Introductie van ZUNA, een BCI-fundamentmodel met 380 miljoen parameters voor EEG-gegevens, een belangrijke mijlpaal in de ontwikkeling van niet-invasieve gedachte-naar-tekst. Volledig open source, Apache 2.0.

Niet-invasieve EEG-gegevens zijn gemakkelijk toegankelijk en informatie-dense, waardoor ze een praktische basis vormen voor thought-to-text BCI-toepassingen. EEG registreert de elektrische activiteit van de hersenen via elektroden op de hoofdhuid om verschillende neurologische aandoeningen te diagnosticeren en de hersenstatus te monitoren.

Hoewel EEG-gegevens rijk aan informatie zijn, zijn ze vaak rommelig, gekweld door kanaaluitval, bewegingsartefacten en spaarzame elektrodebedekking. ZUNA reconstrueert hoogwaardige hersensignalen uit EEG-gegevens, waardoor betere diagnostiek, onderzoek en BCI-toepassingen mogelijk zijn zonder extra hardware.

Apparaten met minder EEG-sensoren ruilen signaaldekking in voor toegankelijkheid. ZUNA voorspelt ontbrekende kanalen op basis van spaarzame gegevens en elektrodencoördinaten, en levert klinisch-waardige signalen die schalen van consumentenheadsets tot 256-elektrode onderzoeksystemen, zonder hertraining.

ZUNA presteert dramatisch beter dan conventionele methoden zoals de sferische spline-interpolatie van MNE over gemaskeerde en ongeziene EEG-datasets. Het voordeel neemt toe met hogere upsampling, vooral bij 4x, waar klassieke methoden falen en ZUNA uitblinkt.

Getraind op 2 miljoen kanaaluren over 208 EEG-datasets, gebruikt ZUNA gemaskeerde diffusietraining en 4D ruimtelijke embeddings om te generaliseren over datasets en willekeurige elektrode-indelingen.

We zijn enthousiast om ZUNA te delen. Geweldig werk van het Zyphra BCI-team. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Degenen die geïnteresseerd zijn in samenwerking om toekomstige versies voor specifieke behoeften of gebruiksgevallen te verbeteren, kunnen contact opnemen met @PaulWhiteIRL @dannymartinelli