EEG2Rep: ای ای جی (EEG) ڈیٹا ماڈلنگ کے لیے ایک سیلف-سپروائزڈ اے آئی (AI) آرکیٹیکچر
ایچ۔ بی۔ دوران
اپ ڈیٹ کیا گیا
22 جولائی، 2024
EEG2Rep: ای ای جی (EEG) ڈیٹا ماڈلنگ کے لیے ایک سیلف-سپروائزڈ اے آئی (AI) آرکیٹیکچر
ایچ۔ بی۔ دوران
اپ ڈیٹ کیا گیا
22 جولائی، 2024
EEG2Rep: ای ای جی (EEG) ڈیٹا ماڈلنگ کے لیے ایک سیلف-سپروائزڈ اے آئی (AI) آرکیٹیکچر
ایچ۔ بی۔ دوران
اپ ڈیٹ کیا گیا
22 جولائی، 2024
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ ”EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ کو معزز KDD 2024 کانفرنس میں پیشکش کے لیے قبول کر لیا گیا ہے۔
نوید فومانی اس کے مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنے، ڈاکٹر سعد ارتضیٰ، اور ڈاکٹر نام نگوئن (Emotiv ریسرچ، پرائیویٹ لمیٹڈ) شامل ہیں۔
Emotiv نوید فومانی کو سپانسر کرتا ہے، جو پی ایچ ڈی کے امیدوار ہیں اور میلبورن، آسٹریلیا میں موناش یونیورسٹی میں ڈاکٹر مہسا صالحی کی نگرانی میں ای ای جی (EEG) ڈیٹا پر ڈیپ لرننگ کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہماری ٹیم کے ساتھ مل کر ایک نیا سیلف سپروائزڈ آرکیٹیکچر تیار کرنے کے لیے قریبی کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کی ماڈلنگ کے لیے انتہائی امید افزا ہے۔
5 ای ای جی ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن (ڈرائیور کی توجہ) کے ڈیٹا پر لاگو کیا: 18 افراد x 45 منٹ کی سیمولیٹڈ ڈرائیونگ جس میں ڈرائیونگ کے تجربے کے دوران پیدا ہونے والے معمولی مخلل عناصر (موبائل کالز، ٹیکسٹ میسجز، نیویگیشن، میوزک کا انتخاب، گفتگو، چلتے پھرتے ذہنی حساب کتاب وغیرہ) شامل تھے۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ طریقوں کا استعمال کرتے ہوئے 68% درستگی کے میٹرک کے ساتھ پیش کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں پی ایچ ڈی کے دوران مہسا کو سپانسر کیا، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے اینسمبل طریقوں کا استعمال کرتے ہوئے درستگی کے میٹرک کو 72% تک بہتر بنانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن (ڈرائیور کی توجہ ہٹنے) کے ڈیٹا سیٹ پر لاگو کیا گیا اور اس نے اب تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک نمایاں بہتری ہے۔ مزید برآں، اس ماڈل نے پانچوں عوامی ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں سے نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا، جس میں جذباتی اور ذہنی کیفیت کی شناخت، ملٹی ٹاسکنگ، ریسٹنگ اسٹیٹ ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کا پتہ لگانا شامل ہے۔
یہ کامیابی ای ای جی ڈیٹا کے لیے ایک بنیادی ماڈل تیار کرنے کا امکان پیدا کرتی ہے جو مختلف کاموں اور ایپلی کیشنز میں عام طور پر لاگو ہو سکتا ہے، جس سے ای ای جی تجزیہ کے شعبے میں حاصل کی جانے والی کامیابیوں کی حدود کو مزید وسعت ملتی ہے۔
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ ”EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ کو معزز KDD 2024 کانفرنس میں پیشکش کے لیے قبول کر لیا گیا ہے۔
نوید فومانی اس کے مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنے، ڈاکٹر سعد ارتضیٰ، اور ڈاکٹر نام نگوئن (Emotiv ریسرچ، پرائیویٹ لمیٹڈ) شامل ہیں۔
Emotiv نوید فومانی کو سپانسر کرتا ہے، جو پی ایچ ڈی کے امیدوار ہیں اور میلبورن، آسٹریلیا میں موناش یونیورسٹی میں ڈاکٹر مہسا صالحی کی نگرانی میں ای ای جی (EEG) ڈیٹا پر ڈیپ لرننگ کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہماری ٹیم کے ساتھ مل کر ایک نیا سیلف سپروائزڈ آرکیٹیکچر تیار کرنے کے لیے قریبی کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کی ماڈلنگ کے لیے انتہائی امید افزا ہے۔
5 ای ای جی ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن (ڈرائیور کی توجہ) کے ڈیٹا پر لاگو کیا: 18 افراد x 45 منٹ کی سیمولیٹڈ ڈرائیونگ جس میں ڈرائیونگ کے تجربے کے دوران پیدا ہونے والے معمولی مخلل عناصر (موبائل کالز، ٹیکسٹ میسجز، نیویگیشن، میوزک کا انتخاب، گفتگو، چلتے پھرتے ذہنی حساب کتاب وغیرہ) شامل تھے۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ طریقوں کا استعمال کرتے ہوئے 68% درستگی کے میٹرک کے ساتھ پیش کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں پی ایچ ڈی کے دوران مہسا کو سپانسر کیا، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے اینسمبل طریقوں کا استعمال کرتے ہوئے درستگی کے میٹرک کو 72% تک بہتر بنانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن (ڈرائیور کی توجہ ہٹنے) کے ڈیٹا سیٹ پر لاگو کیا گیا اور اس نے اب تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک نمایاں بہتری ہے۔ مزید برآں، اس ماڈل نے پانچوں عوامی ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں سے نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا، جس میں جذباتی اور ذہنی کیفیت کی شناخت، ملٹی ٹاسکنگ، ریسٹنگ اسٹیٹ ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کا پتہ لگانا شامل ہے۔
یہ کامیابی ای ای جی ڈیٹا کے لیے ایک بنیادی ماڈل تیار کرنے کا امکان پیدا کرتی ہے جو مختلف کاموں اور ایپلی کیشنز میں عام طور پر لاگو ہو سکتا ہے، جس سے ای ای جی تجزیہ کے شعبے میں حاصل کی جانے والی کامیابیوں کی حدود کو مزید وسعت ملتی ہے۔
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ ”EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs“ کو معزز KDD 2024 کانفرنس میں پیشکش کے لیے قبول کر لیا گیا ہے۔
نوید فومانی اس کے مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنے، ڈاکٹر سعد ارتضیٰ، اور ڈاکٹر نام نگوئن (Emotiv ریسرچ، پرائیویٹ لمیٹڈ) شامل ہیں۔
Emotiv نوید فومانی کو سپانسر کرتا ہے، جو پی ایچ ڈی کے امیدوار ہیں اور میلبورن، آسٹریلیا میں موناش یونیورسٹی میں ڈاکٹر مہسا صالحی کی نگرانی میں ای ای جی (EEG) ڈیٹا پر ڈیپ لرننگ کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہماری ٹیم کے ساتھ مل کر ایک نیا سیلف سپروائزڈ آرکیٹیکچر تیار کرنے کے لیے قریبی کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کی ماڈلنگ کے لیے انتہائی امید افزا ہے۔
5 ای ای جی ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن (ڈرائیور کی توجہ) کے ڈیٹا پر لاگو کیا: 18 افراد x 45 منٹ کی سیمولیٹڈ ڈرائیونگ جس میں ڈرائیونگ کے تجربے کے دوران پیدا ہونے والے معمولی مخلل عناصر (موبائل کالز، ٹیکسٹ میسجز، نیویگیشن، میوزک کا انتخاب، گفتگو، چلتے پھرتے ذہنی حساب کتاب وغیرہ) شامل تھے۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ طریقوں کا استعمال کرتے ہوئے 68% درستگی کے میٹرک کے ساتھ پیش کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں پی ایچ ڈی کے دوران مہسا کو سپانسر کیا، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے اینسمبل طریقوں کا استعمال کرتے ہوئے درستگی کے میٹرک کو 72% تک بہتر بنانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن (ڈرائیور کی توجہ ہٹنے) کے ڈیٹا سیٹ پر لاگو کیا گیا اور اس نے اب تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک نمایاں بہتری ہے۔ مزید برآں، اس ماڈل نے پانچوں عوامی ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں سے نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا، جس میں جذباتی اور ذہنی کیفیت کی شناخت، ملٹی ٹاسکنگ، ریسٹنگ اسٹیٹ ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کا پتہ لگانا شامل ہے۔
یہ کامیابی ای ای جی ڈیٹا کے لیے ایک بنیادی ماڈل تیار کرنے کا امکان پیدا کرتی ہے جو مختلف کاموں اور ایپلی کیشنز میں عام طور پر لاگو ہو سکتا ہے، جس سے ای ای جی تجزیہ کے شعبے میں حاصل کی جانے والی کامیابیوں کی حدود کو مزید وسعت ملتی ہے۔