EEG2Rep: EEG डेटा मॉडलिंग के लिए एक आत्म-निगरीत AI आर्किटेक्चर
हेडि डुरान
22 जुल॰ 2024
साझा करें:
हमें यह घोषणा करते हुए प्रसन्नता हो रही है कि पेपर “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” को प्रतिष्ठित KDD 2024 कॉन्फ्रेंस में प्रस्तुतिकरण के लिए स्वीकार किया गया है।
नवेद फौमानी मुख्य लेखक हैं। सह-लेखक डॉ. महसा सेलाही (मोनाश यूनिवर्सिटी), डॉ. ज्योफ़्री मैकेलर, डॉ. सोहेला घाने, डॉ. साद इर्तज़ा, और डॉ. नम गुयेन (ईमोटिव रिसर्च, Pty Ltd) हैं।
ईमोटिव नवेद फौमानी को प्रायोजित करता है, जो एक पीएचडी उम्मीदवार हैं जो डॉ. महसा सेलाही के अधीन मोनाश विश्वविद्यालय, मेलबर्न, ऑस्ट्रेलिया में EEG डेटा पर गहरे शिक्षण विधियों को लागू करने पर काम कर रहे हैं। नवेद ने EEG2Rep के रूप में जाने जाने वाले एक नए स्व-परिवर्तनीय आर्किटेक्चर को विकसित करने के लिए हमारी टीम के साथ निकटता से काम किया, जो EEG डेटा को मॉडलिंग करने के लिए अत्यधिक आशाजनक है।
5 EEG डेटासेट्स में से एक के रूप में, नवेद ने इन विधियों को हमारे ड्राइवर ध्यान डेटा पर लागू किया: 18 विषय x 45 मिनट का अनुकरणीय ड्राइविंग जिसमें ड्राइविंग अनुभव के सामान्य विघटनकारी तत्व होते हैं (मोबाइल कॉल, टेक्स्ट संदेश, नेविगेशन, संगीत चयन, वार्तालाप, तात्कालिक मानसिक गणनाएँ आदि)। हमारे ड्राइवर ध्यान एल्गोरिदम को 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करते हुए 68% सटीकता मीट्रिक के साथ प्रस्तुत किया गया था।
हमने 2015 में मेलबर्न विश्वविद्यालय में अपने पीएचडी के दौरान महसा को प्रायोजित किया, उन्हें वही डेटा सेट प्रदान किया। उसने एन्सेम्बल विधियों का उपयोग करते हुए सटीकता मीट्रिक को 72% तक सुधारने में सफलता प्राप्त की।
EEG2Rep मॉडल को ड्राइवर डिस्ट्रैक्शन डेटासेट पर लागू किया गया और आज तक की सबसे उच्चतम सटीकता प्राप्त की, 80.07%, जो एक महत्वपूर्ण सुधार है। इसके अतिरिक्त, यह मॉडल प्रत्येक पांच सार्वजनिक डेटासेट में अत्याधुनिक विधियों को महत्वपूर्ण रूप से पीछे छोड़ता है, जिसमें भावनात्मक और मानसिक स्थिति का पता लगाना, मल्टीटास्किंग, विश्राम स्थिति EEG, और चिकित्सा परिस्थितियों जैसे कि मिर्गी और स्ट्रोक का पता लगाना शामिल है।
यह सफलता EEG डेटा के लिए एक मौलिक मॉडल विकसित करने की संभावना को खोलती है जो विभिन्न कार्यों और अनुप्रयोगों में सामान्यीकृत कर सकती है, इस क्षेत्र में EEG विश्लेषण में क्या प्राप्त किया जा सकता है उसकी सीमाओं को आगे बढ़ाती है।
हमें यह घोषणा करते हुए प्रसन्नता हो रही है कि पेपर “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” को प्रतिष्ठित KDD 2024 कॉन्फ्रेंस में प्रस्तुतिकरण के लिए स्वीकार किया गया है।
नवेद फौमानी मुख्य लेखक हैं। सह-लेखक डॉ. महसा सेलाही (मोनाश यूनिवर्सिटी), डॉ. ज्योफ़्री मैकेलर, डॉ. सोहेला घाने, डॉ. साद इर्तज़ा, और डॉ. नम गुयेन (ईमोटिव रिसर्च, Pty Ltd) हैं।
ईमोटिव नवेद फौमानी को प्रायोजित करता है, जो एक पीएचडी उम्मीदवार हैं जो डॉ. महसा सेलाही के अधीन मोनाश विश्वविद्यालय, मेलबर्न, ऑस्ट्रेलिया में EEG डेटा पर गहरे शिक्षण विधियों को लागू करने पर काम कर रहे हैं। नवेद ने EEG2Rep के रूप में जाने जाने वाले एक नए स्व-परिवर्तनीय आर्किटेक्चर को विकसित करने के लिए हमारी टीम के साथ निकटता से काम किया, जो EEG डेटा को मॉडलिंग करने के लिए अत्यधिक आशाजनक है।
5 EEG डेटासेट्स में से एक के रूप में, नवेद ने इन विधियों को हमारे ड्राइवर ध्यान डेटा पर लागू किया: 18 विषय x 45 मिनट का अनुकरणीय ड्राइविंग जिसमें ड्राइविंग अनुभव के सामान्य विघटनकारी तत्व होते हैं (मोबाइल कॉल, टेक्स्ट संदेश, नेविगेशन, संगीत चयन, वार्तालाप, तात्कालिक मानसिक गणनाएँ आदि)। हमारे ड्राइवर ध्यान एल्गोरिदम को 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करते हुए 68% सटीकता मीट्रिक के साथ प्रस्तुत किया गया था।
हमने 2015 में मेलबर्न विश्वविद्यालय में अपने पीएचडी के दौरान महसा को प्रायोजित किया, उन्हें वही डेटा सेट प्रदान किया। उसने एन्सेम्बल विधियों का उपयोग करते हुए सटीकता मीट्रिक को 72% तक सुधारने में सफलता प्राप्त की।
EEG2Rep मॉडल को ड्राइवर डिस्ट्रैक्शन डेटासेट पर लागू किया गया और आज तक की सबसे उच्चतम सटीकता प्राप्त की, 80.07%, जो एक महत्वपूर्ण सुधार है। इसके अतिरिक्त, यह मॉडल प्रत्येक पांच सार्वजनिक डेटासेट में अत्याधुनिक विधियों को महत्वपूर्ण रूप से पीछे छोड़ता है, जिसमें भावनात्मक और मानसिक स्थिति का पता लगाना, मल्टीटास्किंग, विश्राम स्थिति EEG, और चिकित्सा परिस्थितियों जैसे कि मिर्गी और स्ट्रोक का पता लगाना शामिल है।
यह सफलता EEG डेटा के लिए एक मौलिक मॉडल विकसित करने की संभावना को खोलती है जो विभिन्न कार्यों और अनुप्रयोगों में सामान्यीकृत कर सकती है, इस क्षेत्र में EEG विश्लेषण में क्या प्राप्त किया जा सकता है उसकी सीमाओं को आगे बढ़ाती है।
हमें यह घोषणा करते हुए प्रसन्नता हो रही है कि पेपर “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” को प्रतिष्ठित KDD 2024 कॉन्फ्रेंस में प्रस्तुतिकरण के लिए स्वीकार किया गया है।
नवेद फौमानी मुख्य लेखक हैं। सह-लेखक डॉ. महसा सेलाही (मोनाश यूनिवर्सिटी), डॉ. ज्योफ़्री मैकेलर, डॉ. सोहेला घाने, डॉ. साद इर्तज़ा, और डॉ. नम गुयेन (ईमोटिव रिसर्च, Pty Ltd) हैं।
ईमोटिव नवेद फौमानी को प्रायोजित करता है, जो एक पीएचडी उम्मीदवार हैं जो डॉ. महसा सेलाही के अधीन मोनाश विश्वविद्यालय, मेलबर्न, ऑस्ट्रेलिया में EEG डेटा पर गहरे शिक्षण विधियों को लागू करने पर काम कर रहे हैं। नवेद ने EEG2Rep के रूप में जाने जाने वाले एक नए स्व-परिवर्तनीय आर्किटेक्चर को विकसित करने के लिए हमारी टीम के साथ निकटता से काम किया, जो EEG डेटा को मॉडलिंग करने के लिए अत्यधिक आशाजनक है।
5 EEG डेटासेट्स में से एक के रूप में, नवेद ने इन विधियों को हमारे ड्राइवर ध्यान डेटा पर लागू किया: 18 विषय x 45 मिनट का अनुकरणीय ड्राइविंग जिसमें ड्राइविंग अनुभव के सामान्य विघटनकारी तत्व होते हैं (मोबाइल कॉल, टेक्स्ट संदेश, नेविगेशन, संगीत चयन, वार्तालाप, तात्कालिक मानसिक गणनाएँ आदि)। हमारे ड्राइवर ध्यान एल्गोरिदम को 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करते हुए 68% सटीकता मीट्रिक के साथ प्रस्तुत किया गया था।
हमने 2015 में मेलबर्न विश्वविद्यालय में अपने पीएचडी के दौरान महसा को प्रायोजित किया, उन्हें वही डेटा सेट प्रदान किया। उसने एन्सेम्बल विधियों का उपयोग करते हुए सटीकता मीट्रिक को 72% तक सुधारने में सफलता प्राप्त की।
EEG2Rep मॉडल को ड्राइवर डिस्ट्रैक्शन डेटासेट पर लागू किया गया और आज तक की सबसे उच्चतम सटीकता प्राप्त की, 80.07%, जो एक महत्वपूर्ण सुधार है। इसके अतिरिक्त, यह मॉडल प्रत्येक पांच सार्वजनिक डेटासेट में अत्याधुनिक विधियों को महत्वपूर्ण रूप से पीछे छोड़ता है, जिसमें भावनात्मक और मानसिक स्थिति का पता लगाना, मल्टीटास्किंग, विश्राम स्थिति EEG, और चिकित्सा परिस्थितियों जैसे कि मिर्गी और स्ट्रोक का पता लगाना शामिल है।
यह सफलता EEG डेटा के लिए एक मौलिक मॉडल विकसित करने की संभावना को खोलती है जो विभिन्न कार्यों और अनुप्रयोगों में सामान्यीकृत कर सकती है, इस क्षेत्र में EEG विश्लेषण में क्या प्राप्त किया जा सकता है उसकी सीमाओं को आगे बढ़ाती है।
सहायता
कंपनी
© 2025 EMOTIV, सभी अधिकार सुरक्षित।
आपकी गोपनीयता की पसंद (कुकी सेटिंग्स)
*अस्वीकृति – EMOTIV उत्पादों का उद्देश्य केवल अनुसंधान अनुप्रयोगों और व्यक्तिगत उपयोग के लिए होना है। हमारे उत्पादों को EU निर्देश 93/42/EEC में परिभाषित चिकित्सा उपकरणों के रूप में बेचा नहीं जाता है। हमारे उत्पादों को किसी बीमारी के निदान या उपचार के लिए उपयोग के लिए डिज़ाइन या उद्देश्य नहीं किया गया है।
अनुवाद पर नोट: इस वेबसाइट के गैर-अंग्रेजी संस्करणों का अनुवाद आपकी सुविधा के लिए कृत्रिम बुद्धिमत्ता का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, स्वचालित अनुवाद में त्रुटियाँ या ऐसे अंतरों हो सकते हैं जो मूल पाठ से भिन्न होते हैं। सबसे सटीक जानकारी के लिए, कृपया इस साइट के अंग्रेजी संस्करण को देखें।
सहायता
कंपनी
© 2025 EMOTIV, सभी अधिकार सुरक्षित।
आपकी गोपनीयता की पसंद (कुकी सेटिंग्स)
*अस्वीकृति – EMOTIV उत्पादों का उद्देश्य केवल अनुसंधान अनुप्रयोगों और व्यक्तिगत उपयोग के लिए होना है। हमारे उत्पादों को EU निर्देश 93/42/EEC में परिभाषित चिकित्सा उपकरणों के रूप में बेचा नहीं जाता है। हमारे उत्पादों को किसी बीमारी के निदान या उपचार के लिए उपयोग के लिए डिज़ाइन या उद्देश्य नहीं किया गया है।
अनुवाद पर नोट: इस वेबसाइट के गैर-अंग्रेजी संस्करणों का अनुवाद आपकी सुविधा के लिए कृत्रिम बुद्धिमत्ता का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, स्वचालित अनुवाद में त्रुटियाँ या ऐसे अंतरों हो सकते हैं जो मूल पाठ से भिन्न होते हैं। सबसे सटीक जानकारी के लिए, कृपया इस साइट के अंग्रेजी संस्करण को देखें।
सहायता
कंपनी
© 2025 EMOTIV, सभी अधिकार सुरक्षित।
आपकी गोपनीयता की पसंद (कुकी सेटिंग्स)
*अस्वीकृति – EMOTIV उत्पादों का उद्देश्य केवल अनुसंधान अनुप्रयोगों और व्यक्तिगत उपयोग के लिए होना है। हमारे उत्पादों को EU निर्देश 93/42/EEC में परिभाषित चिकित्सा उपकरणों के रूप में बेचा नहीं जाता है। हमारे उत्पादों को किसी बीमारी के निदान या उपचार के लिए उपयोग के लिए डिज़ाइन या उद्देश्य नहीं किया गया है।
अनुवाद पर नोट: इस वेबसाइट के गैर-अंग्रेजी संस्करणों का अनुवाद आपकी सुविधा के लिए कृत्रिम बुद्धिमत्ता का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, स्वचालित अनुवाद में त्रुटियाँ या ऐसे अंतरों हो सकते हैं जो मूल पाठ से भिन्न होते हैं। सबसे सटीक जानकारी के लिए, कृपया इस साइट के अंग्रेजी संस्करण को देखें।