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
موبائل EEG سینسر کے ساتھ ذہنی کام کے بوجھ کی نگرانی
شئیر کریں:
خلاصہ
موجودہ تحقیق کا مقصد یہ جانچنا تھا کہ آیا موبائل الیکٹرو اینسیفالوگرافی (EEG) سیٹ اپ کو ذہنی بوجھ کو ٹریک کرنے کے لیے استعمال کیا جا سکتا ہے، جو سیکھنے کی کارکردگی اور محرک کا ایک اہم پہلو ہے اور اس طرح علمی تربیتی طریقوں کے جائزے میں معلومات کا ایک قیمتی ذریعہ بن سکتا ہے۔
پچیس صحت مند افراد نے ایک مکمل موبائل سیٹ اپ کا استعمال کرتے ہوئے، جو کہ ٹاسک کی پریزنٹیشن کے لیے ٹیبلٹ اور دو اسیسمنٹ پوائنٹس پر خود ماؤنٹ موبائل EEG ڈیوائس کے ساتھ EEG ڈیٹا اکٹھا کرنے پر مشتمل تھا، تین سطحی N-back ٹیسٹ انجام دیا۔ تجزیے کے دوہری نقطہ نظر کو منتخب کیا گیا جس میں تغیر کے معیار کے تجزیے اور مصنوعی اعصابی نیٹ ورک شامل ہے تاکہ علمی بوجھ کی سطحوں کو ممتاز کیا جا سکے۔ ہمارے نتائج سے پتہ چلتا ہے کہ سیٹ اپ علمی بوجھ میں تبدیلی detect کرنے کے قابل ہے، جیسا کہ مختلف فریکوئنسی بینڈز میں لوبز کے پار تبدیلیاں ظاہر ہوتی ہیں۔ خاص طور پر، ہم نے occipital alpha میں کمی اور بڑھتی ہوئی علمی بوجھ کے ساتھ فرنٹل، parietal، اور occipital theta میں اضافہ مشاہدہ کیا۔ علمی بوجھ کی سب سے زیادہ ممتاز سطحوں کو مربوط مشین لرننگ ماڈلز کے ذریعے 86% درستگی کے ساتھ ممتاز کیا جا سکتا ہے۔
نتائج
موجودہ تحقیق میں، ہم نے ذہنی تربیتی کاموں کے لیے EEG ریکارڈنگ کے ساتھ مل کر ایک مکمل موبائل سیٹ اپ کی جانچ کی تاکہ علمی بوجھ کو detect کیا جا سکے۔ سیٹ اپ ایک موبائل EEG ڈیوائس پر مبنی تھا جس کو ایک ٹیبلٹ کے ساتھ شامل کیا گیا تھا تاکہ علمی کام کو ظاہر کیا جا سکے تاکہ آسانی سے ماؤنٹ کرنے اور خود آزمائش کرنے کی اجازت ہو سکے۔ رویے کے ڈیٹا کے تجزیے نے کام کی دشواری کے لحاظ سے کام کی کارکردگی میں فرق کی تصدیق کی۔ مزید برآں، ہم نے کام کی زیادہ دشواری پر occipital alpha فریکوئنسی بینڈ پاور میں کمی اور فرنٹل تھیٹا فریکوئنسی بینڈ پاور میں اضافہ پایا، ہماری بنیادی قیاس کی تصدیق کرتے ہوئے۔ اس کے علاوہ، خودکار علمی کوشش کی درجہ بندی نے ظاہر کیا کہ مشین لرننگ کا طریقہ زیادہ ممتاز سطحوں کے درمیان علمی بوجھ میں 86% درستگی کے ساتھ امتیاز کرتا ہے۔ ہمارے نتائج تجویز کرتے ہیں کہ مکمل موبائل سیٹ اپ کی قابلیت منفرد علمی بوجھ کی سطحوں کو detect کرنے جیسا کہ بینڈ پاور تبدیلیوں کے ذریعے ظاہر ہوتا ہے۔ اس کے علاوہ، الیکٹروڈ ماؤنٹ کرنے کی ابتدائی بالمشافہ تربیتی نشست کے ساتھ موضوعی طور پر درجہ بند قابل استعمال مناسب ہے۔ مستقبل کی تحقیقات کے زیادہ متنوع نمونے بشمول وسیع عمری حدود اور مریض کے گروہوں میں نتائج کا اندازہ کرنے کی ضرورت ہے۔
خلاصہ
موجودہ تحقیق کا مقصد یہ جانچنا تھا کہ آیا موبائل الیکٹرو اینسیفالوگرافی (EEG) سیٹ اپ کو ذہنی بوجھ کو ٹریک کرنے کے لیے استعمال کیا جا سکتا ہے، جو سیکھنے کی کارکردگی اور محرک کا ایک اہم پہلو ہے اور اس طرح علمی تربیتی طریقوں کے جائزے میں معلومات کا ایک قیمتی ذریعہ بن سکتا ہے۔
پچیس صحت مند افراد نے ایک مکمل موبائل سیٹ اپ کا استعمال کرتے ہوئے، جو کہ ٹاسک کی پریزنٹیشن کے لیے ٹیبلٹ اور دو اسیسمنٹ پوائنٹس پر خود ماؤنٹ موبائل EEG ڈیوائس کے ساتھ EEG ڈیٹا اکٹھا کرنے پر مشتمل تھا، تین سطحی N-back ٹیسٹ انجام دیا۔ تجزیے کے دوہری نقطہ نظر کو منتخب کیا گیا جس میں تغیر کے معیار کے تجزیے اور مصنوعی اعصابی نیٹ ورک شامل ہے تاکہ علمی بوجھ کی سطحوں کو ممتاز کیا جا سکے۔ ہمارے نتائج سے پتہ چلتا ہے کہ سیٹ اپ علمی بوجھ میں تبدیلی detect کرنے کے قابل ہے، جیسا کہ مختلف فریکوئنسی بینڈز میں لوبز کے پار تبدیلیاں ظاہر ہوتی ہیں۔ خاص طور پر، ہم نے occipital alpha میں کمی اور بڑھتی ہوئی علمی بوجھ کے ساتھ فرنٹل، parietal، اور occipital theta میں اضافہ مشاہدہ کیا۔ علمی بوجھ کی سب سے زیادہ ممتاز سطحوں کو مربوط مشین لرننگ ماڈلز کے ذریعے 86% درستگی کے ساتھ ممتاز کیا جا سکتا ہے۔
نتائج
موجودہ تحقیق میں، ہم نے ذہنی تربیتی کاموں کے لیے EEG ریکارڈنگ کے ساتھ مل کر ایک مکمل موبائل سیٹ اپ کی جانچ کی تاکہ علمی بوجھ کو detect کیا جا سکے۔ سیٹ اپ ایک موبائل EEG ڈیوائس پر مبنی تھا جس کو ایک ٹیبلٹ کے ساتھ شامل کیا گیا تھا تاکہ علمی کام کو ظاہر کیا جا سکے تاکہ آسانی سے ماؤنٹ کرنے اور خود آزمائش کرنے کی اجازت ہو سکے۔ رویے کے ڈیٹا کے تجزیے نے کام کی دشواری کے لحاظ سے کام کی کارکردگی میں فرق کی تصدیق کی۔ مزید برآں، ہم نے کام کی زیادہ دشواری پر occipital alpha فریکوئنسی بینڈ پاور میں کمی اور فرنٹل تھیٹا فریکوئنسی بینڈ پاور میں اضافہ پایا، ہماری بنیادی قیاس کی تصدیق کرتے ہوئے۔ اس کے علاوہ، خودکار علمی کوشش کی درجہ بندی نے ظاہر کیا کہ مشین لرننگ کا طریقہ زیادہ ممتاز سطحوں کے درمیان علمی بوجھ میں 86% درستگی کے ساتھ امتیاز کرتا ہے۔ ہمارے نتائج تجویز کرتے ہیں کہ مکمل موبائل سیٹ اپ کی قابلیت منفرد علمی بوجھ کی سطحوں کو detect کرنے جیسا کہ بینڈ پاور تبدیلیوں کے ذریعے ظاہر ہوتا ہے۔ اس کے علاوہ، الیکٹروڈ ماؤنٹ کرنے کی ابتدائی بالمشافہ تربیتی نشست کے ساتھ موضوعی طور پر درجہ بند قابل استعمال مناسب ہے۔ مستقبل کی تحقیقات کے زیادہ متنوع نمونے بشمول وسیع عمری حدود اور مریض کے گروہوں میں نتائج کا اندازہ کرنے کی ضرورت ہے۔
خلاصہ
موجودہ تحقیق کا مقصد یہ جانچنا تھا کہ آیا موبائل الیکٹرو اینسیفالوگرافی (EEG) سیٹ اپ کو ذہنی بوجھ کو ٹریک کرنے کے لیے استعمال کیا جا سکتا ہے، جو سیکھنے کی کارکردگی اور محرک کا ایک اہم پہلو ہے اور اس طرح علمی تربیتی طریقوں کے جائزے میں معلومات کا ایک قیمتی ذریعہ بن سکتا ہے۔
پچیس صحت مند افراد نے ایک مکمل موبائل سیٹ اپ کا استعمال کرتے ہوئے، جو کہ ٹاسک کی پریزنٹیشن کے لیے ٹیبلٹ اور دو اسیسمنٹ پوائنٹس پر خود ماؤنٹ موبائل EEG ڈیوائس کے ساتھ EEG ڈیٹا اکٹھا کرنے پر مشتمل تھا، تین سطحی N-back ٹیسٹ انجام دیا۔ تجزیے کے دوہری نقطہ نظر کو منتخب کیا گیا جس میں تغیر کے معیار کے تجزیے اور مصنوعی اعصابی نیٹ ورک شامل ہے تاکہ علمی بوجھ کی سطحوں کو ممتاز کیا جا سکے۔ ہمارے نتائج سے پتہ چلتا ہے کہ سیٹ اپ علمی بوجھ میں تبدیلی detect کرنے کے قابل ہے، جیسا کہ مختلف فریکوئنسی بینڈز میں لوبز کے پار تبدیلیاں ظاہر ہوتی ہیں۔ خاص طور پر، ہم نے occipital alpha میں کمی اور بڑھتی ہوئی علمی بوجھ کے ساتھ فرنٹل، parietal، اور occipital theta میں اضافہ مشاہدہ کیا۔ علمی بوجھ کی سب سے زیادہ ممتاز سطحوں کو مربوط مشین لرننگ ماڈلز کے ذریعے 86% درستگی کے ساتھ ممتاز کیا جا سکتا ہے۔
نتائج
موجودہ تحقیق میں، ہم نے ذہنی تربیتی کاموں کے لیے EEG ریکارڈنگ کے ساتھ مل کر ایک مکمل موبائل سیٹ اپ کی جانچ کی تاکہ علمی بوجھ کو detect کیا جا سکے۔ سیٹ اپ ایک موبائل EEG ڈیوائس پر مبنی تھا جس کو ایک ٹیبلٹ کے ساتھ شامل کیا گیا تھا تاکہ علمی کام کو ظاہر کیا جا سکے تاکہ آسانی سے ماؤنٹ کرنے اور خود آزمائش کرنے کی اجازت ہو سکے۔ رویے کے ڈیٹا کے تجزیے نے کام کی دشواری کے لحاظ سے کام کی کارکردگی میں فرق کی تصدیق کی۔ مزید برآں، ہم نے کام کی زیادہ دشواری پر occipital alpha فریکوئنسی بینڈ پاور میں کمی اور فرنٹل تھیٹا فریکوئنسی بینڈ پاور میں اضافہ پایا، ہماری بنیادی قیاس کی تصدیق کرتے ہوئے۔ اس کے علاوہ، خودکار علمی کوشش کی درجہ بندی نے ظاہر کیا کہ مشین لرننگ کا طریقہ زیادہ ممتاز سطحوں کے درمیان علمی بوجھ میں 86% درستگی کے ساتھ امتیاز کرتا ہے۔ ہمارے نتائج تجویز کرتے ہیں کہ مکمل موبائل سیٹ اپ کی قابلیت منفرد علمی بوجھ کی سطحوں کو detect کرنے جیسا کہ بینڈ پاور تبدیلیوں کے ذریعے ظاہر ہوتا ہے۔ اس کے علاوہ، الیکٹروڈ ماؤنٹ کرنے کی ابتدائی بالمشافہ تربیتی نشست کے ساتھ موضوعی طور پر درجہ بند قابل استعمال مناسب ہے۔ مستقبل کی تحقیقات کے زیادہ متنوع نمونے بشمول وسیع عمری حدود اور مریض کے گروہوں میں نتائج کا اندازہ کرنے کی ضرورت ہے۔
