EEG verileri için 380M parametreli BCI temel modeli olan ZUNA'yı tanıtıyoruz; bu, invaziv olmayan düşünce-metin gelişiminde önemli bir dönüm noktasıdır. Tamamen açık kaynak, Apache 2.0.

İnvaziv olmayan EEG verileri kolayca erişilebilir ve bilgi açısından yoğun bir yapıda, düşünceli metne dönüş BCI uygulamaları için pratik bir temel oluşturur. EEG, çeşitli nörolojik hastalıkları teşhis etmek ve beyin durumlarını izlemek için saç derisi elektrotları aracılığıyla beyin elektriksel aktivitesini kaydeder.

Bilgi açısından zengin olmasına rağmen, EEG verileri genellikle karmaşıktır; kanal kesintileri, hareket artefaktları ve az elektrot kapsayısı ile bozar. UNA EEG verilerinden yüksek isabetli beyin sinyallerini yeniden inşa ederek ek donanım olmadan daha iyi tanı, araştırma ve BCI uygulamalarını mümkün kılar.

Daha az EEG sensörüne sahip cihazlar, sinyal kapsamını erişilebilirlik karşılığında değiştirir. UNA, seyrek veri ve elektrot koordinatlarından eksik kanalları tahmin ederek, tüketici kulaklıklarından 256 elektrotlu araştırma sistemlerine ölçeklenen klinik seviyede sinyaller sunar ve yeniden eğitim olmadan.

UNA, maskeli ve görünmeyen EEG veri setlerinde MNE'nin küresel spline enterpolasyonu gibi geleneksel yöntemleri önemli ölçüde geride bırakır. Avantajı, özellikle 4x modelinde, klasik yöntemlerin bozulduğu ve ZUNA üstün olduğu 4x denemelerle artıyor.

208 EEG veri seti boyunca 2M kanal saatinde eğitilen ZUNA, veri setleri ve rastgele elektrot düzenleri arasında genellemek için maskeli difüzyon eğitimi ve 4D mekansal gömmeler kullanır.

ZUNA'yı paylaşmaktan heyecan duyuyoruz. Zyphra BCI ekibinin harika çalışması. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Belirli ihtiyaçlar veya kullanım senaryoları için gelecekteki sürümleri iyileştirmek için iş birliği yapmak isteyenler @PaulWhiteIRL @dannymartinelli