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

Dados de EEG não invasivos são facilmente acessíveis e densos em informação, tornando-os uma base prática para aplicações de BCI de pensamento para texto. O EEG registra a atividade elétrica cerebral por meio de eletrodos do couro cabeludo para diagnosticar várias condições neurológicas e monitorar estados cerebrais.

Embora ricos em informações, os dados de EEG costumam ser confusos, afetados por falhas de canais, artefatos de movimento e cobertura escassa de eletrodos. O ZUNA reconstrói sinais cerebrais de alta fidelidade a partir de dados de EEG, possibilitando melhores diagnósticos, pesquisas e aplicações de BCI sem hardware adicional.

Dispositivos com menos sensores EEG trocam a cobertura do sinal em troca de acessibilidade. O ZUNA prevê canais ausentes a partir de dados esparsos e coordenadas de eletrodos, entregando sinais de nível clínico que escalam de headsets de consumo até sistemas de pesquisa com 256 eletrodos, sem retreinamento.

O ZUNA supera dramaticamente métodos convencionais como a interpolação de splines esféricas da MNE entre conjuntos de dados de EEG mascarados e não vistos. Sua vantagem aumenta com um aumento de amostragem maior, especialmente em 4x, onde métodos clássicos falham e ZUNA se destaca.

Treinado com 2M canais-horas em 208 conjuntos de dados de EEG, o ZUNA utiliza treinamento de difusão mascarada e embeddings espaciais 4D para generalizar entre conjuntos de dados e layouts arbitrários de eletrodos.

Estamos animados para compartilhar ZUNA. Ótimo trabalho da equipe da Zyphra BCI. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge Quem tiver interesse em colaborar para melhorar versões futuras para necessidades ou casos de uso específicos deve entrar em contato @PaulWhiteIRL @dannymartinelli