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
EEG2Rep: EEG ڈیٹا ماڈلنگ کے لئے خود نگرانی کرنے والی AI ساخت
ہیدی دوران
-
شئیر کریں:
ہم یہ اعلان کرتے ہوئے خوشی محسوس کر رہے ہیں کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو KDD 2024 کانفرنس میں پیش کرنے کے لئے منظور کر لیا گیا ہے۔
نوید فومانی مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر محسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنی، ڈاکٹر سعد ارتضاء، اور ڈاکٹر نم نگوئن (EMOTIV ریسرچ، Pty Ltd) شامل ہیں۔
EMOTIV نے نوید فومانی کی اسپانسرشپ کی، جو ایک پی ایچ ڈی امیدوار ہیں اور موناش یونیورسٹی، میلبرن، آسٹریلیا میں ڈاکٹر محسا صالحی کی نگرانی کے تحت EEG ڈیٹا پر گہرائی مطالعے کے طریقے استعمال کر رہے ہیں۔ نوید نے ہمارے ٹیم کے ساتھ مل کر ایک نیا خود نگرانی پر مبنی آرکیٹیکچر EEG2Rep بنایا، جو EEG ڈیٹا کو ماڈل کرنے کے لئے بے حد امید افزا ہے۔
5 EEG datasets میں سے ایک کے طور پر، نوید نے ہمارے Driver Attention ڈیٹا پر ان طریقوں کا اطلاق کیا: 18 subjects x 45 منٹ کی نقلی ڈرائیونگ مع وقفہ وقفہ سے دوا بھولنے والے ڈرائیونگ تجربے کی (موبائل کالز، ٹیکسٹ پیغامات، نیویگیشن، موسیقی کا انتخاب، بات چیت، ذہنی حسابات وغیرہ) کے ساتھ۔ ہمارے Driver Attention الگوردم کو 2013 میں state-of-the-art مشین لرننگ کے طریقوں کے استعمال کے ساتھ 68% درستی میٹرک کے ساتھ جانچ کیا گیا۔
ہم نے 2015 میں میلبرن یونیورسٹی میں ان کی پی ایچ ڈی کے دوران محسا کو اسپانسر کیا، اور انہیں وہی dataset فراہم کیا۔ انہوں نے ensemble طریقوں کا استعمال کرتے ہوئے درستی میٹرک کو 72% تک بڑھا دیا۔
EEG2Rep ماڈل کو Driver Distraction dataset پر نافذ کیا گیا اور آج تک کی سب سے زیادہ درستی 80.07% تک حاصل کی گئی، جو کہ ایک زبردست بہتری ہے۔ اس کے علاوہ، ماڈل نے پانچ عوامی datasets میں بھی state-of-the-art طریقوں کو نمایاں طور پر پیچھے چھوڑ دیا، جس میں جذباتی اور ذہنی حالت کا پتہ لگانا، ملٹی ٹاسکنگ، آرام کی حالت EEG، اور طبی حالات جیسے مرگی اور فالج کا پتہ لگانا شامل ہیں۔
یہ کامیابی EEG ڈیٹا کے لئے ایک بنیادی ماڈل تیار کرنے کے امکان کو کھولتی ہے جو مختلف کاموں اور ایپلی کیشنز کے درمیان عمومی حیثیت رکھ سکتا ہے، EEG تجزیہ کے میدان میں حاصل کردہ حدود کو مزید آگے بڑھانے کے لئے۔
ہم یہ اعلان کرتے ہوئے خوشی محسوس کر رہے ہیں کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو KDD 2024 کانفرنس میں پیش کرنے کے لئے منظور کر لیا گیا ہے۔
نوید فومانی مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر محسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنی، ڈاکٹر سعد ارتضاء، اور ڈاکٹر نم نگوئن (EMOTIV ریسرچ، Pty Ltd) شامل ہیں۔
EMOTIV نے نوید فومانی کی اسپانسرشپ کی، جو ایک پی ایچ ڈی امیدوار ہیں اور موناش یونیورسٹی، میلبرن، آسٹریلیا میں ڈاکٹر محسا صالحی کی نگرانی کے تحت EEG ڈیٹا پر گہرائی مطالعے کے طریقے استعمال کر رہے ہیں۔ نوید نے ہمارے ٹیم کے ساتھ مل کر ایک نیا خود نگرانی پر مبنی آرکیٹیکچر EEG2Rep بنایا، جو EEG ڈیٹا کو ماڈل کرنے کے لئے بے حد امید افزا ہے۔
5 EEG datasets میں سے ایک کے طور پر، نوید نے ہمارے Driver Attention ڈیٹا پر ان طریقوں کا اطلاق کیا: 18 subjects x 45 منٹ کی نقلی ڈرائیونگ مع وقفہ وقفہ سے دوا بھولنے والے ڈرائیونگ تجربے کی (موبائل کالز، ٹیکسٹ پیغامات، نیویگیشن، موسیقی کا انتخاب، بات چیت، ذہنی حسابات وغیرہ) کے ساتھ۔ ہمارے Driver Attention الگوردم کو 2013 میں state-of-the-art مشین لرننگ کے طریقوں کے استعمال کے ساتھ 68% درستی میٹرک کے ساتھ جانچ کیا گیا۔
ہم نے 2015 میں میلبرن یونیورسٹی میں ان کی پی ایچ ڈی کے دوران محسا کو اسپانسر کیا، اور انہیں وہی dataset فراہم کیا۔ انہوں نے ensemble طریقوں کا استعمال کرتے ہوئے درستی میٹرک کو 72% تک بڑھا دیا۔
EEG2Rep ماڈل کو Driver Distraction dataset پر نافذ کیا گیا اور آج تک کی سب سے زیادہ درستی 80.07% تک حاصل کی گئی، جو کہ ایک زبردست بہتری ہے۔ اس کے علاوہ، ماڈل نے پانچ عوامی datasets میں بھی state-of-the-art طریقوں کو نمایاں طور پر پیچھے چھوڑ دیا، جس میں جذباتی اور ذہنی حالت کا پتہ لگانا، ملٹی ٹاسکنگ، آرام کی حالت EEG، اور طبی حالات جیسے مرگی اور فالج کا پتہ لگانا شامل ہیں۔
یہ کامیابی EEG ڈیٹا کے لئے ایک بنیادی ماڈل تیار کرنے کے امکان کو کھولتی ہے جو مختلف کاموں اور ایپلی کیشنز کے درمیان عمومی حیثیت رکھ سکتا ہے، EEG تجزیہ کے میدان میں حاصل کردہ حدود کو مزید آگے بڑھانے کے لئے۔
ہم یہ اعلان کرتے ہوئے خوشی محسوس کر رہے ہیں کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو KDD 2024 کانفرنس میں پیش کرنے کے لئے منظور کر لیا گیا ہے۔
نوید فومانی مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر محسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنی، ڈاکٹر سعد ارتضاء، اور ڈاکٹر نم نگوئن (EMOTIV ریسرچ، Pty Ltd) شامل ہیں۔
EMOTIV نے نوید فومانی کی اسپانسرشپ کی، جو ایک پی ایچ ڈی امیدوار ہیں اور موناش یونیورسٹی، میلبرن، آسٹریلیا میں ڈاکٹر محسا صالحی کی نگرانی کے تحت EEG ڈیٹا پر گہرائی مطالعے کے طریقے استعمال کر رہے ہیں۔ نوید نے ہمارے ٹیم کے ساتھ مل کر ایک نیا خود نگرانی پر مبنی آرکیٹیکچر EEG2Rep بنایا، جو EEG ڈیٹا کو ماڈل کرنے کے لئے بے حد امید افزا ہے۔
5 EEG datasets میں سے ایک کے طور پر، نوید نے ہمارے Driver Attention ڈیٹا پر ان طریقوں کا اطلاق کیا: 18 subjects x 45 منٹ کی نقلی ڈرائیونگ مع وقفہ وقفہ سے دوا بھولنے والے ڈرائیونگ تجربے کی (موبائل کالز، ٹیکسٹ پیغامات، نیویگیشن، موسیقی کا انتخاب، بات چیت، ذہنی حسابات وغیرہ) کے ساتھ۔ ہمارے Driver Attention الگوردم کو 2013 میں state-of-the-art مشین لرننگ کے طریقوں کے استعمال کے ساتھ 68% درستی میٹرک کے ساتھ جانچ کیا گیا۔
ہم نے 2015 میں میلبرن یونیورسٹی میں ان کی پی ایچ ڈی کے دوران محسا کو اسپانسر کیا، اور انہیں وہی dataset فراہم کیا۔ انہوں نے ensemble طریقوں کا استعمال کرتے ہوئے درستی میٹرک کو 72% تک بڑھا دیا۔
EEG2Rep ماڈل کو Driver Distraction dataset پر نافذ کیا گیا اور آج تک کی سب سے زیادہ درستی 80.07% تک حاصل کی گئی، جو کہ ایک زبردست بہتری ہے۔ اس کے علاوہ، ماڈل نے پانچ عوامی datasets میں بھی state-of-the-art طریقوں کو نمایاں طور پر پیچھے چھوڑ دیا، جس میں جذباتی اور ذہنی حالت کا پتہ لگانا، ملٹی ٹاسکنگ، آرام کی حالت EEG، اور طبی حالات جیسے مرگی اور فالج کا پتہ لگانا شامل ہیں۔
یہ کامیابی EEG ڈیٹا کے لئے ایک بنیادی ماڈل تیار کرنے کے امکان کو کھولتی ہے جو مختلف کاموں اور ایپلی کیشنز کے درمیان عمومی حیثیت رکھ سکتا ہے، EEG تجزیہ کے میدان میں حاصل کردہ حدود کو مزید آگے بڑھانے کے لئے۔