Představujeme ZUNA, 380Metrový BCI základní model pro EEG data, významný milník ve vývoji neinvazivního myšlenkového převodu na text. Plně open source, Apache 2.0.

Neinvazivní EEG data jsou snadno dostupná a informačně bohatá, což je činí praktickým základem pro aplikace BCI převedené myšlenkou do textu. EEG zaznamenává elektrickou aktivitu mozku pomocí elektrod na pokožce hlavy, aby diagnostikovalo různé neurologické stavy a monitorovalo stav mozku.

Ačkoliv jsou data EEG bohatá na informace, často jsou chaotická, sužovaná výpadky kanálů, pohybovými artefakty a řídkým pokrytím elektrod. ZUNA rekonstruuje vysoce věrné mozkové signály z EEG dat, což umožňuje lepší diagnostiku, výzkum a BCI aplikace bez dalšího hardwaru.

Zařízení s menším počtem EEG senzorů vyměňují pokrytí signálu za přístupnost. ZUNA předpovídá chybějící kanály z řídkých dat a souřadnic elektrod, čímž poskytuje klinické signály, které škálují od spotřebitelských headsetů až po výzkumné systémy s 256 elektrodami, bez nutnosti přeškolení.

ZUNA výrazně překonává konvenční metody, jako je interpolace sférických spline v MNE napříč maskovanými a neviditelnými EEG datovými sadami. Jeho výhoda roste s vyšším upsamplingem, zejména při 4x, kde klasické metody selhávají a ZUNA vyniká.

Trénovaná na 2 milionech kanálových hodin napříč 208 EEG datovými sadami, ZUNA využívá maskovaný difuzní trénink a 4D prostorové embeddingy k generalizaci napříč datovými sadami a libovolnými rozvrženími elektrod.

Jsme nadšení, že můžeme sdílet ZUNA. Skvělá práce týmu Zyphra BCI. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Ti, kteří mají zájem spolupracovat na zlepšení budoucích verzí pro konkrétní potřeby nebo případy použití, by se měli obrátit na @PaulWhiteIRL @dannymartinelli