EEG2Rep: ای ای جی (EEG) ڈیٹا ماڈلنگ کے لیے ایک سیلف سپروائزڈ اے آئی (AI) آرکیٹیکچر
ایچ۔ بی۔ ڈیوران
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۔ ڈیوران
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۔ ڈیوران
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 معتبر 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 نگوین (Emotiv ریسرچ، لمیٹڈ) شامل ہیں۔
Emotiv نے نوید فومانی کو اسپانسر کیا ہے، جو پی ایچ ڈی کے طالب علم ہیں اور میلبورن، آسٹریلیا کی 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 کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کو ماڈل کرنے کے لیے انتہائی امید افزا ہے۔
ای ای جی کے 5 ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن ڈیٹا پر لاگو کیا: 18 افراد جن کی 45 منٹ کی سیمولیٹڈ ڈرائیونگ شامل تھی جس میں ڈرائیونگ کے تجربے کے دوران عام طور پر پیش آنے والی خلل انگیز چیزیں (موبائل کالز، ٹیکسٹ میسجز، نیویگیشن، میوزک کا انتخاب، بات چیت، فوری ذہنی حساب کتاب وغیرہ) شامل تھیں۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ کے طریقوں کا استعمال کرتے ہوئے 68% درستگی کے ساتھ پیش کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں مہسا کی پی ایچ ڈی کے دوران ان کی کفالت کی، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجموعی طریقوں کا استعمال کرتے ہوئے درستگی کو بہتر بنا کر 72% تک پہنچانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن 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 پانچ پبلک ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں کو نمایاں طور پر پیچھے چھوڑ دیا، بشمول جذباتی اور ذہنی کیفیت کا پتہ لگانا، ملٹی ٹاسکنگ، ریسٹنگ اسٹیٹ ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کی تشخیص۔
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 کیا جا سکتا ہے، جس سے ای ای جی تجزیہ کے میدان میں حاصل کی جانے والی کامیابیوں کی حدود وسیع ہو جاتی ہیں۔
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو معتبر 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 نگوین (Emotiv ریسرچ، لمیٹڈ) شامل ہیں۔
Emotiv نے نوید فومانی کو اسپانسر کیا ہے، جو پی ایچ ڈی کے طالب علم ہیں اور میلبورن، آسٹریلیا کی 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 کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کو ماڈل کرنے کے لیے انتہائی امید افزا ہے۔
ای ای جی کے 5 ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن ڈیٹا پر لاگو کیا: 18 افراد جن کی 45 منٹ کی سیمولیٹڈ ڈرائیونگ شامل تھی جس میں ڈرائیونگ کے تجربے کے دوران عام طور پر پیش آنے والی خلل انگیز چیزیں (موبائل کالز، ٹیکسٹ میسجز، نیویگیشن، میوزک کا انتخاب، بات چیت، فوری ذہنی حساب کتاب وغیرہ) شامل تھیں۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ کے طریقوں کا استعمال کرتے ہوئے 68% درستگی کے ساتھ پیش کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں مہسا کی پی ایچ ڈی کے دوران ان کی کفالت کی، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجموعی طریقوں کا استعمال کرتے ہوئے درستگی کو بہتر بنا کر 72% تک پہنچانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن 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 پانچ پبلک ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں کو نمایاں طور پر پیچھے چھوڑ دیا، بشمول جذباتی اور ذہنی کیفیت کا پتہ لگانا، ملٹی ٹاسکنگ، ریسٹنگ اسٹیٹ ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کی تشخیص۔
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 کیا جا سکتا ہے، جس سے ای ای جی تجزیہ کے میدان میں حاصل کی جانے والی کامیابیوں کی حدود وسیع ہو جاتی ہیں۔
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو معتبر 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 نگوین (Emotiv ریسرچ، لمیٹڈ) شامل ہیں۔
Emotiv نے نوید فومانی کو اسپانسر کیا ہے، جو پی ایچ ڈی کے طالب علم ہیں اور میلبورن، آسٹریلیا کی 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 کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کو ماڈل کرنے کے لیے انتہائی امید افزا ہے۔
ای ای جی کے 5 ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن ڈیٹا پر لاگو کیا: 18 افراد جن کی 45 منٹ کی سیمولیٹڈ ڈرائیونگ شامل تھی جس میں ڈرائیونگ کے تجربے کے دوران عام طور پر پیش آنے والی خلل انگیز چیزیں (موبائل کالز، ٹیکسٹ میسجز، نیویگیشن، میوزک کا انتخاب، بات چیت، فوری ذہنی حساب کتاب وغیرہ) شامل تھیں۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ کے طریقوں کا استعمال کرتے ہوئے 68% درستگی کے ساتھ پیش کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں مہسا کی پی ایچ ڈی کے دوران ان کی کفالت کی، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجموعی طریقوں کا استعمال کرتے ہوئے درستگی کو بہتر بنا کر 72% تک پہنچانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن 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 پانچ پبلک ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں کو نمایاں طور پر پیچھے چھوڑ دیا، بشمول جذباتی اور ذہنی کیفیت کا پتہ لگانا، ملٹی ٹاسکنگ، ریسٹنگ اسٹیٹ ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کی تشخیص۔
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 کیا جا سکتا ہے، جس سے ای ای جی تجزیہ کے میدان میں حاصل کی جانے والی کامیابیوں کی حدود وسیع ہو جاتی ہیں۔
پڑھنا جاری رکھیں