ডেল্টা২গামা: স্ব-শিক্ষণকারী ইইজি বিশ্লেষণ আলঝেইমারের লক্ষণ আরও নির্ভুলভাবে শনাক্ত করে

1 সেপ্টেম্বর 2026৮ প্রদর্শন

একটি নতুন পদ্ধতি যা অলেবেলবিহীন সংকেতের উপর প্রশিক্ষণ নেয়, রেকর্ডিংকে পাঁচটি ছন্দে বিভক্ত করে এবং বৈপরীত্য তুলনাকে অভিযোজিতভাবে সুর করে। ADFTD ডেটাসেটে এটি ৯২.৪% নির্ভুলতা অর্জন করেছে, যা শাস্ত্রীয় তত্ত্বাবধানকৃত পদ্ধতিগুলিকে ছাড়িয়ে গেছে।

ডেল্টা২গামা: স্ব-শিক্ষণকারী ইইজি বিশ্লেষণ আলঝেইমারের লক্ষণ আরও নির্ভুলভাবে শনাক্ত করে

EEG একটি সস্তা, কিন্তু জটিল সংকেত

আলঝেইমার রোগের প্রাথমিক নির্ণয়ের জন্য সাশ্রয়ী মূল্যের পদ্ধতি প্রয়োজন। EEG আদর্শ বলে মনে হয়: যন্ত্রপাতি পোর্টেবল এবং সস্তা। কিন্তু রেকর্ডিংগুলির কিছু বিশেষত্ব রয়েছে: সেগুলি শোরগোলপূর্ণ, মানুষের মধ্যে ব্যাপকভাবে ভিন্ন, এবং চিহ্নিত ক্লিনিকাল ডেটা খুব কম। এর কারণে, সাধারণ নিউরাল নেটওয়ার্ক, যা সরাসরি প্রশিক্ষিত, প্রায়ই অতিমাত্রায় ফিট হয়ে যায় এবং নতুন রোগীদের উপর খারাপভাবে কাজ করে।

এই ধরনের পরিস্থিতিতে, স্ব-শিক্ষণ বিশ্লেষণ, যেমন Delta2Gamma, আশাব্যঞ্জক।

ম্যানুয়াল লেবেলিংয়ের পরিবর্তে স্ব-শিক্ষণ

গবেষক চানউ পাক এবং চানউ কিম Delta2Gamma ফ্রেমওয়ার্ক প্রস্তাব করেছেন, যার জন্য বড় লেবেলযুক্ত ডেটাসেটের প্রয়োজন হয় না। ধারণাটি হল সংকেতগুলির উপর নিজেই শেখা, সেগুলি থেকে বর্ধিত সংস্করণ তৈরি করা এবং সেগুলিকে একে অপরের সাথে তুলনা করা — এই পদ্ধতিটিকে কনট্রাস্টিভ লার্নিং বলা হয়।

প্রথমে, প্রতিটি রেকর্ডিং পাঁচটি শাস্ত্রীয় নিউরাল রিদমে বিভক্ত করা হয়: ডেল্টা, থিটা, আলফা, বিটা এবং গামা। প্রতিটি রিদমের জন্য একটি আলাদা এনকোডার এবং একটি আলাদা প্রজেকশন হেড ব্যবহার করা হয়, কারণ ব্যান্ডগুলির পরিসংখ্যান আলাদা। প্রশিক্ষণে তাদের সুষম অবদান নিশ্চিত করতে, প্রতিটি ব্যান্ডের জন্য একটি তাপমাত্রা অভিযোজিতভাবে নির্বাচন করা হয় — একটি প্যারামিটার যা কনট্রাস্টিভ লস ফাংশনের সংবেদনশীলতা নিয়ন্ত্রণ করে।

ফলাফল

কাজটি ২০২৬ IEEE বায়োমেডিক্যাল সার্কিটস অ্যান্ড সিস্টেমস কনফারেন্স (BioCAS)-এ গৃহীত হয়েছে। ADFTD কোহর্টে, Delta2Gamma-এর কার্যকারিতা একটি কঠোর leave-one-subject-out প্রোটোকলের সাথে যাচাই করা হয়েছে: মডেলটি একজন ব্যতীত সকল অংশগ্রহণকারীদের উপর প্রশিক্ষিত হয়, এবং তারপর বাদ পড়া বিষয়ের উপর পরীক্ষা করা হয়। এটি বাস্তব ব্যবহারের সবচেয়ে কাছাকাছি। এই ধরনের যাচাইকরণে, আলঝেইমার রোগী এবং জ্ঞানীয়ভাবে স্বাভাবিক ব্যক্তিদের ৯২.৪% নির্ভুলতার সাথে আলাদা করা সম্ভব হয়েছে।

এই ফলাফলটি সাধারণ তত্ত্বাবধানকৃত নিউরাল নেটওয়ার্ক এবং সাম্প্রতিক বিশেষায়িত EEG বিশ্লেষণ পদ্ধতি উভয়কেই ছাড়িয়ে যায়, যা বিশেষভাবে এই কাজের জন্য তৈরি করা হয়েছিল।

উপসংহার

Delta2Gamma দেখায় যে স্ব-শিক্ষণ EEG বিশ্লেষণ বিশাল লেবেলযুক্ত ডেটাবেস ছাড়াই উচ্চ নির্ভুলতা দিতে সক্ষম। কাঁচা, লেবেলবিহীন ডেটা নিয়ে কাজ করার ক্ষমতা পদ্ধতিটিকে স্কেলযোগ্য করে তোলে — এটি ডিমেনশিয়ার ব্যাপক স্ক্রিনিংয়ের জন্য প্রয়োগ করা যেতে পারে, যেখানে প্রধান বিষয় হল কম খরচ এবং সরলতা। এটি সম্পূর্ণ নির্ণয়ের বিকল্প নয়, তবে প্রাথমিক নির্বাচনের জন্য একটি আশাব্যঞ্জক হাতিয়ার।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
AURA-Eval: কীভাবে যাচাই করবেন যে LLM এজেন্ট ঝুঁকি শনাক্ত করেছে এবং পরবর্তী পদক্ষেপ পরিবর্তন করেছে
সংবাদ

AURA-Eval: কীভাবে যাচাই করবেন যে LLM এজেন্ট ঝুঁকি শনাক্ত করেছে এবং পরবর্তী পদক্ষেপ পরিবর্তন করেছে

এই ফ্রেমওয়ার্ক LLM এজেন্টদের আচরণকে চূড়ান্ত রায় দিয়ে নয়, বরং গুরুত্বপূর্ণ মুহূর্তে ঝুঁকির প্রতিক্রিয়া দিয়ে মূল্যায়ন করে: টুল কলের ধারা মাঝপথে থামিয়ে দেওয়া হয়, এরপর মডেলকে তার যুক্তি ও কাজ চালিয়ে যেতে হয়; আর LLM বিচারকদের একটি প্যানেল ঝুঁকি শনাক্তকরণ, পদক্ষেপের ধরন ও নিরাপত্তা বিশ্লেষণ করে। R-Judge-এর 157টি ট্র্যাজেক্টরি থেকে সংগৃহীত 1249টি কাজে, 20টি মডেলের নিরাপদ পথ না থাকলে অনিরাপদ পদক্ষেপ নেওয়ার প্রবণতা বেড়ে যায়; আর কাজ সম্পন্ন হওয়ার আগে তদারকি তুলে নিলে শুরুতে নিরাপদ থাকা ঘটনাগুলোর 52,3% অনিরাপদ হয়ে ওঠে।

10 নভেম্বর 2026
চের্ন–সাইমনস রিজার্ভারের স্মৃতি: সংযোগের স্বায়ত্তশাসিত গতিবিদ্যা এবং ঘনত্ব পরিবহন
সংবাদ

চের্ন–সাইমনস রিজার্ভারের স্মৃতি: সংযোগের স্বায়ত্তশাসিত গতিবিদ্যা এবং ঘনত্ব পরিবহন

এই নিবন্ধে আলোচনা করা হয়েছে, কীভাবে একটি রিজার্ভয়ার ইনপুট সিগন্যালের ইতিহাস একই সঙ্গে ঘনত্বের বণ্টন এবং জ্যামিতিক স্বাধীনতার মাত্রায় সংরক্ষণ করে। চারটি প্রক্রিয়ার তুলনা দেখায় যে কারেন্ট একটি স্বতন্ত্র সংযুক্তি উপাদান তৈরি করে, যা ঘনত্বের পরবর্তী প্রতিক্রিয়া পরিবর্তন করে; আর পরিমাপ করা সব বৈশিষ্ট্য বিবেচনায় নিলে ইমপালসের ক্রম ডিকোড করার ক্ষেত্রে সামান্য উন্নতি হয়।

10 নভেম্বর 2026
STAR: এন্ড-টু-এন্ড ইনসিডেন্ট ব্যবস্থাপনার জন্য সময়গত প্রেক্ষাপট ও সার্ভিস গ্রাফের অভিযোজিত স্বাভাবিকীকরণ
গবেষণা

STAR: এন্ড-টু-এন্ড ইনসিডেন্ট ব্যবস্থাপনার জন্য সময়গত প্রেক্ষাপট ও সার্ভিস গ্রাফের অভিযোজিত স্বাভাবিকীকরণ

STAR ফ্রেমওয়ার্কটি মেট্রিক, লগ ও ট্রেস থেকে উপস্থাপনা শেখায়, যেখানে বহুমাত্রিক সময়গত গতিশীলতা এবং পরিষেবাগুলোর মধ্যে নির্ভরতার কাঠামো বিবেচনায় নিয়ে শেখনযোগ্য নরমালাইজেশন প্রয়োগ করা হয়। দুটি বাস্তব ডেটাসেটে, এই পদ্ধতি আধুনিক বেসলাইন পদ্ধতিগুলোর তুলনায় অ্যানোমালি শনাক্তকরণ, ব্যর্থতার অগ্রাধিকার নির্ধারণ এবং মূল কারণ অনুসন্ধানের মান ধারাবাহিকভাবে উন্নত করে।

10 নভেম্বর 2026