Vi introduserer ZUNA, en 380M-parameter BCI-grunnmodell for EEG-data, en viktig milepæl i utviklingen av ikke-invasiv tanke-til-tekst. Fullstendig åpen kildekode, Apache 2.0.

Ikke-invasive EEG-data er lett tilgjengelige og informasjonstette, noe som gjør det til et praktisk grunnlag for tanke-til-tekst-BCI-applikasjoner. EEG registrerer elektrisk aktivitet i hjernen gjennom hodebunnselektroder for å diagnostisere ulike nevrologiske tilstander og overvåke hjernetilstander.

Selv om EEG-dataene er innholdsrike, er de ofte rotete, plaget av kanalavbrudd, bevegelsesartefakter og sparsom elektrodekning. ZUNA rekonstruerer høyoppløselige hjernesignaler fra EEG-data, noe som muliggjør bedre diagnostikk, forskning og BCI-applikasjoner uten ekstra maskinvare.

Enheter med færre EEG-sensorer bytter signaldekning mot tilgjengelighet. ZUNA forutsier manglende kanaler ut fra sparsomme data og elektrodekoordinater, og leverer kliniske signaler som skalerer fra forbrukerheadset til 256-elektrode forskningssystemer, uten omtrening.

ZUNA overgår dramatisk konvensjonelle metoder som MNEs sfæriske spline-interpolasjon over maskerte og usette EEG-datasett. Fordelen øker med høyere oppprøving, spesielt ved 4x, hvor klassiske metoder bryter sammen og ZUNA utmerker seg.

TRENT på 2 millioner kanaltimer over 208 EEG-datasett, bruker ZUNA masked diffusion-trening og 4D-romlige innbeddinger for å generalisere på tvers av datasett og vilkårlige elektrodeoppsett.

Vi er glade for å dele ZUNA. Flott arbeid av Zyphra BCI-teamet. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge De som er interessert i å samarbeide for å forbedre fremtidige versjoner for spesifikke behov eller bruksområder, bør ta kontakt @PaulWhiteIRL @dannymartinelli