EEG2Rep: EEG डेटा मॉडलिंग के लिए एक आत्म-निगरीत AI आर्किटेक्चर
हेडि डुरान
अद्यतन किया गया
22 मई 2024
EEG2Rep: EEG डेटा मॉडलिंग के लिए एक आत्म-निगरीत AI आर्किटेक्चर
हेडि डुरान
अद्यतन किया गया
22 मई 2024
EEG2Rep: EEG डेटा मॉडलिंग के लिए एक आत्म-निगरीत AI आर्किटेक्चर
हेडि डुरान
अद्यतन किया गया
22 मई 2024
हमें यह घोषणा करते हुए खुशी हो रही है कि “EEG2Rep: सूचनात्मक मास्क्ड इनपुट्स के माध्यम से स्व-पर्यवेक्षित EEG प्रतिरूपण को बेहतर बनाना” नामक पेपर को प्रतिष्ठित KDD 2024 सम्मेलन में प्रस्तुति के लिए स्वीकार कर लिया गया है।
Navid Foumani मुख्य लेखक हैं। सह-लेखक हैं Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, और Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv Navid Foumani को प्रायोजित करता है, जो एक PhD उम्मीदवार हैं और Australia के Melbourne स्थित Monash University में Dr. Mahsa Salehi के मार्गदर्शन में EEG डेटा पर डीप लर्निंग विधियों को लागू करने पर काम कर रहे हैं। Navid ने हमारी टीम के साथ मिलकर EEG2Rep नामक एक नई स्व-पर्यवेक्षित आर्किटेक्चर विकसित की, जो EEG डेटा के मॉडलिंग के लिए अत्यंत आशाजनक है।
5 EEG डेटासेट्स में से एक के रूप में, Navid ने इन विधियों को हमारे Driver Attention डेटा पर लागू किया:18 प्रतिभागी x 45 मिनट का सिम्युलेटेड ड्राइविंग, जिसमें ड्राइविंग अनुभव के लिए विशिष्ट रुक-रुक कर आने वाले ध्यान भंग करने वाले कारक शामिल थे (मोबाइल कॉल, टेक्स्ट संदेश, नेविगेशन, संगीत चयन, बातचीत, तुरंत किए जाने वाले मानसिक गणनाएँ आदि)। हमारा Driver Attention एल्गोरिदम 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करके 68% सटीकता मीट्रिक के साथ प्रस्तुत किया गया था।
हमने 2015 में Melbourne University में उनके PhD के दौरान Mahsa को भी प्रायोजित किया, और उन्हें वही डेटासेट प्रदान किया। उन्होंने ensemble विधियों का उपयोग करके सटीकता मीट्रिक को 72% तक सुधार लिया।
EEG2Rep मॉडल को Driver Distraction डेटासेट पर लागू किया गया और इसने अब तक की सर्वोच्च सटीकता, 80.07%, प्राप्त की, जो एक महत्वपूर्ण सुधार है। इसके अतिरिक्त, मॉडल ने पाँचों सार्वजनिक डेटासेट्स में, जिनमें भावनात्मक और मानसिक अवस्था का पता लगाना, मल्टीटास्किंग, विश्राम अवस्था EEG, और मिर्गी तथा स्ट्रोक जैसी चिकित्सीय स्थितियों का पता लगाना शामिल है, अत्याधुनिक विधियों से उल्लेखनीय रूप से बेहतर प्रदर्शन किया।
यह सफलता EEG डेटा के लिए एक फाउंडेशनल मॉडल विकसित करने की संभावना खोलती है, जो विभिन्न कार्यों और अनुप्रयोगों में सामान्यीकृत हो सकता है, और EEG विश्लेषण के क्षेत्र में संभव उपलब्धियों की सीमाओं को आगे बढ़ा सकता है।
हमें यह घोषणा करते हुए खुशी हो रही है कि “EEG2Rep: सूचनात्मक मास्क्ड इनपुट्स के माध्यम से स्व-पर्यवेक्षित EEG प्रतिरूपण को बेहतर बनाना” नामक पेपर को प्रतिष्ठित KDD 2024 सम्मेलन में प्रस्तुति के लिए स्वीकार कर लिया गया है।
Navid Foumani मुख्य लेखक हैं। सह-लेखक हैं Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, और Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv Navid Foumani को प्रायोजित करता है, जो एक PhD उम्मीदवार हैं और Australia के Melbourne स्थित Monash University में Dr. Mahsa Salehi के मार्गदर्शन में EEG डेटा पर डीप लर्निंग विधियों को लागू करने पर काम कर रहे हैं। Navid ने हमारी टीम के साथ मिलकर EEG2Rep नामक एक नई स्व-पर्यवेक्षित आर्किटेक्चर विकसित की, जो EEG डेटा के मॉडलिंग के लिए अत्यंत आशाजनक है।
5 EEG डेटासेट्स में से एक के रूप में, Navid ने इन विधियों को हमारे Driver Attention डेटा पर लागू किया:18 प्रतिभागी x 45 मिनट का सिम्युलेटेड ड्राइविंग, जिसमें ड्राइविंग अनुभव के लिए विशिष्ट रुक-रुक कर आने वाले ध्यान भंग करने वाले कारक शामिल थे (मोबाइल कॉल, टेक्स्ट संदेश, नेविगेशन, संगीत चयन, बातचीत, तुरंत किए जाने वाले मानसिक गणनाएँ आदि)। हमारा Driver Attention एल्गोरिदम 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करके 68% सटीकता मीट्रिक के साथ प्रस्तुत किया गया था।
हमने 2015 में Melbourne University में उनके PhD के दौरान Mahsa को भी प्रायोजित किया, और उन्हें वही डेटासेट प्रदान किया। उन्होंने ensemble विधियों का उपयोग करके सटीकता मीट्रिक को 72% तक सुधार लिया।
EEG2Rep मॉडल को Driver Distraction डेटासेट पर लागू किया गया और इसने अब तक की सर्वोच्च सटीकता, 80.07%, प्राप्त की, जो एक महत्वपूर्ण सुधार है। इसके अतिरिक्त, मॉडल ने पाँचों सार्वजनिक डेटासेट्स में, जिनमें भावनात्मक और मानसिक अवस्था का पता लगाना, मल्टीटास्किंग, विश्राम अवस्था EEG, और मिर्गी तथा स्ट्रोक जैसी चिकित्सीय स्थितियों का पता लगाना शामिल है, अत्याधुनिक विधियों से उल्लेखनीय रूप से बेहतर प्रदर्शन किया।
यह सफलता EEG डेटा के लिए एक फाउंडेशनल मॉडल विकसित करने की संभावना खोलती है, जो विभिन्न कार्यों और अनुप्रयोगों में सामान्यीकृत हो सकता है, और EEG विश्लेषण के क्षेत्र में संभव उपलब्धियों की सीमाओं को आगे बढ़ा सकता है।
हमें यह घोषणा करते हुए खुशी हो रही है कि “EEG2Rep: सूचनात्मक मास्क्ड इनपुट्स के माध्यम से स्व-पर्यवेक्षित EEG प्रतिरूपण को बेहतर बनाना” नामक पेपर को प्रतिष्ठित KDD 2024 सम्मेलन में प्रस्तुति के लिए स्वीकार कर लिया गया है।
Navid Foumani मुख्य लेखक हैं। सह-लेखक हैं Dr. Mahsa Salehi (Monash University), Dr. Geoffrey Mackellar, Dr. Soheila Ghane, Dr. Saad Irtza, और Dr. Nam Nguyen (Emotiv Research, Pty Ltd).
Emotiv Navid Foumani को प्रायोजित करता है, जो एक PhD उम्मीदवार हैं और Australia के Melbourne स्थित Monash University में Dr. Mahsa Salehi के मार्गदर्शन में EEG डेटा पर डीप लर्निंग विधियों को लागू करने पर काम कर रहे हैं। Navid ने हमारी टीम के साथ मिलकर EEG2Rep नामक एक नई स्व-पर्यवेक्षित आर्किटेक्चर विकसित की, जो EEG डेटा के मॉडलिंग के लिए अत्यंत आशाजनक है।
5 EEG डेटासेट्स में से एक के रूप में, Navid ने इन विधियों को हमारे Driver Attention डेटा पर लागू किया:18 प्रतिभागी x 45 मिनट का सिम्युलेटेड ड्राइविंग, जिसमें ड्राइविंग अनुभव के लिए विशिष्ट रुक-रुक कर आने वाले ध्यान भंग करने वाले कारक शामिल थे (मोबाइल कॉल, टेक्स्ट संदेश, नेविगेशन, संगीत चयन, बातचीत, तुरंत किए जाने वाले मानसिक गणनाएँ आदि)। हमारा Driver Attention एल्गोरिदम 2013 में अत्याधुनिक मशीन लर्निंग विधियों का उपयोग करके 68% सटीकता मीट्रिक के साथ प्रस्तुत किया गया था।
हमने 2015 में Melbourne University में उनके PhD के दौरान Mahsa को भी प्रायोजित किया, और उन्हें वही डेटासेट प्रदान किया। उन्होंने ensemble विधियों का उपयोग करके सटीकता मीट्रिक को 72% तक सुधार लिया।
EEG2Rep मॉडल को Driver Distraction डेटासेट पर लागू किया गया और इसने अब तक की सर्वोच्च सटीकता, 80.07%, प्राप्त की, जो एक महत्वपूर्ण सुधार है। इसके अतिरिक्त, मॉडल ने पाँचों सार्वजनिक डेटासेट्स में, जिनमें भावनात्मक और मानसिक अवस्था का पता लगाना, मल्टीटास्किंग, विश्राम अवस्था EEG, और मिर्गी तथा स्ट्रोक जैसी चिकित्सीय स्थितियों का पता लगाना शामिल है, अत्याधुनिक विधियों से उल्लेखनीय रूप से बेहतर प्रदर्शन किया।
यह सफलता EEG डेटा के लिए एक फाउंडेशनल मॉडल विकसित करने की संभावना खोलती है, जो विभिन्न कार्यों और अनुप्रयोगों में सामान्यीकृत हो सकता है, और EEG विश्लेषण के क्षेत्र में संभव उपलब्धियों की सीमाओं को आगे बढ़ा सकता है।
