اپنی یادداشت کو چیلنج کریں! نیا این-بیک گیم Emotiv App میں کھیلیں
اپنی یادداشت کو چیلنج کریں! نیا این-بیک گیم Emotiv App میں کھیلیں
اپنی یادداشت کو چیلنج کریں! نیا این-بیک گیم Emotiv App میں کھیلیں
دماغی-کمپیوٹر انٹرفیس کا استعمال کرتے ہوئے ابتدائی اشکال کی درجہ بندی
شئیر کریں:
احسان ترکیش اصفہانی، وی سندرراجن
خلاصہ
دماغ-کمپیوٹر انٹرفیس (BCIs) صارف تعامل کی متبادل ٹیکنالوجیز میں حالیہ ترقیات ہیں۔ اس مقالے کا مقصد CAD سسٹمز کے لئے BCIs کو صارف انٹرفیس کے طور پر دریافت کرنا ہے۔ مقالہ ایسے تجربات اور الگوریتھمز بیان کرتا ہے جو BCI کو استعمال کرتے ہوئے صارف کے تصور کردہ ابتدائی اشکال کے درمیان فرق کر سکتے ہیں۔ صارفین ایک الیکٹرو اینسیفالو گرام (EEG) ہیڈسیٹ پہنتے ہیں اور کیوب، کرہ، سلنڈر، اہرام یا کونی کی شکل کا تصور کرتے ہیں۔ EEG ہیڈسیٹ کھوپڑی کے 14 مقامات سے دماغی سرگرمی جمع کرتا ہے۔ ڈیٹا کو آزاد جزو تجزیہ (ICA) اور ہلبرٹ–ہوانگ ٹرانسفارم (HHT) کے ساتھ تجزیہ کیا جاتا ہے۔ دلچسپی کے خاصے مختلف فریکیونسی بینڈز (تھیٹا، الفا، بیٹا اور گاما بینڈ) کے مارجنل اسپیکٹرہ ہیں جو کہ ہر آزاد جزو کے ہلبرٹ اسپیکٹرم سے حاصل کیے گئے ہیں۔ پھر مان-وائٹنی یو-ٹیسٹ کو پانچ جوڑی دار درجہ بندی میں اعتماد کے ساتھ EEG الیکٹروڈ چینلز کو درجہ دینے کے لئے لاگو کیا جاتا ہے۔ سب سے اعلی درجہ کے آزاد اجزاء کی خصوصیات آخری خاصے ویکٹر کی تشکیل دیتی ہیں جو کہ بعد میں ایک لکیری امتیازی درجہ بند کرنے والے کو تربیت دینے کے لئے استعمال کی جاتی ہیں۔ نتائج دکھاتے ہیں کہ یہ درجہ بند کرنے والا پانچ بنیادی ابتدائی اشیاء کے درمیان اوسط 44.6٪ درستی کے ساتھ فرق کر سکتا ہے (بنیادی درجہ بندی کی شرح 20٪ کے مقابلے میں) دس صارفین پر (درستی کی حد 36%-54%)۔ درجہ بندی کی درستی 39.9٪ تک تبدیل ہو جاتی ہے جب بصری اور لفظی اشارے دونوں استعمال کئے جاتے ہیں۔ خاصے نکالنے اور درجہ بندی کی دہرائیگی کو 10 مختلف دن تجربے کو انہی شرکاء کے ساتھ کرکے چیک کیا گیا۔ یہ ظاہر کرتا ہے کہ BCI CAD سسٹمز میں جغرافیائی اشکال بنانے میں وعدہ رکھتا ہے اور صارف تعامل کے لئے ایک نیا ذریعہ ہو سکتا ہے۔مکمل رپورٹ کے لیے یہاں کلک کریں۔
احسان ترکیش اصفہانی، وی سندرراجن
خلاصہ
دماغ-کمپیوٹر انٹرفیس (BCIs) صارف تعامل کی متبادل ٹیکنالوجیز میں حالیہ ترقیات ہیں۔ اس مقالے کا مقصد CAD سسٹمز کے لئے BCIs کو صارف انٹرفیس کے طور پر دریافت کرنا ہے۔ مقالہ ایسے تجربات اور الگوریتھمز بیان کرتا ہے جو BCI کو استعمال کرتے ہوئے صارف کے تصور کردہ ابتدائی اشکال کے درمیان فرق کر سکتے ہیں۔ صارفین ایک الیکٹرو اینسیفالو گرام (EEG) ہیڈسیٹ پہنتے ہیں اور کیوب، کرہ، سلنڈر، اہرام یا کونی کی شکل کا تصور کرتے ہیں۔ EEG ہیڈسیٹ کھوپڑی کے 14 مقامات سے دماغی سرگرمی جمع کرتا ہے۔ ڈیٹا کو آزاد جزو تجزیہ (ICA) اور ہلبرٹ–ہوانگ ٹرانسفارم (HHT) کے ساتھ تجزیہ کیا جاتا ہے۔ دلچسپی کے خاصے مختلف فریکیونسی بینڈز (تھیٹا، الفا، بیٹا اور گاما بینڈ) کے مارجنل اسپیکٹرہ ہیں جو کہ ہر آزاد جزو کے ہلبرٹ اسپیکٹرم سے حاصل کیے گئے ہیں۔ پھر مان-وائٹنی یو-ٹیسٹ کو پانچ جوڑی دار درجہ بندی میں اعتماد کے ساتھ EEG الیکٹروڈ چینلز کو درجہ دینے کے لئے لاگو کیا جاتا ہے۔ سب سے اعلی درجہ کے آزاد اجزاء کی خصوصیات آخری خاصے ویکٹر کی تشکیل دیتی ہیں جو کہ بعد میں ایک لکیری امتیازی درجہ بند کرنے والے کو تربیت دینے کے لئے استعمال کی جاتی ہیں۔ نتائج دکھاتے ہیں کہ یہ درجہ بند کرنے والا پانچ بنیادی ابتدائی اشیاء کے درمیان اوسط 44.6٪ درستی کے ساتھ فرق کر سکتا ہے (بنیادی درجہ بندی کی شرح 20٪ کے مقابلے میں) دس صارفین پر (درستی کی حد 36%-54%)۔ درجہ بندی کی درستی 39.9٪ تک تبدیل ہو جاتی ہے جب بصری اور لفظی اشارے دونوں استعمال کئے جاتے ہیں۔ خاصے نکالنے اور درجہ بندی کی دہرائیگی کو 10 مختلف دن تجربے کو انہی شرکاء کے ساتھ کرکے چیک کیا گیا۔ یہ ظاہر کرتا ہے کہ BCI CAD سسٹمز میں جغرافیائی اشکال بنانے میں وعدہ رکھتا ہے اور صارف تعامل کے لئے ایک نیا ذریعہ ہو سکتا ہے۔مکمل رپورٹ کے لیے یہاں کلک کریں۔
احسان ترکیش اصفہانی، وی سندرراجن
خلاصہ
دماغ-کمپیوٹر انٹرفیس (BCIs) صارف تعامل کی متبادل ٹیکنالوجیز میں حالیہ ترقیات ہیں۔ اس مقالے کا مقصد CAD سسٹمز کے لئے BCIs کو صارف انٹرفیس کے طور پر دریافت کرنا ہے۔ مقالہ ایسے تجربات اور الگوریتھمز بیان کرتا ہے جو BCI کو استعمال کرتے ہوئے صارف کے تصور کردہ ابتدائی اشکال کے درمیان فرق کر سکتے ہیں۔ صارفین ایک الیکٹرو اینسیفالو گرام (EEG) ہیڈسیٹ پہنتے ہیں اور کیوب، کرہ، سلنڈر، اہرام یا کونی کی شکل کا تصور کرتے ہیں۔ EEG ہیڈسیٹ کھوپڑی کے 14 مقامات سے دماغی سرگرمی جمع کرتا ہے۔ ڈیٹا کو آزاد جزو تجزیہ (ICA) اور ہلبرٹ–ہوانگ ٹرانسفارم (HHT) کے ساتھ تجزیہ کیا جاتا ہے۔ دلچسپی کے خاصے مختلف فریکیونسی بینڈز (تھیٹا، الفا، بیٹا اور گاما بینڈ) کے مارجنل اسپیکٹرہ ہیں جو کہ ہر آزاد جزو کے ہلبرٹ اسپیکٹرم سے حاصل کیے گئے ہیں۔ پھر مان-وائٹنی یو-ٹیسٹ کو پانچ جوڑی دار درجہ بندی میں اعتماد کے ساتھ EEG الیکٹروڈ چینلز کو درجہ دینے کے لئے لاگو کیا جاتا ہے۔ سب سے اعلی درجہ کے آزاد اجزاء کی خصوصیات آخری خاصے ویکٹر کی تشکیل دیتی ہیں جو کہ بعد میں ایک لکیری امتیازی درجہ بند کرنے والے کو تربیت دینے کے لئے استعمال کی جاتی ہیں۔ نتائج دکھاتے ہیں کہ یہ درجہ بند کرنے والا پانچ بنیادی ابتدائی اشیاء کے درمیان اوسط 44.6٪ درستی کے ساتھ فرق کر سکتا ہے (بنیادی درجہ بندی کی شرح 20٪ کے مقابلے میں) دس صارفین پر (درستی کی حد 36%-54%)۔ درجہ بندی کی درستی 39.9٪ تک تبدیل ہو جاتی ہے جب بصری اور لفظی اشارے دونوں استعمال کئے جاتے ہیں۔ خاصے نکالنے اور درجہ بندی کی دہرائیگی کو 10 مختلف دن تجربے کو انہی شرکاء کے ساتھ کرکے چیک کیا گیا۔ یہ ظاہر کرتا ہے کہ BCI CAD سسٹمز میں جغرافیائی اشکال بنانے میں وعدہ رکھتا ہے اور صارف تعامل کے لئے ایک نیا ذریعہ ہو سکتا ہے۔مکمل رپورٹ کے لیے یہاں کلک کریں۔