Présentation de ZUNA, un modèle fondamental BCI de 380 millions de paramètres pour les données EEG, une étape significative dans le développement de la conversion de la pensée en texte non invasif. Entièrement open source, Apache 2.0.

Les données EEG non invasives sont facilement accessibles et riches en informations, ce qui en fait une base pratique pour les applications BCI de la pensée au texte. L'EEG enregistre l'activité électrique du cerveau à travers des électrodes placées sur le cuir chevelu pour diagnostiquer diverses conditions neurologiques et surveiller les états cérébraux.

Bien que riche en informations, les données EEG sont souvent désordonnées, affectées par des pertes de canaux, des artefacts de mouvement et une couverture électrode sparse. ZUNA reconstruit des signaux cérébraux haute fidélité à partir des données EEG, permettant de meilleures diagnostics, recherches et applications BCI sans matériel supplémentaire.

Les dispositifs avec moins de capteurs EEG échangent la couverture du signal contre l'accessibilité. ZUNA prédit les canaux manquants à partir de données rares et de coordonnées d'électrodes, fournissant des signaux de qualité clinique qui s'adaptent des casques grand public aux systèmes de recherche à 256 électrodes, sans nécessiter de réentraînement.

ZUNA surpasse de manière spectaculaire les méthodes conventionnelles comme l'interpolation par spline sphérique de MNE sur des ensembles de données EEG masqués et non vus. Son avantage augmente avec un suréchantillonnage plus élevé, en particulier à 4x, où les méthodes classiques échouent et ZUNA excelle.

Formé sur 2 millions d'heures de chaînes à travers 208 ensembles de données EEG, ZUNA utilise un entraînement par diffusion masquée et des embeddings spatiaux 4D pour se généraliser à travers les ensembles de données et les configurations d'électrodes arbitraires.

Nous sommes ravis de partager ZUNA. Un excellent travail de l'équipe Zyphra BCI. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Ceux qui souhaitent collaborer pour améliorer les futures versions en fonction de besoins ou cas d'utilisation spécifiques devraient contacter @PaulWhiteIRL @dannymartinelli