত করে টাস্কটির উচ্চতর কঠিনতার উপর অবসিপিটাল আলফা ফ্রিকোয়েন্সি ব্যান্ড শক্তি হ্রাস এবং ফ্রন্টাল থিটা ফ্রিকোয়েন্সি ব্যান্ড শক্তি বৃদ্ধি পেয়েছি। এছাড়াও, স্বয়ংক্রিয় জ্ঞানীয় প্রচেষ্টা শ্রেণীবিভাগ প্রকাশ করেছে যে মেশিন লার্নিং পদ্ধতি ৮৬% নির্ভুলতার সাথে জ্ঞানীয় চাপের সবচেয়ে বিশিষ্ট স্তরগুলির মধ্যে পার্থক্য করতে পারে। আমাদের অনুসন্ধানগুলি ব্যান্ড শক্তির পরিবর্তনের দ্বারা প্রতিফলিত জ্ঞানীয় চাপের বিভিন্ন স্তর সনাক্ত করতে সম্পূর্ণ মোবাইল সেটআপের সম্ভাব্যতা নির্দেশ করে। উপরন্তু, ইলেক্ট্রোড মাউন্ট করার প্রাথমিক ব্যক্তিগত প্রশিক্ষণ সেশনের সাথে বিষয়ভিত্তিক মূল্যায়িত ব্যবহারযোগ্যতা পর্যাপ্ত। বিস্তৃত বয়সের গ্রুপ এবং বিভিন্ন রোগীর গ্রুপ সহ আরও বৈচিত্র্যময় নমুনায় ফলাফলগুলি মূল্যায়ন করার জন্য ভবিষ্যতের অনুসন্ধানের প্রয়োজন রয়েছে।

সম্পূর্ণ নিবন্ধটি এখানে পড়ুন

বিমূর্ত (Abstract)

বর্তমান অনুসন্ধানের উদ্দেশ্য ছিল এটি মূল্যায়ন করা যে মোবাইল ইলেক্ট্রোএনসেফালোগ্রাফি (EEG) সেটআপ মানসিক কাজের চাপকে ট্র্যাক করতে ব্যবহার করা যেতে পারে কিনা, যা শেখার কার্যকারিতা এবং অনুপ্রেরণার একটি গুরুত্বপূর্ণ দিক এবং এটি জ্ঞানীয় প্রশিক্ষণ পদ্ধতির মূল্যায়নে তথ্যের একটি মূল্যবান উৎস হিসেবে উপস্থাপন করতে পারে।

পঁচিশ জন সুস্থ ব্যক্তি দুটি মূল্যায়নের সময়ে, ট্যাবলেট-ভিত্তিক টাস্ক উপস্থাপনা এবং একটি স্বয়ংক্রিয়ভাবে মাউন্ট করা মোবাইল EEG ডিভাইসের সাহায্যে EEG ডেটা সংগ্রহ সহ একটি সম্পূর্ণ মোবাইল সেটআপ ব্যবহার করে একটি তিন-স্তরের N-back পরীক্ষা সম্পন্ন করেছেন। জ্ঞানীয় চাপের স্তরগুলিকে আলাদা করার জন্য ভিন্নধর্মী বিশ্লেষণযুক্ত একটি দ্বি-মুখী বিশ্লেষণ পদ্ধতি বেছে নেওয়া হয়েছিল যার মধ্যে একটি সাধারণ ভিন্নতার বিশ্লেষণ এবং একটি কৃত্রিম নিউরাল নেটওয়ার্ক অন্তর্ভুক্ত ছিল। আমাদের অনুসন্ধানগুলি নির্দেশ করে যে এই সেটআপটি জ্ঞানীয় চাপের পরিবর্তনগুলি সনাক্ত করার জন্য কার্যকর, যা বিভিন্ন ফ্রিকোয়েন্সি ব্যান্ডে লোব জুড়ে পরিবর্তনের মাধ্যমে প্রতিফলিত হয়। বিশেষ করে, আমরা জ্ঞানীয় চাপ বৃদ্ধির সাথে অবসিপিটাল আলফা (occipital alpha) হ্রাস এবং ফ্রন্টাল, প্যারিয়েটাল এবং অবসিপিটাল থিটা (theta) বৃদ্ধি লক্ষ্য করেছি। জ্ঞানীয় চাপের সবচেয়ে বিশিষ্ট স্তরগুলিকে ৮৬% নির্ভুলতার সাথে সমন্বিত মেশিন লার্নিং মডেলগুলির দ্বারা আলাদা করা সম্ভব হয়েছে।

উপসংহার

বর্তমান অনুসন্ধানে, আমরা জ্ঞানীয় চাপ সনাক্ত করতে EEG রেকর্ডিংয়ের সাথে জ্ঞানীয় প্রশিক্ষণ কাজগুলির জন্য একটি সম্পূর্ণ মোবাইল সেটআপ পরীক্ষা করেছি। সেটআপটি একটি মোবাইল EEG ডিভাইসের উপর ভিত্তি করে একটি ট্যাবলেটের সাথে যুক্ত ছিল যাতে সহজ মাউন্টিং এবং স্ব-পরীক্ষা করার অনুমতি দেওয়ার জন্য জ্ঞানীয় টাস্কটি স্ক্রিনে প্রদর্শন করা যায়। আচরণগত ডেটা বিশ্লেষণ কাজের কঠিনতার উপর ভিত্তি করে কাজের কর্মক্ষমতার মধ্যে পার্থক্য নিশ্চিত করেছে। তদুপরি, আমরা আমাদের মূল অনুমানকে নিশ্চিত করে টাস্কটির উচ্চতর কঠিনতার উপর অবসিপিটাল আলফা ফ্রিকোয়েন্সি ব্যান্ড শক্তি হ্রাস এবং ফ্রন্টাল থিটা ফ্রিকোয়েন্সি ব্যান্ড শক্তি বৃদ্ধি পেয়েছি। এছাড়াও, স্বয়ংক্রিয় জ্ঞানীয় প্রচেষ্টা শ্রেণীবিভাগ প্রকাশ করেছে যে মেশিন লার্নিং পদ্ধতি ৮৬% নির্ভুলতার সাথে জ্ঞানীয় চাপের সবচেয়ে বিশিষ্ট স্তরগুলির মধ্যে পার্থক্য করতে পারে। আমাদের অনুসন্ধানগুলি ব্যান্ড শক্তির পরিবর্তনের দ্বারা প্রতিফলিত জ্ঞানীয় চাপের বিভিন্ন স্তর সনাক্ত করতে সম্পূর্ণ মোবাইল সেটআপের সম্ভাব্যতা নির্দেশ করে। উপরন্তু, ইলেক্ট্রোড মাউন্ট করার প্রাথমিক ব্যক্তিগত প্রশিক্ষণ সেশনের সাথে বিষয়ভিত্তিক মূল্যায়িত ব্যবহারযোগ্যতা পর্যাপ্ত। বিস্তৃত বয়সের গ্রুপ এবং বিভিন্ন রোগীর গ্রুপ সহ আরও বৈচিত্র্যময় নমুনায় ফলাফলগুলি মূল্যায়ন করার জন্য ভবিষ্যতের অনুসন্ধানের প্রয়োজন রয়েছে।

সম্পূর্ণ নিবন্ধটি এখানে পড়ুন

পড়তে থাকুন

মানব-রোবট মিথস্ক্রিয়ায় মানুষের সন্তুষ্টি সনাক্ত করতে ব্রেন-কম্পিউটার ইন্টারফেস ব্যবহার করা