EEG2Rep: একটি স্ব-অভিযোজিত AI স্থাপত্য EEG ডেটা মডেলিংয়ের জন্য
এইচ.বি. ডুরান
সর্বশেষ আপডেট
২২ মে, ২০২৪
EEG2Rep: একটি স্ব-অভিযোজিত AI স্থাপত্য EEG ডেটা মডেলিংয়ের জন্য
এইচ.বি. ডুরান
সর্বশেষ আপডেট
২২ মে, ২০২৪
EEG2Rep: একটি স্ব-অভিযোজিত AI স্থাপত্য EEG ডেটা মডেলিংয়ের জন্য
এইচ.বি. ডুরান
সর্বশেষ আপডেট
২২ মে, ২০২৪
আমরা আনন্দের সঙ্গে ঘোষণা করছি যে “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” পেপারটি মর্যাদাপূর্ণ KDD 2024 Conference-এ উপস্থাপনার জন্য গৃহীত হয়েছে।
Navid Foumani প্রধান লেখক। সহলেখকরা হলেন Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, এবং Dr. Nam Nguyen (Emotiv Research, Pty Ltd)।
Emotiv Navid Foumani-কে স্পনসর করছে, যিনি একজন PhD candidate; তিনি অস্ট্রেলিয়ার Melbourne-এ Monash University-তে Dr. Mahsa Salehi-এর তত্ত্বাবধানে EEG ডেটায় ডিপ লার্নিং পদ্ধতি প্রয়োগ নিয়ে কাজ করছেন। Navid আমাদের দলের সঙ্গে ঘনিষ্ঠভাবে কাজ করে EEG2Rep নামে পরিচিত একটি নতুন self-supervised architecture তৈরি করেছেন, যা EEG ডেটা মডেলিংয়ের জন্য অত্যন্ত আশাব্যঞ্জক।
5টি EEG ডেটাসেটের একটি হিসেবে, Navid এই পদ্ধতিগুলি আমাদের Driver Attention ডেটায় প্রয়োগ করেছেন: 18 subjects x 45 minutes of simulated driving with intermittent distractors typical of a driving experience (mobile calls, text messages, navigation, music selection, conversation, mental calculations on the fly etc.)। 2013 সালে state-of-the-art machine learning methods ব্যবহার করে আমাদের Driver Attention অ্যালগরিদম 68% accuracy metric নিয়ে প্রদান করা হয়েছিল।
আমরা 2015 সালে Melbourne University-তে Mahsa-র PhD চলাকালীন তাঁকে স্পনসর করেছিলাম, এবং তাঁকে একই ডেটাসেট সরবরাহ করেছিলাম। ensemble methods ব্যবহার করে তিনি accuracy metric 72%-এ উন্নীত করতে সক্ষম হন।
EEG2Rep modelটি Driver Distraction dataset-এ প্রয়োগ করা হয়েছিল এবং এখন পর্যন্ত সর্বোচ্চ accuracy, 80.07%, অর্জন করেছে, যা একটি উল্লেখযোগ্য উন্নতি। অতিরিক্তভাবে, modelটি emotional এবং mental state detection, multitasking, resting state EEG, এবং epilepsy ও stroke-এর মতো medical conditions সনাক্তকরণসহ পাঁচটি public dataset-এর প্রতিটিতে state-of-the-art methods-কে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে।
এই সাফল্য EEG ডেটার জন্য একটি foundational model তৈরি করার সম্ভাবনা উন্মুক্ত করে, যা বিভিন্ন কাজ ও অ্যাপ্লিকেশনের মধ্যে generalize করতে পারবে এবং EEG analysis-এর ক্ষেত্রে কী অর্জন করা সম্ভব তার সীমা আরও এগিয়ে দেবে।
আমরা আনন্দের সঙ্গে ঘোষণা করছি যে “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” পেপারটি মর্যাদাপূর্ণ KDD 2024 Conference-এ উপস্থাপনার জন্য গৃহীত হয়েছে।
Navid Foumani প্রধান লেখক। সহলেখকরা হলেন Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, এবং Dr. Nam Nguyen (Emotiv Research, Pty Ltd)।
Emotiv Navid Foumani-কে স্পনসর করছে, যিনি একজন PhD candidate; তিনি অস্ট্রেলিয়ার Melbourne-এ Monash University-তে Dr. Mahsa Salehi-এর তত্ত্বাবধানে EEG ডেটায় ডিপ লার্নিং পদ্ধতি প্রয়োগ নিয়ে কাজ করছেন। Navid আমাদের দলের সঙ্গে ঘনিষ্ঠভাবে কাজ করে EEG2Rep নামে পরিচিত একটি নতুন self-supervised architecture তৈরি করেছেন, যা EEG ডেটা মডেলিংয়ের জন্য অত্যন্ত আশাব্যঞ্জক।
5টি EEG ডেটাসেটের একটি হিসেবে, Navid এই পদ্ধতিগুলি আমাদের Driver Attention ডেটায় প্রয়োগ করেছেন: 18 subjects x 45 minutes of simulated driving with intermittent distractors typical of a driving experience (mobile calls, text messages, navigation, music selection, conversation, mental calculations on the fly etc.)। 2013 সালে state-of-the-art machine learning methods ব্যবহার করে আমাদের Driver Attention অ্যালগরিদম 68% accuracy metric নিয়ে প্রদান করা হয়েছিল।
আমরা 2015 সালে Melbourne University-তে Mahsa-র PhD চলাকালীন তাঁকে স্পনসর করেছিলাম, এবং তাঁকে একই ডেটাসেট সরবরাহ করেছিলাম। ensemble methods ব্যবহার করে তিনি accuracy metric 72%-এ উন্নীত করতে সক্ষম হন।
EEG2Rep modelটি Driver Distraction dataset-এ প্রয়োগ করা হয়েছিল এবং এখন পর্যন্ত সর্বোচ্চ accuracy, 80.07%, অর্জন করেছে, যা একটি উল্লেখযোগ্য উন্নতি। অতিরিক্তভাবে, modelটি emotional এবং mental state detection, multitasking, resting state EEG, এবং epilepsy ও stroke-এর মতো medical conditions সনাক্তকরণসহ পাঁচটি public dataset-এর প্রতিটিতে state-of-the-art methods-কে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে।
এই সাফল্য EEG ডেটার জন্য একটি foundational model তৈরি করার সম্ভাবনা উন্মুক্ত করে, যা বিভিন্ন কাজ ও অ্যাপ্লিকেশনের মধ্যে generalize করতে পারবে এবং EEG analysis-এর ক্ষেত্রে কী অর্জন করা সম্ভব তার সীমা আরও এগিয়ে দেবে।
আমরা আনন্দের সঙ্গে ঘোষণা করছি যে “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” পেপারটি মর্যাদাপূর্ণ KDD 2024 Conference-এ উপস্থাপনার জন্য গৃহীত হয়েছে।
Navid Foumani প্রধান লেখক। সহলেখকরা হলেন Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, এবং Dr. Nam Nguyen (Emotiv Research, Pty Ltd)।
Emotiv Navid Foumani-কে স্পনসর করছে, যিনি একজন PhD candidate; তিনি অস্ট্রেলিয়ার Melbourne-এ Monash University-তে Dr. Mahsa Salehi-এর তত্ত্বাবধানে EEG ডেটায় ডিপ লার্নিং পদ্ধতি প্রয়োগ নিয়ে কাজ করছেন। Navid আমাদের দলের সঙ্গে ঘনিষ্ঠভাবে কাজ করে EEG2Rep নামে পরিচিত একটি নতুন self-supervised architecture তৈরি করেছেন, যা EEG ডেটা মডেলিংয়ের জন্য অত্যন্ত আশাব্যঞ্জক।
5টি EEG ডেটাসেটের একটি হিসেবে, Navid এই পদ্ধতিগুলি আমাদের Driver Attention ডেটায় প্রয়োগ করেছেন: 18 subjects x 45 minutes of simulated driving with intermittent distractors typical of a driving experience (mobile calls, text messages, navigation, music selection, conversation, mental calculations on the fly etc.)। 2013 সালে state-of-the-art machine learning methods ব্যবহার করে আমাদের Driver Attention অ্যালগরিদম 68% accuracy metric নিয়ে প্রদান করা হয়েছিল।
আমরা 2015 সালে Melbourne University-তে Mahsa-র PhD চলাকালীন তাঁকে স্পনসর করেছিলাম, এবং তাঁকে একই ডেটাসেট সরবরাহ করেছিলাম। ensemble methods ব্যবহার করে তিনি accuracy metric 72%-এ উন্নীত করতে সক্ষম হন।
EEG2Rep modelটি Driver Distraction dataset-এ প্রয়োগ করা হয়েছিল এবং এখন পর্যন্ত সর্বোচ্চ accuracy, 80.07%, অর্জন করেছে, যা একটি উল্লেখযোগ্য উন্নতি। অতিরিক্তভাবে, modelটি emotional এবং mental state detection, multitasking, resting state EEG, এবং epilepsy ও stroke-এর মতো medical conditions সনাক্তকরণসহ পাঁচটি public dataset-এর প্রতিটিতে state-of-the-art methods-কে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে।
এই সাফল্য EEG ডেটার জন্য একটি foundational model তৈরি করার সম্ভাবনা উন্মুক্ত করে, যা বিভিন্ন কাজ ও অ্যাপ্লিকেশনের মধ্যে generalize করতে পারবে এবং EEG analysis-এর ক্ষেত্রে কী অর্জন করা সম্ভব তার সীমা আরও এগিয়ে দেবে।
