ایک موبائل EEG سینسر کے ساتھ ذہنی کام کے بوجھ (Mental Workload) کی ٹریکنگ
قوک منہ لائی
اپ ڈیٹ کیا گیا
4 اگست، 2021
ایک موبائل EEG سینسر کے ساتھ ذہنی کام کے بوجھ (Mental Workload) کی ٹریکنگ
قوک منہ لائی
اپ ڈیٹ کیا گیا
4 اگست، 2021
ایک موبائل EEG سینسر کے ساتھ ذہنی کام کے بوجھ (Mental Workload) کی ٹریکنگ
قوک منہ لائی
اپ ڈیٹ کیا گیا
4 اگست، 2021
خلاصہ
موجودہ تحقیق کا مقصد اس بات کا اندازہ لگانا تھا کہ آیا موبائل الیکٹرو اینسفالوگرافی (EEG) سیٹ اپ کا استعمال ذہنی کام کے بوجھ (mental workload) کو ٹریک کرنے کے لیے کیا جا سکتا ہے، جو کہ سیکھنے کی کارکردگی اور حوصلہ افزائی کا ایک اہم پہلو ہے اور اس طرح علمی تربیتی طریقوں کی تشخیص میں معلومات کا ایک قیمتی ذریعہ بن سکتا ہے۔
پچیس صحت مند افراد نے دو تشخیصی اوقات پر ایک خود سے لگائے جانے والے موبائل EEG ڈیوائس کے ساتھ ٹیبلٹ پر مبنی ٹاسک کی پیشکش اور EEG ڈیٹا اکٹھا کرنے سمیت مکمل طور پر موبائل سیٹ اپ کا استعمال کرتے ہوئے تین سطحی N-back ٹیسٹ انجام دیا۔ سنجشتھاناتمک بوجھ (cognitive load) کی سطحوں میں فرق کرنے کے لیے ایک دوہرا تجزیاتی طریقہ منتخب کیا گیا جس میں ایک معیاری انیلیسس آف ویرینس اور ایک مصنوعی نیورل نیٹ ورک شامل تھا۔ ہماری نتائج بتاتے ہیں کہ یہ سیٹ اپ علمی بوجھ میں تبدیلیوں کا پتہ لگانے کے لیے موزوں ہے، جیسا کہ مختلف فریکوئنسی بینڈز میں لوبز میں تبدیلیوں سے ظاہر ہوتا ہے۔ خاص طور پر، ہم نے علمی بوجھ بڑھنے کے ساتھ آکسیپیٹل الفا (occipital alpha) میں کمی اور فرنٹل، پیرائٹل، اور آکسیپیٹل تھیٹا (occipital theta) میں اضافہ دیکھا۔ مربوط مشین لرننگ ماڈلز کے ذریعے علمی بوجھ کی سب سے الگ سطحوں کو 86% کی درستگی کے ساتھ تمیز کیا جا سکتا ہے۔
نتائج
موجودہ تحقیق میں، ہم نے علمی بوجھ کا پتہ لگانے کے لیے EEG ریکارڈنگ کے ساتھ علمی تربیتی کاموں کے لیے ایک مکمل طور پر موبائل سیٹ اپ کا تجربہ کیا۔ یہ سیٹ اپ ایک موبائل EEG ڈیوائس پر مبنی تھا جسے ایک ٹیبلٹ کے ساتھ جوڑا گیا تھا تاکہ علمی کام کو دکھایا جا سکے اور آسانی سے لگانے اور خود ٹیسٹ کرنے کی اجازت مل سکے۔ طرز عمل کے ڈیٹا کے تجزیے نے کام کی مشکل کے لحاظ سے کام کی کارکردگی میں فرق کی تصدیق کی۔ مزید برآں، ہم نے کام کی زیادہDifficulty پر آکسیپیٹل الفا فریکوئنسی بینڈ پاور میں کمی اور فرنٹل تھیٹا فریکوئنسی بینڈ پاور میں اضافہ پایا جس نے ہمارے بنیادی مفروضے کی تصدیق کی۔ اس کے علاوہ، خودکار علمی کوشش کی درجہ بندی (automatic cognitive effort classification) سے معلوم ہوا کہ مشین لرننگ کا طریقہ علمی بوجھ کی سب سے الگ سطحوں کے درمیان 86% کی درستگی کے ساتھ تمیز کرتا ہے۔ ہماری نتائج علمی بوجھ کی مختلف سطحوں کا پتہ لگانے کے لیے مکمل طور پر موبائل سیٹ اپ کی فزیبلٹی کی تجویز کرتے ہیں جیسا کہ بینڈ پاور میں تبدیلیوں سے ظاہر ہوتا ہے۔ اس کے علاوہ، الیکٹروڈ لگانے کے ابتدائی ان-پرسن تربیتی سیشن کے ساتھ ساپیکش طور پر درجہ بندی کی گئی استعمال کی صلاحیت (usability) مناسب ہے۔ مستقبل میں وسیع تر عمر کے گروپ اور مریضوں کے گروپوں سمیت زیادہ متنوع نمونوں میں نتائج کا جائزہ لینے کے لیے مزید تحقیقات کی ضرورت ہے۔
خلاصہ
موجودہ تحقیق کا مقصد اس بات کا اندازہ لگانا تھا کہ آیا موبائل الیکٹرو اینسفالوگرافی (EEG) سیٹ اپ کا استعمال ذہنی کام کے بوجھ (mental workload) کو ٹریک کرنے کے لیے کیا جا سکتا ہے، جو کہ سیکھنے کی کارکردگی اور حوصلہ افزائی کا ایک اہم پہلو ہے اور اس طرح علمی تربیتی طریقوں کی تشخیص میں معلومات کا ایک قیمتی ذریعہ بن سکتا ہے۔
پچیس صحت مند افراد نے دو تشخیصی اوقات پر ایک خود سے لگائے جانے والے موبائل EEG ڈیوائس کے ساتھ ٹیبلٹ پر مبنی ٹاسک کی پیشکش اور EEG ڈیٹا اکٹھا کرنے سمیت مکمل طور پر موبائل سیٹ اپ کا استعمال کرتے ہوئے تین سطحی N-back ٹیسٹ انجام دیا۔ سنجشتھاناتمک بوجھ (cognitive load) کی سطحوں میں فرق کرنے کے لیے ایک دوہرا تجزیاتی طریقہ منتخب کیا گیا جس میں ایک معیاری انیلیسس آف ویرینس اور ایک مصنوعی نیورل نیٹ ورک شامل تھا۔ ہماری نتائج بتاتے ہیں کہ یہ سیٹ اپ علمی بوجھ میں تبدیلیوں کا پتہ لگانے کے لیے موزوں ہے، جیسا کہ مختلف فریکوئنسی بینڈز میں لوبز میں تبدیلیوں سے ظاہر ہوتا ہے۔ خاص طور پر، ہم نے علمی بوجھ بڑھنے کے ساتھ آکسیپیٹل الفا (occipital alpha) میں کمی اور فرنٹل، پیرائٹل، اور آکسیپیٹل تھیٹا (occipital theta) میں اضافہ دیکھا۔ مربوط مشین لرننگ ماڈلز کے ذریعے علمی بوجھ کی سب سے الگ سطحوں کو 86% کی درستگی کے ساتھ تمیز کیا جا سکتا ہے۔
نتائج
موجودہ تحقیق میں، ہم نے علمی بوجھ کا پتہ لگانے کے لیے EEG ریکارڈنگ کے ساتھ علمی تربیتی کاموں کے لیے ایک مکمل طور پر موبائل سیٹ اپ کا تجربہ کیا۔ یہ سیٹ اپ ایک موبائل EEG ڈیوائس پر مبنی تھا جسے ایک ٹیبلٹ کے ساتھ جوڑا گیا تھا تاکہ علمی کام کو دکھایا جا سکے اور آسانی سے لگانے اور خود ٹیسٹ کرنے کی اجازت مل سکے۔ طرز عمل کے ڈیٹا کے تجزیے نے کام کی مشکل کے لحاظ سے کام کی کارکردگی میں فرق کی تصدیق کی۔ مزید برآں، ہم نے کام کی زیادہDifficulty پر آکسیپیٹل الفا فریکوئنسی بینڈ پاور میں کمی اور فرنٹل تھیٹا فریکوئنسی بینڈ پاور میں اضافہ پایا جس نے ہمارے بنیادی مفروضے کی تصدیق کی۔ اس کے علاوہ، خودکار علمی کوشش کی درجہ بندی (automatic cognitive effort classification) سے معلوم ہوا کہ مشین لرننگ کا طریقہ علمی بوجھ کی سب سے الگ سطحوں کے درمیان 86% کی درستگی کے ساتھ تمیز کرتا ہے۔ ہماری نتائج علمی بوجھ کی مختلف سطحوں کا پتہ لگانے کے لیے مکمل طور پر موبائل سیٹ اپ کی فزیبلٹی کی تجویز کرتے ہیں جیسا کہ بینڈ پاور میں تبدیلیوں سے ظاہر ہوتا ہے۔ اس کے علاوہ، الیکٹروڈ لگانے کے ابتدائی ان-پرسن تربیتی سیشن کے ساتھ ساپیکش طور پر درجہ بندی کی گئی استعمال کی صلاحیت (usability) مناسب ہے۔ مستقبل میں وسیع تر عمر کے گروپ اور مریضوں کے گروپوں سمیت زیادہ متنوع نمونوں میں نتائج کا جائزہ لینے کے لیے مزید تحقیقات کی ضرورت ہے۔
خلاصہ
موجودہ تحقیق کا مقصد اس بات کا اندازہ لگانا تھا کہ آیا موبائل الیکٹرو اینسفالوگرافی (EEG) سیٹ اپ کا استعمال ذہنی کام کے بوجھ (mental workload) کو ٹریک کرنے کے لیے کیا جا سکتا ہے، جو کہ سیکھنے کی کارکردگی اور حوصلہ افزائی کا ایک اہم پہلو ہے اور اس طرح علمی تربیتی طریقوں کی تشخیص میں معلومات کا ایک قیمتی ذریعہ بن سکتا ہے۔
پچیس صحت مند افراد نے دو تشخیصی اوقات پر ایک خود سے لگائے جانے والے موبائل EEG ڈیوائس کے ساتھ ٹیبلٹ پر مبنی ٹاسک کی پیشکش اور EEG ڈیٹا اکٹھا کرنے سمیت مکمل طور پر موبائل سیٹ اپ کا استعمال کرتے ہوئے تین سطحی N-back ٹیسٹ انجام دیا۔ سنجشتھاناتمک بوجھ (cognitive load) کی سطحوں میں فرق کرنے کے لیے ایک دوہرا تجزیاتی طریقہ منتخب کیا گیا جس میں ایک معیاری انیلیسس آف ویرینس اور ایک مصنوعی نیورل نیٹ ورک شامل تھا۔ ہماری نتائج بتاتے ہیں کہ یہ سیٹ اپ علمی بوجھ میں تبدیلیوں کا پتہ لگانے کے لیے موزوں ہے، جیسا کہ مختلف فریکوئنسی بینڈز میں لوبز میں تبدیلیوں سے ظاہر ہوتا ہے۔ خاص طور پر، ہم نے علمی بوجھ بڑھنے کے ساتھ آکسیپیٹل الفا (occipital alpha) میں کمی اور فرنٹل، پیرائٹل، اور آکسیپیٹل تھیٹا (occipital theta) میں اضافہ دیکھا۔ مربوط مشین لرننگ ماڈلز کے ذریعے علمی بوجھ کی سب سے الگ سطحوں کو 86% کی درستگی کے ساتھ تمیز کیا جا سکتا ہے۔
نتائج
موجودہ تحقیق میں، ہم نے علمی بوجھ کا پتہ لگانے کے لیے EEG ریکارڈنگ کے ساتھ علمی تربیتی کاموں کے لیے ایک مکمل طور پر موبائل سیٹ اپ کا تجربہ کیا۔ یہ سیٹ اپ ایک موبائل EEG ڈیوائس پر مبنی تھا جسے ایک ٹیبلٹ کے ساتھ جوڑا گیا تھا تاکہ علمی کام کو دکھایا جا سکے اور آسانی سے لگانے اور خود ٹیسٹ کرنے کی اجازت مل سکے۔ طرز عمل کے ڈیٹا کے تجزیے نے کام کی مشکل کے لحاظ سے کام کی کارکردگی میں فرق کی تصدیق کی۔ مزید برآں، ہم نے کام کی زیادہDifficulty پر آکسیپیٹل الفا فریکوئنسی بینڈ پاور میں کمی اور فرنٹل تھیٹا فریکوئنسی بینڈ پاور میں اضافہ پایا جس نے ہمارے بنیادی مفروضے کی تصدیق کی۔ اس کے علاوہ، خودکار علمی کوشش کی درجہ بندی (automatic cognitive effort classification) سے معلوم ہوا کہ مشین لرننگ کا طریقہ علمی بوجھ کی سب سے الگ سطحوں کے درمیان 86% کی درستگی کے ساتھ تمیز کرتا ہے۔ ہماری نتائج علمی بوجھ کی مختلف سطحوں کا پتہ لگانے کے لیے مکمل طور پر موبائل سیٹ اپ کی فزیبلٹی کی تجویز کرتے ہیں جیسا کہ بینڈ پاور میں تبدیلیوں سے ظاہر ہوتا ہے۔ اس کے علاوہ، الیکٹروڈ لگانے کے ابتدائی ان-پرسن تربیتی سیشن کے ساتھ ساپیکش طور پر درجہ بندی کی گئی استعمال کی صلاحیت (usability) مناسب ہے۔ مستقبل میں وسیع تر عمر کے گروپ اور مریضوں کے گروپوں سمیت زیادہ متنوع نمونوں میں نتائج کا جائزہ لینے کے لیے مزید تحقیقات کی ضرورت ہے۔
پڑھنا جاری رکھیں