EEG2Rep: ईईजी (EEG) डेटा मॉडलिंग के लिए एक स्व-पर्यवेक्षित (Self-supervised) एआई आर्किटेक्चर
एच.बी. डुरान
संशोधित किया गया
22 जुल॰ 2024
EEG2Rep: ईईजी (EEG) डेटा मॉडलिंग के लिए एक स्व-पर्यवेक्षित (Self-supervised) एआई आर्किटेक्चर
एच.बी. डुरान
संशोधित किया गया
22 जुल॰ 2024
EEG2Rep: ईईजी (EEG) डेटा मॉडलिंग के लिए एक स्व-पर्यवेक्षित (Self-supervised) एआई आर्किटेक्चर
एच.बी. डुरान
संशोधित किया गया
22 जुल॰ 2024
हमें यह घोषणा करते हुए बेहद खुशी हो रही है कि “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” नामक शोध पत्र को प्रतिष्ठित KDD 2024 कॉन्फ्रेंस में प्रस्तुति के लिए स्वीकार कर लिया गया है।
नाविद फौमानी इसके मुख्य लेखक हैं। इसके सह-लेखक डॉ. महसा सालेही (मोनाश यूनिवर्सिटी), डॉ. जेफ्री मैककेलर, डॉ. सोहेला घने, डॉ. साद इर्तजा, और डॉ. नाम गुयेन (इमोटिव रिसर्च, प्राइवेट लिमिटेड) हैं।
इमोटिव, नाविद फौमानी को प्रायोजित करता है। वे एक पीएचडी छात्र हैं जो मेलबर्न, ऑस्ट्रेलिया में मोनाश यूनिवर्सिटी की डॉ. महसा सालेही की देखरेख में ईईजी (EEG) डेटा पर डीप लर्निंग विधियों को लागू करने का काम कर रहे हैं। नाविद ने हमारी टीम के साथ मिलकर एक नई सेल्फ-सुपरवाइज्ड आर्किटेक्चर विकसित करने के लिए काम किया, जिसे EEG2Rep के रूप में जाना जाता है, जो ईईजी डेटा को मॉडल करने के लिए बेहद आशाजनक है।
5 ईईजी डेटासेट में से एक के रूप में, नाविद ने इन विधियों को हमारे ड्राइवर अटेंशन डेटा पर लागू किया: 18 विषय x 45 मिनट की सिम्युलेटेड ड्राइविंग, जिसमें ड्राइविंग अनुभव के विशिष्ट ध्यान भटकाने वाले तत्व (मोबाइल कॉल, टेक्स्ट मैसेज, नेविगेशन, संगीत चयन, बातचीत, तुरंत की जाने वाली मानसिक गणनाएं आदि) शामिल थे। हमारा ड्राइवर अटेंशन एल्गोरिदम 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करके 68% सटीकता मीट्रिक के साथ पेश किया गया था।
हमने 2015 में मेलबर्न यूनिवर्सिटी में उनकी पीएचडी के दौरान महसा को प्रायोजित किया था, और उन्हें यही डेटासेट प्रदान किया था। उन्होंने एन्सेम्बल विधियों (ensemble methods) का उपयोग करके सटीकता मीट्रिक को 72% तक सुधारने में सफलता प्राप्त की थी।
EEG2Rep मॉडल को ड्राइवर डिस्ट्रैक्शन डेटासेट पर लागू किया गया और इसने अब तक की सबसे अधिक सटीकता, 80.07%, हासिल की, जो कि एक महत्वपूर्ण सुधार है। इसके अलावा, इस मॉडल ने पांच सार्वजनिक डेटासेट में से प्रत्येक में अत्याधुनिक विधियों से काफी बेहतर प्रदर्शन किया, जिसमें भावनात्मक और मानसिक स्थिति का पता लगाना, मल्टीटास्किंग, रेस्टिंग स्टेट ईईजी, और मिर्गी तथा स्ट्रोक जैसी चिकित्सा स्थितियों का पता लगाना शामिल है।
यह सफलता ईईजी डेटा के लिए एक बुनियादी मॉडल (foundational model) विकसित करने की संभावनाओं को खोलती है, जो विभिन्न कार्यों और अनुप्रयोगों में व्यापक रूप से व्यावहारिक हो सकता है, और ईईजी विश्लेषण के क्षेत्र में नई सीमाओं को छू सकता है।
हमें यह घोषणा करते हुए बेहद खुशी हो रही है कि “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” नामक शोध पत्र को प्रतिष्ठित KDD 2024 कॉन्फ्रेंस में प्रस्तुति के लिए स्वीकार कर लिया गया है।
नाविद फौमानी इसके मुख्य लेखक हैं। इसके सह-लेखक डॉ. महसा सालेही (मोनाश यूनिवर्सिटी), डॉ. जेफ्री मैककेलर, डॉ. सोहेला घने, डॉ. साद इर्तजा, और डॉ. नाम गुयेन (इमोटिव रिसर्च, प्राइवेट लिमिटेड) हैं।
इमोटिव, नाविद फौमानी को प्रायोजित करता है। वे एक पीएचडी छात्र हैं जो मेलबर्न, ऑस्ट्रेलिया में मोनाश यूनिवर्सिटी की डॉ. महसा सालेही की देखरेख में ईईजी (EEG) डेटा पर डीप लर्निंग विधियों को लागू करने का काम कर रहे हैं। नाविद ने हमारी टीम के साथ मिलकर एक नई सेल्फ-सुपरवाइज्ड आर्किटेक्चर विकसित करने के लिए काम किया, जिसे EEG2Rep के रूप में जाना जाता है, जो ईईजी डेटा को मॉडल करने के लिए बेहद आशाजनक है।
5 ईईजी डेटासेट में से एक के रूप में, नाविद ने इन विधियों को हमारे ड्राइवर अटेंशन डेटा पर लागू किया: 18 विषय x 45 मिनट की सिम्युलेटेड ड्राइविंग, जिसमें ड्राइविंग अनुभव के विशिष्ट ध्यान भटकाने वाले तत्व (मोबाइल कॉल, टेक्स्ट मैसेज, नेविगेशन, संगीत चयन, बातचीत, तुरंत की जाने वाली मानसिक गणनाएं आदि) शामिल थे। हमारा ड्राइवर अटेंशन एल्गोरिदम 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करके 68% सटीकता मीट्रिक के साथ पेश किया गया था।
हमने 2015 में मेलबर्न यूनिवर्सिटी में उनकी पीएचडी के दौरान महसा को प्रायोजित किया था, और उन्हें यही डेटासेट प्रदान किया था। उन्होंने एन्सेम्बल विधियों (ensemble methods) का उपयोग करके सटीकता मीट्रिक को 72% तक सुधारने में सफलता प्राप्त की थी।
EEG2Rep मॉडल को ड्राइवर डिस्ट्रैक्शन डेटासेट पर लागू किया गया और इसने अब तक की सबसे अधिक सटीकता, 80.07%, हासिल की, जो कि एक महत्वपूर्ण सुधार है। इसके अलावा, इस मॉडल ने पांच सार्वजनिक डेटासेट में से प्रत्येक में अत्याधुनिक विधियों से काफी बेहतर प्रदर्शन किया, जिसमें भावनात्मक और मानसिक स्थिति का पता लगाना, मल्टीटास्किंग, रेस्टिंग स्टेट ईईजी, और मिर्गी तथा स्ट्रोक जैसी चिकित्सा स्थितियों का पता लगाना शामिल है।
यह सफलता ईईजी डेटा के लिए एक बुनियादी मॉडल (foundational model) विकसित करने की संभावनाओं को खोलती है, जो विभिन्न कार्यों और अनुप्रयोगों में व्यापक रूप से व्यावहारिक हो सकता है, और ईईजी विश्लेषण के क्षेत्र में नई सीमाओं को छू सकता है।
हमें यह घोषणा करते हुए बेहद खुशी हो रही है कि “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” नामक शोध पत्र को प्रतिष्ठित KDD 2024 कॉन्फ्रेंस में प्रस्तुति के लिए स्वीकार कर लिया गया है।
नाविद फौमानी इसके मुख्य लेखक हैं। इसके सह-लेखक डॉ. महसा सालेही (मोनाश यूनिवर्सिटी), डॉ. जेफ्री मैककेलर, डॉ. सोहेला घने, डॉ. साद इर्तजा, और डॉ. नाम गुयेन (इमोटिव रिसर्च, प्राइवेट लिमिटेड) हैं।
इमोटिव, नाविद फौमानी को प्रायोजित करता है। वे एक पीएचडी छात्र हैं जो मेलबर्न, ऑस्ट्रेलिया में मोनाश यूनिवर्सिटी की डॉ. महसा सालेही की देखरेख में ईईजी (EEG) डेटा पर डीप लर्निंग विधियों को लागू करने का काम कर रहे हैं। नाविद ने हमारी टीम के साथ मिलकर एक नई सेल्फ-सुपरवाइज्ड आर्किटेक्चर विकसित करने के लिए काम किया, जिसे EEG2Rep के रूप में जाना जाता है, जो ईईजी डेटा को मॉडल करने के लिए बेहद आशाजनक है।
5 ईईजी डेटासेट में से एक के रूप में, नाविद ने इन विधियों को हमारे ड्राइवर अटेंशन डेटा पर लागू किया: 18 विषय x 45 मिनट की सिम्युलेटेड ड्राइविंग, जिसमें ड्राइविंग अनुभव के विशिष्ट ध्यान भटकाने वाले तत्व (मोबाइल कॉल, टेक्स्ट मैसेज, नेविगेशन, संगीत चयन, बातचीत, तुरंत की जाने वाली मानसिक गणनाएं आदि) शामिल थे। हमारा ड्राइवर अटेंशन एल्गोरिदम 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करके 68% सटीकता मीट्रिक के साथ पेश किया गया था।
हमने 2015 में मेलबर्न यूनिवर्सिटी में उनकी पीएचडी के दौरान महसा को प्रायोजित किया था, और उन्हें यही डेटासेट प्रदान किया था। उन्होंने एन्सेम्बल विधियों (ensemble methods) का उपयोग करके सटीकता मीट्रिक को 72% तक सुधारने में सफलता प्राप्त की थी।
EEG2Rep मॉडल को ड्राइवर डिस्ट्रैक्शन डेटासेट पर लागू किया गया और इसने अब तक की सबसे अधिक सटीकता, 80.07%, हासिल की, जो कि एक महत्वपूर्ण सुधार है। इसके अलावा, इस मॉडल ने पांच सार्वजनिक डेटासेट में से प्रत्येक में अत्याधुनिक विधियों से काफी बेहतर प्रदर्शन किया, जिसमें भावनात्मक और मानसिक स्थिति का पता लगाना, मल्टीटास्किंग, रेस्टिंग स्टेट ईईजी, और मिर्गी तथा स्ट्रोक जैसी चिकित्सा स्थितियों का पता लगाना शामिल है।
यह सफलता ईईजी डेटा के लिए एक बुनियादी मॉडल (foundational model) विकसित करने की संभावनाओं को खोलती है, जो विभिन्न कार्यों और अनुप्रयोगों में व्यापक रूप से व्यावहारिक हो सकता है, और ईईजी विश्लेषण के क्षेत्र में नई सीमाओं को छू सकता है।
पढ़ना जारी रखें