Introduktion till ZUNA, en 380M-parameter BCI-grundmodell för EEG-data, en betydande milstolpe i utvecklingen av icke-invasiv tanke-till-text. Helt öppen källkod, Apache 2.0.

Icke-invasiva EEG-data är lättillgängliga och informationstäta, vilket gör det till en praktisk grund för BCI-applikationer med tanke på text. EEG registrerar hjärnans elektriska aktivitet via skalpelektroder för att diagnostisera olika neurologiska tillstånd och övervaka hjärnans tillstånd.

Även om EEG-data är informationsrik är den ofta rörig, plågad av kanalavbrott, rörelseartefakter och sparsam elektrodtäckning. ZUNA rekonstruerar högupplösta hjärnsignaler från EEG-data, vilket möjliggör bättre diagnostik, forskning och BCI-applikationer utan extra hårdvara.

Enheter med färre EEG-sensorer byter signaltäckning mot tillgänglighet. ZUNA förutspår saknade kanaler från gles data och elektrodkoordinater, och levererar kliniska signaler som skalar från konsumentheadset till forskningssystem med 256 elektroder, utan omträning.

ZUNA överträffar dramatiskt konventionella metoder som MNE:s sfäriska splineinterpolation över maskerade och osedda EEG-dataset. Dess fördel ökar med högre upsampling, särskilt vid 4x, där klassiska metoder bryts ner och ZUNA utmärker sig.

Tränad på 2 miljoner kanaltimmar över 208 EEG-dataset använder ZUNA maskad diffusionsträning och 4D-rumsliga inbäddningar för att generalisera över datamängder och godtyckliga elektrodlayouter.

Vi är glada att dela ZUNA. Fantastiskt arbete av Zyphra BCI-teamet. @ChrisWarnerII @JonasHMago @jonhumlatnight @BerenMillidge De som är intresserade av att samarbeta för att förbättra framtida versioner för specifika behov eller användningsområden bör kontakta @PaulWhiteIRL @dannymartinelli