EEG2Rep: EEG ڈیٹا ماڈلنگ کے لئے خود نگرانی کرنے والی AI ساخت
ایچ۔ بی۔ دوران
اپ ڈیٹ کیا گیا
22 مئی، 2024
EEG2Rep: EEG ڈیٹا ماڈلنگ کے لئے خود نگرانی کرنے والی AI ساخت
ایچ۔ بی۔ دوران
اپ ڈیٹ کیا گیا
22 مئی، 2024
EEG2Rep: EEG ڈیٹا ماڈلنگ کے لئے خود نگرانی کرنے والی AI ساخت
ایچ۔ بی۔ دوران
اپ ڈیٹ کیا گیا
22 مئی، 2024
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو معتبر KDD 2024 Conference میں پیشکش کے لیے قبول کر لیا گیا ہے۔
نوید فومانی اس کے مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنی، ڈاکٹر سعد ارتضیٰ، اور ڈاکٹر نام نگوین (Emotiv Research, Pty Ltd) شامل ہیں۔
Emotiv نوید فومانی کو اسپانسر کرتا ہے، جو ایک پی ایچ ڈی کے امیدوار ہیں اور میلبورن، آسٹریلیا کی موناش یونیورسٹی میں ڈاکٹر مہسا صالحی کی نگرانی میں ای ای جی (EEG) ڈیٹا پر ڈیپ لرننگ کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہماری ٹیم کے ساتھ مل کر ایک نیا سیلف سپروائزڈ آرکیٹیکچر تیار کرنے کے لیے کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کی ماڈلنگ کے لیے انتہائی امید افزا ہے۔
5 ای ای جی ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن ڈیٹا پر لاگو کیا: 18 افراد x 45 منٹ کی سیمولیٹڈ ڈرائیونگ جس میں ڈرائیونگ کے تجربے کے دوران متواتر خلفشار (جیسے موبائل کالز، ٹیکسٹ پیغامات، نیویگیشن، موسیقی کا انتخاب، گفتگو، فوری ذہنی حساب کتاب وغیرہ) شامل تھے۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ طریقوں کا استعمال کرتے ہوئے 68% درستگی کے میٹرک کے ساتھ فراہم کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں ان کی پی ایچ ڈی کے دوران مہسا کو اسپانسر کیا، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجموعی طریقوں (ensemble methods) کا استعمال کرتے ہوئے درستگی کے میٹرک کو 72% تک بہتر بنانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن ڈیٹا سیٹ پر لاگو کیا گیا اور اس نے اب تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک نمایاں بہتری ہے۔ مزید برآں، اس ماڈل نے پانچوں عوامی ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں سے نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا، بشمول جذباتی اور ذہنی حالت کی شناخت، ملٹی ٹاسکنگ، پرسکون حالت کی ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کی شناخت۔
یہ کامیابی ای ای جی ڈیٹا کے لیے ایک بنیادی ماڈل تیار کرنے کا امکان پیدا کرتی ہے جو مختلف کاموں اور ایپلی کیشنز میں یکساں کارآمد ہو سکتا ہے، جس سے ای ای جی تجزیہ کے میدان میں حاصل کی جانے والی کامیابیوں کی حدود مزید وسیع ہو جاتی ہیں۔
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو معتبر KDD 2024 Conference میں پیشکش کے لیے قبول کر لیا گیا ہے۔
نوید فومانی اس کے مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنی، ڈاکٹر سعد ارتضیٰ، اور ڈاکٹر نام نگوین (Emotiv Research, Pty Ltd) شامل ہیں۔
Emotiv نوید فومانی کو اسپانسر کرتا ہے، جو ایک پی ایچ ڈی کے امیدوار ہیں اور میلبورن، آسٹریلیا کی موناش یونیورسٹی میں ڈاکٹر مہسا صالحی کی نگرانی میں ای ای جی (EEG) ڈیٹا پر ڈیپ لرننگ کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہماری ٹیم کے ساتھ مل کر ایک نیا سیلف سپروائزڈ آرکیٹیکچر تیار کرنے کے لیے کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کی ماڈلنگ کے لیے انتہائی امید افزا ہے۔
5 ای ای جی ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن ڈیٹا پر لاگو کیا: 18 افراد x 45 منٹ کی سیمولیٹڈ ڈرائیونگ جس میں ڈرائیونگ کے تجربے کے دوران متواتر خلفشار (جیسے موبائل کالز، ٹیکسٹ پیغامات، نیویگیشن، موسیقی کا انتخاب، گفتگو، فوری ذہنی حساب کتاب وغیرہ) شامل تھے۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ طریقوں کا استعمال کرتے ہوئے 68% درستگی کے میٹرک کے ساتھ فراہم کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں ان کی پی ایچ ڈی کے دوران مہسا کو اسپانسر کیا، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجموعی طریقوں (ensemble methods) کا استعمال کرتے ہوئے درستگی کے میٹرک کو 72% تک بہتر بنانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن ڈیٹا سیٹ پر لاگو کیا گیا اور اس نے اب تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک نمایاں بہتری ہے۔ مزید برآں، اس ماڈل نے پانچوں عوامی ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں سے نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا، بشمول جذباتی اور ذہنی حالت کی شناخت، ملٹی ٹاسکنگ، پرسکون حالت کی ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کی شناخت۔
یہ کامیابی ای ای جی ڈیٹا کے لیے ایک بنیادی ماڈل تیار کرنے کا امکان پیدا کرتی ہے جو مختلف کاموں اور ایپلی کیشنز میں یکساں کارآمد ہو سکتا ہے، جس سے ای ای جی تجزیہ کے میدان میں حاصل کی جانے والی کامیابیوں کی حدود مزید وسیع ہو جاتی ہیں۔
ہمیں یہ اعلان کرتے ہوئے خوشی ہو رہی ہے کہ مقالہ “EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs” کو معتبر KDD 2024 Conference میں پیشکش کے لیے قبول کر لیا گیا ہے۔
نوید فومانی اس کے مرکزی مصنف ہیں۔ شریک مصنفین میں ڈاکٹر مہسا صالحی (موناش یونیورسٹی)، ڈاکٹر جیفری میکیلر، ڈاکٹر سہیلہ غنی، ڈاکٹر سعد ارتضیٰ، اور ڈاکٹر نام نگوین (Emotiv Research, Pty Ltd) شامل ہیں۔
Emotiv نوید فومانی کو اسپانسر کرتا ہے، جو ایک پی ایچ ڈی کے امیدوار ہیں اور میلبورن، آسٹریلیا کی موناش یونیورسٹی میں ڈاکٹر مہسا صالحی کی نگرانی میں ای ای جی (EEG) ڈیٹا پر ڈیپ لرننگ کے طریقوں کو لاگو کرنے پر کام کر رہے ہیں۔ نوید نے ہماری ٹیم کے ساتھ مل کر ایک نیا سیلف سپروائزڈ آرکیٹیکچر تیار کرنے کے لیے کام کیا جسے EEG2Rep کہا جاتا ہے، جو ای ای جی ڈیٹا کی ماڈلنگ کے لیے انتہائی امید افزا ہے۔
5 ای ای جی ڈیٹا سیٹس میں سے ایک کے طور پر، نوید نے ان طریقوں کو ہمارے ڈرائیور اٹینشن ڈیٹا پر لاگو کیا: 18 افراد x 45 منٹ کی سیمولیٹڈ ڈرائیونگ جس میں ڈرائیونگ کے تجربے کے دوران متواتر خلفشار (جیسے موبائل کالز، ٹیکسٹ پیغامات، نیویگیشن، موسیقی کا انتخاب، گفتگو، فوری ذہنی حساب کتاب وغیرہ) شامل تھے۔ ہمارا ڈرائیور اٹینشن الگورتھم 2013 میں جدید ترین مشین لرننگ طریقوں کا استعمال کرتے ہوئے 68% درستگی کے میٹرک کے ساتھ فراہم کیا گیا تھا۔
ہم نے 2015 میں میلبورن یونیورسٹی میں ان کی پی ایچ ڈی کے دوران مہسا کو اسپانسر کیا، اور انہیں یہی ڈیٹا سیٹ فراہم کیا۔ انہوں نے مجموعی طریقوں (ensemble methods) کا استعمال کرتے ہوئے درستگی کے میٹرک کو 72% تک بہتر بنانے میں کامیابی حاصل کی۔
EEG2Rep ماڈل کو ڈرائیور ڈسٹریکشن ڈیٹا سیٹ پر لاگو کیا گیا اور اس نے اب تک کی سب سے زیادہ درستگی، 80.07% حاصل کی، جو کہ ایک نمایاں بہتری ہے۔ مزید برآں، اس ماڈل نے پانچوں عوامی ڈیٹا سیٹس میں سے ہر ایک میں جدید ترین طریقوں سے نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا، بشمول جذباتی اور ذہنی حالت کی شناخت، ملٹی ٹاسکنگ، پرسکون حالت کی ای ای جی، اور مرگی اور فالج جیسی طبی حالتوں کی شناخت۔
یہ کامیابی ای ای جی ڈیٹا کے لیے ایک بنیادی ماڈل تیار کرنے کا امکان پیدا کرتی ہے جو مختلف کاموں اور ایپلی کیشنز میں یکساں کارآمد ہو سکتا ہے، جس سے ای ای جی تجزیہ کے میدان میں حاصل کی جانے والی کامیابیوں کی حدود مزید وسیع ہو جاتی ہیں۔
