Einführung von ZUNA, einem BCI-Grundlagenmodell mit 380 Millionen Parametern für EEG-Daten, ein bedeutender Meilenstein in der Entwicklung von nicht-invasivem Gedanken-zu-Text. Vollständig Open Source, Apache 2.0.

Nicht-invasive EEG-Daten sind leicht zugänglich und informationsreich, was sie zu einer praktischen Grundlage für Gedanken-zu-Text-BCI-Anwendungen macht. EEG zeichnet die elektrische Aktivität des Gehirns über Elektroden auf der Kopfhaut auf, um verschiedene neurologische Erkrankungen zu diagnostizieren und den Zustand des Gehirns zu überwachen.

Obwohl EEG-Daten informationsreich sind, sind sie oft unordentlich, geplagt von Kanalabbrüchen, Bewegungsartefakten und spärlicher Elektrodenabdeckung. ZUNA rekonstruiert hochauflösende Gehirnsignale aus EEG-Daten, was bessere Diagnosen, Forschung und BCI-Anwendungen ohne zusätzliche Hardware ermöglicht.

Geräte mit weniger EEG-Sensoren tauschen die Signalabdeckung gegen Zugänglichkeit ein. ZUNA sagt fehlende Kanäle aus spärlichen Daten und Elektrodenkoordinaten voraus und liefert klinisch hochwertige Signale, die von Verbraucher-Headsets bis hin zu 256-Elektroden-Forschungssystemen skalieren, ohne dass eine Neutrainierung erforderlich ist.

ZUNA übertrifft konventionelle Methoden wie die sphärische Splinterpolation von MNE dramatisch in maskierten und ungesehenen EEG-Datensätzen. Der Vorteil wächst mit höherem Upsampling, insbesondere bei 4x, wo klassische Methoden versagen und ZUNA glänzt.

ZUNA, das auf 2 Millionen Kanalstunden aus 208 EEG-Datensätzen trainiert wurde, verwendet maskiertes Diffusionstraining und 4D-Raum-Embeddings, um über Datensätze und beliebige Elektrodenanordnungen zu generalisieren.

Wir freuen uns, ZUNA vorzustellen. Großartige Arbeit des Zyphra BCI-Teams. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Interessierte, die an einer Zusammenarbeit zur Verbesserung zukünftiger Versionen für spezifische Bedürfnisse oder Anwendungsfälle interessiert sind, sollten sich an @PaulWhiteIRL @dannymartinelli wenden.