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: معلوماتی ماسکڈ ان پٹ کے ذریعے خود نگرانی شدہ EEG نمائندگی میں اضافہ” کو KDD 2024 کانفرنس میں پیشی کے لیے قبول کر لیا گیا ہے۔
نوید فوجانی مرکزی مصنف ہیں۔ شراکت دار مصنفین ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میک کیلر، ڈاکٹر سہیلہ غانے، ڈاکٹر سعد ارتضی، اور ڈاکٹر نام نگوئن (ایموٹیو ریسرچ، Pty Ltd) ہیں۔
ایموٹیو نوید فوجانی کو اسپانسر کرتا ہے، جو ایک پی ایچ ڈی امیدوار ہیں جو ڈاکٹر مہسا صالحی کی نگرانی میں ملبورن، آسٹریلیا کی موناش یونیورسٹی میں EEG ڈیٹا پر گہری سیکھنے کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہمارے ساتھ قریب سے کام کیا تاکہ EEG2Rep کے نام سے ایک نیا خود نگران معماری تیار کیا جائے، جو EEG ڈیٹا کو ماڈل کرنے کے لیے انتہائی امید افزا ہے۔
نوید نے ہمارے ڈرائیور توجہ ڈیٹا کے ساتھ 5 EEG ڈیٹا سیٹس میں سے ایک کے طور پر ان طریقوں کا استعمال کیا: 18 موضوعات x 45 منٹ کی شبیہہ گاڑی چلانے کا تجربہ، جس میں گاڑی چلانے کے تجربے کے معمول کے مداخلک کامیاب ڈاک، مثلی کارشی تکا، موبایل کال، متن پیغامات، نیویگیشن، موسیقی انتخاب، گفتگو، دماغی حساب کتاب وغیرہ شامل تھے۔ ہمارے ڈرائیور توجہ جلب کرنیر کا الجورٹھ کے ساتھ 68% درستی کی کامیابی تھی جو 2013 میں جدید ترین مشین لرننگ کے طریقوں کے استعمال کے ساتھ حاصل کی گئی تھی۔
ہم نے مہسا کو ان کی پی ایچ ڈی کے دوران ملبورن یونیورسٹی میں 2015 میں اسپانسر کیا، ان کو وہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجتمع طریقوں کا استعمال کرتے ہوئے درستگی کی میٹرک کو 72% تک بہتر کرنے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور توجہ ہٹانے کے ڈیٹا سیٹ پر لاگو کیا گیا اور آج تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک قابل قدر بہتری ہے۔ اس کے علاوہ، ماڈل نے پانچ عوامی ڈیٹا سیٹس میں سے ہر ایک میں موجود طریقوں کو نمایاں طور پر بہتر طور پر کارکردگی دکھا کر ایموشنل اور ذہنی حالت کی دریافت، ملٹي ٹاسکنگ، آرام کی حالت EEG اور طبی حالتوں جیسے مرگی اور فالج کی دریافت میں کامیابی حاصل کی۔
یہ کامیابی EEG ڈیٹا کے لیے ایک بنیادی ماڈل کی ترقی کا امکان کھولتی ہے، جو مختلف کاموں اور استعمالات کے دوران عام کرنے کی صلاحیت رکھتا ہے، اور EEG تجزیے کے میدان میں حاصل کیے جانے والے حدود کو آگے بڑھاتا ہے۔
ہم یہ اعلان کرتے ہوئے خوشی محسوس کر رہے ہیں کہ مقالہ “EEG2Rep: معلوماتی ماسکڈ ان پٹ کے ذریعے خود نگرانی شدہ EEG نمائندگی میں اضافہ” کو KDD 2024 کانفرنس میں پیشی کے لیے قبول کر لیا گیا ہے۔
نوید فوجانی مرکزی مصنف ہیں۔ شراکت دار مصنفین ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میک کیلر، ڈاکٹر سہیلہ غانے، ڈاکٹر سعد ارتضی، اور ڈاکٹر نام نگوئن (ایموٹیو ریسرچ، Pty Ltd) ہیں۔
ایموٹیو نوید فوجانی کو اسپانسر کرتا ہے، جو ایک پی ایچ ڈی امیدوار ہیں جو ڈاکٹر مہسا صالحی کی نگرانی میں ملبورن، آسٹریلیا کی موناش یونیورسٹی میں EEG ڈیٹا پر گہری سیکھنے کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہمارے ساتھ قریب سے کام کیا تاکہ EEG2Rep کے نام سے ایک نیا خود نگران معماری تیار کیا جائے، جو EEG ڈیٹا کو ماڈل کرنے کے لیے انتہائی امید افزا ہے۔
نوید نے ہمارے ڈرائیور توجہ ڈیٹا کے ساتھ 5 EEG ڈیٹا سیٹس میں سے ایک کے طور پر ان طریقوں کا استعمال کیا: 18 موضوعات x 45 منٹ کی شبیہہ گاڑی چلانے کا تجربہ، جس میں گاڑی چلانے کے تجربے کے معمول کے مداخلک کامیاب ڈاک، مثلی کارشی تکا، موبایل کال، متن پیغامات، نیویگیشن، موسیقی انتخاب، گفتگو، دماغی حساب کتاب وغیرہ شامل تھے۔ ہمارے ڈرائیور توجہ جلب کرنیر کا الجورٹھ کے ساتھ 68% درستی کی کامیابی تھی جو 2013 میں جدید ترین مشین لرننگ کے طریقوں کے استعمال کے ساتھ حاصل کی گئی تھی۔
ہم نے مہسا کو ان کی پی ایچ ڈی کے دوران ملبورن یونیورسٹی میں 2015 میں اسپانسر کیا، ان کو وہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجتمع طریقوں کا استعمال کرتے ہوئے درستگی کی میٹرک کو 72% تک بہتر کرنے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور توجہ ہٹانے کے ڈیٹا سیٹ پر لاگو کیا گیا اور آج تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک قابل قدر بہتری ہے۔ اس کے علاوہ، ماڈل نے پانچ عوامی ڈیٹا سیٹس میں سے ہر ایک میں موجود طریقوں کو نمایاں طور پر بہتر طور پر کارکردگی دکھا کر ایموشنل اور ذہنی حالت کی دریافت، ملٹي ٹاسکنگ، آرام کی حالت EEG اور طبی حالتوں جیسے مرگی اور فالج کی دریافت میں کامیابی حاصل کی۔
یہ کامیابی EEG ڈیٹا کے لیے ایک بنیادی ماڈل کی ترقی کا امکان کھولتی ہے، جو مختلف کاموں اور استعمالات کے دوران عام کرنے کی صلاحیت رکھتا ہے، اور EEG تجزیے کے میدان میں حاصل کیے جانے والے حدود کو آگے بڑھاتا ہے۔
ہم یہ اعلان کرتے ہوئے خوشی محسوس کر رہے ہیں کہ مقالہ “EEG2Rep: معلوماتی ماسکڈ ان پٹ کے ذریعے خود نگرانی شدہ EEG نمائندگی میں اضافہ” کو KDD 2024 کانفرنس میں پیشی کے لیے قبول کر لیا گیا ہے۔
نوید فوجانی مرکزی مصنف ہیں۔ شراکت دار مصنفین ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میک کیلر، ڈاکٹر سہیلہ غانے، ڈاکٹر سعد ارتضی، اور ڈاکٹر نام نگوئن (ایموٹیو ریسرچ، Pty Ltd) ہیں۔
ایموٹیو نوید فوجانی کو اسپانسر کرتا ہے، جو ایک پی ایچ ڈی امیدوار ہیں جو ڈاکٹر مہسا صالحی کی نگرانی میں ملبورن، آسٹریلیا کی موناش یونیورسٹی میں EEG ڈیٹا پر گہری سیکھنے کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہمارے ساتھ قریب سے کام کیا تاکہ EEG2Rep کے نام سے ایک نیا خود نگران معماری تیار کیا جائے، جو EEG ڈیٹا کو ماڈل کرنے کے لیے انتہائی امید افزا ہے۔
نوید نے ہمارے ڈرائیور توجہ ڈیٹا کے ساتھ 5 EEG ڈیٹا سیٹس میں سے ایک کے طور پر ان طریقوں کا استعمال کیا: 18 موضوعات x 45 منٹ کی شبیہہ گاڑی چلانے کا تجربہ، جس میں گاڑی چلانے کے تجربے کے معمول کے مداخلک کامیاب ڈاک، مثلی کارشی تکا، موبایل کال، متن پیغامات، نیویگیشن، موسیقی انتخاب، گفتگو، دماغی حساب کتاب وغیرہ شامل تھے۔ ہمارے ڈرائیور توجہ جلب کرنیر کا الجورٹھ کے ساتھ 68% درستی کی کامیابی تھی جو 2013 میں جدید ترین مشین لرننگ کے طریقوں کے استعمال کے ساتھ حاصل کی گئی تھی۔
ہم نے مہسا کو ان کی پی ایچ ڈی کے دوران ملبورن یونیورسٹی میں 2015 میں اسپانسر کیا، ان کو وہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجتمع طریقوں کا استعمال کرتے ہوئے درستگی کی میٹرک کو 72% تک بہتر کرنے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور توجہ ہٹانے کے ڈیٹا سیٹ پر لاگو کیا گیا اور آج تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک قابل قدر بہتری ہے۔ اس کے علاوہ، ماڈل نے پانچ عوامی ڈیٹا سیٹس میں سے ہر ایک میں موجود طریقوں کو نمایاں طور پر بہتر طور پر کارکردگی دکھا کر ایموشنل اور ذہنی حالت کی دریافت، ملٹي ٹاسکنگ، آرام کی حالت EEG اور طبی حالتوں جیسے مرگی اور فالج کی دریافت میں کامیابی حاصل کی۔
یہ کامیابی EEG ڈیٹا کے لیے ایک بنیادی ماڈل کی ترقی کا امکان کھولتی ہے، جو مختلف کاموں اور استعمالات کے دوران عام کرنے کی صلاحیت رکھتا ہے، اور EEG تجزیے کے میدان میں حاصل کیے جانے والے حدود کو آگے بڑھاتا ہے۔
