Przedstawiamy ZUNA, model podstawowy BCI z 380 milionami parametrów do danych EEG, znaczący krok w rozwoju nieinwazyjnego przekształcania myśli w tekst. W pełni otwarte źródło, Apache 2.0.

Dane EEG uzyskiwane w sposób nieinwazyjny są łatwo dostępne i bogate w informacje, co czyni je praktyczną podstawą dla aplikacji BCI przekształcających myśli na tekst. EEG rejestruje aktywność elektryczną mózgu za pomocą elektrod umieszczonych na skórze głowy, aby diagnozować różne schorzenia neurologiczne i monitorować stany mózgu.

Chociaż dane EEG są bogate w informacje, często są chaotyczne, dotknięte utratą kanałów, artefaktami ruchowymi i rzadką pokryciem elektrod. ZUNA rekonstruuje sygnały mózgowe o wysokiej wierności z danych EEG, umożliwiając lepszą diagnostykę, badania i zastosowania BCI bez dodatkowego sprzętu.

Urządzenia z mniejszą liczbą sensorów EEG wymieniają zasięg sygnału na dostępność. ZUNA przewiduje brakujące kanały na podstawie rzadkich danych i współrzędnych elektrod, dostarczając sygnały kliniczne, które skalują się od konsumenckich zestawów słuchawkowych do systemów badawczych z 256 elektrodami, bez potrzeby ponownego trenowania.

ZUNA znacznie przewyższa tradycyjne metody, takie jak interpolacja sferyczna MNE, w przypadku zamaskowanych i niewidocznych zbiorów danych EEG. Jego przewaga rośnie wraz z wyższym upsamplingiem, szczególnie przy 4x, gdzie klasyczne metody zawodzą, a ZUNA osiąga doskonałość.

Wytrenowany na 2 milionach godzin kanałów w 208 zestawach danych EEG, ZUNA wykorzystuje maskowane szkolenie dyfuzyjne i 4D osadzenia przestrzenne, aby uogólnić na różnych zestawach danych i dowolnych układach elektrod.

Cieszymy się, że możemy przedstawić ZUNA. Świetna praca zespołu Zyphra BCI. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Osoby zainteresowane współpracą w celu poprawy przyszłych wersji dla konkretnych potrzeb lub przypadków użycia powinny skontaktować się z @PaulWhiteIRL @dannymartinelli