Apresentando o ZUNA, um modelo de fundação BCI com 380M de parâmetros para dados de EEG, um marco significativo no desenvolvimento de pensamento-para-texto não invasivo. Totalmente open source, Apache 2.0.

Os dados de EEG não invasivos são facilmente acessíveis e ricos em informações, tornando-os uma base prática para aplicações de BCI de pensamento para texto. O EEG regista a atividade elétrica do cérebro através de eletrodos no couro cabeludo para diagnosticar várias condições neurológicas e monitorizar estados cerebrais.

Embora a informação seja rica, os dados de EEG são frequentemente desordenados, afetados por quedas de canais, artefatos de movimento e cobertura esparsa de eletrodos. A ZUNA reconstrói sinais cerebrais de alta fidelidade a partir de dados de EEG, permitindo melhores diagnósticos, pesquisas e aplicações de BCI sem hardware adicional.

Dispositivos com menos sensores EEG trocam a cobertura do sinal por acessibilidade. A ZUNA prevê canais ausentes a partir de dados esparsos e coordenadas de eletrodos, entregando sinais de qualidade clínica que escalam desde headsets de consumo até sistemas de pesquisa com 256 eletrodos, sem necessidade de re-treinamento.

A ZUNA supera dramaticamente os métodos convencionais, como a interpolação de spline esférico da MNE, em conjuntos de dados de EEG mascarados e não vistos. A sua vantagem aumenta com a maior amostragem, especialmente a 4x, onde os métodos clássicos falham e a ZUNA se destaca.

Treinado em 2 milhões de horas de canal em 208 conjuntos de dados de EEG, a ZUNA utiliza treinamento de difusão mascarada e embeddings espaciais 4D para generalizar entre conjuntos de dados e layouts de eletrodos arbitrários.

Estamos entusiasmados por compartilhar o ZUNA. Ótimo trabalho da equipe Zyphra BCI. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Aqueles interessados em colaborar para melhorar versões futuras para necessidades ou casos de uso específicos devem entrar em contato @PaulWhiteIRL @dannymartinelli