Esittelemme ZUNA:n, 380M-parametrisen BCI-pohjamallin EEG-datalle, merkittävä virstanpylväs ei-invasiivisen ajatuksesta tekstiksi -tekniikan kehityksessä. Täysin avoimen lähdekoodin, Apache 2.0.

Ei-invasiivinen EEG-data on helposti saatavilla ja tiheää tietoa, mikä tekee siitä käytännöllisen perustan ajatuksi tekstiksi -BCI-sovelluksille. EEG tallentaa aivojen sähköistä toimintaa päänahan elektrodien kautta erilaisten neurologisten sairauksien diagnosoimiseksi ja aivotilojen seuraamiseksi.

Vaikka EEG-data on tietorikas, se on usein sekavaa, ja sitä vaivaavat kanavakatkot, liikehäiriöt ja harva elektrodipeitto. ZUNA rekonstruoi korkean tarkkuuden aivosignaaleja EEG-datasta, mahdollistaen paremmat diagnostiikka-, tutkimus- ja BCI-sovellukset ilman lisälaitteistoa.

Laitteet, joissa on vähemmän EEG-antureita, vaihtavat signaalin peittoa saavutettavuuden vuoksi. ZUNA ennustaa puuttuvia kanavia niukasta datasta ja elektrodikoordinaateista, tarjoten kliinisen tason signaaleja, jotka skaalautuvat kuluttajakuulokkeista 256-elektrodiin tutkimusjärjestelmiin ilman uudelleenkoulutusta.

ZUNA päihittää huomattavasti perinteiset menetelmät, kuten MNE:n pallomaisen spline-interpoloinnin peitetyissä ja näkymättömissä EEG-aineistoissa. Sen etu kasvaa korkeamman näytteenoton myötä, erityisesti 4x:llä, jossa klassiset menetelmät pettävät ja ZUNA loistaa.

ZUNA on koulutettu 2 miljoonalla kanavatunnilla 208 EEG-aineistossa, ja käyttää maskattua diffuusiokoulutusta sekä 4D-spatiaalisia upotuksia yleistääkseen aineistoja ja mielivaltaisia elektrodiasetteluja.

Olemme innoissamme voidessamme jakaa ZUNA:n. Hienoa työtä Zyphra BCI -tiimiltä. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Niiden, jotka ovat kiinnostuneita tekemään yhteistyötä tulevien versioiden parantamiseksi erityistarpeisiin tai käyttötapauksiin, kannattaa ottaa yhteyttä @PaulWhiteIRL @dannymartinelli