بوم! تحويل الأفكار إلى نص مفتوح المصدر مع نموذج EEG Foundation AI! لقد كنت أختبر هذا الطراز الجديد وواو إنه يستطيع قراءة الأفكار (النوايا) بشكل جيد جدا. أنا أرسل طاقة تفكير إلى الرئيس التنفيذي السيد @Grok الرئيس التنفيذي لشركة زيرو-هيومن في الوقت الحالي! كشفت زيفرا عن ZUNA، أول نموذج أساس مفتوح المصدر في العالم مدرب حصريا على بيانات الدماغ. تم إصدار هذا النموذج الذي يضم 380 مليون معامل تحت ترخيص Apache 2.0، ويمثل قفزة كبيرة في فك التشفير غير المتطفل من الفكر إلى نص، حيث يحول إشارات EEG الخام إلى تمثيلات نصية متماسكة. من خلال ديمقراطية الوصول إلى أدوات الذكاء الاصطناعي العصبي المتقدمة، والابتكارات في تقنيات BCI، وربما إحداث ثورة في طريقة تفاعلنا مع الآلات من خلال مجرد الأفكار. زونا هو مشفر ذاتي مقنع للانتشار مبني على عمود فقري للمحول (محول فقري). تتميز البنية بمشفر يربط إشارات EEG إلى فضاء كامنة مشترك وفك تشفير يعيد بناء تلك الإشارات من الكامنة. تم تدريبه باستخدام خسارة إعادة بناء مقنعة مع انقطاع كبير في البرنامج، ويتفوق النموذج في إزالة الضوضاء من القنوات الحالية والتنبؤ بقنوات جديدة أثناء الاستدلال. لاستيعاب بيانات EEG ذات عدد ومواقع مختلفة في القنوات، قدمت زيفرا ابتكارين رئيسيين: ضغط الإشارات إلى أجزاء مدتها 0.125 ثانية مرتبطة برموز مستمرة، ثم تحويلها إلى تسلسل أحادي الأبعاد لمعالجة المحولات؛ واستخدام تضمين موضع الدوران رباعي الأبعاد لترميز إحداثيات الأقطاب (x, y, z) جنبا إلى جنب مع بعد زمني خشن، مما يتيح التعميم إلى إعدادات جديدة. استفاد تدريب النموذج من حوالي 2 مليون ساعة قناة-ساعة من بيانات تخطيط الدماغ الكهربائي المأخوذة من مستودعات عامة متنوعة، وتمت معالجتها جميعها عبر خط أنابيب موحد لضمان الاتساق لتطوير نماذج الأساس واسعة النطاق. تسمح هذه المجموعة الضخمة من البيانات لزونا بالتقاط أنماط دقيقة في نشاط الدماغ، متجاوزة الطرق التقليدية بكثير. رغم قوته، يظل ZUNA خفيف الوزن، وقادرا على العمل بكفاءة على وحدات معالجة الرسومات الاستهلاكية أو حتى المعالجات للعديد من التطبيقات، مما يجعله متاحا خارج نطاق المختبرات البحثية المتقدمة. تمتد قدرات ZUNA إلى إزالة الضوضاء من إشارات EEG، وإعادة بناء القنوات المفقودة، وتوليد توقعات لقنوات جديدة بالكامل بناء على مواقعها الفيزيائية. يعالج هذا الفحص نقاط الألم الشائعة في أبحاث تخطيط الدماغ الكهربائي، مثل انقطاع القنوات بسبب التشوهات أو قيود الأجهزة. على سبيل المثال، يمكنه إنقاذ مجموعات البيانات التالفة عن طريق استعادة الإشارات القابلة للاستخدام، مما يوسع البيانات المتاحة فعليا دون مجموعات جديدة. كما يطور الأجهزة الاستهلاكية منخفضة القناة من خلال التعيين إلى مساحات عالية الدقة ويحرر التجارب من مونتاجات الأقطاب الصلبة مثل نظام 10-20، مما يسهل تحليلات البيانات عبر مجموعات البيانات. تبرز معايير التقييم تفوق ZUNA على التقنيات المعتمدة. مقارنة بالاستيفاء الكروي، يوفر الإعداد الافتراضي في حزمة MNE Python ZUNA أداء أفضل بكثير، مع زيادة المكاسب مع زيادة معدلات انقطاع القنوات. في مجموعات التحقق ومجموعات البيانات غير المرئية، يتفوق بشكل مستمر على خط الأساس، خاصة عندما تكون أكثر من 75 بالمئة من القنوات مفقودة. تم التحقق من صحة هذه النتائج عبر توزيعات بيانات متنوعة، مما يؤكد متانة النموذج. في اختباراتي الأولى مع ZUNA، التي أجريت بعد فترة وجيزة من إصدارها، ظهرت رؤى جديدة حول تفاصيل استيفاء إشارات الدماغ. من خلال تطبيق النموذج على مجموعات بيانات تخطيط الدماغ الشخصية من سماعات المستهلك، لاحظت وضوح إشارة محسنا في البيئات المزعجة، كاشفا عن أنماط دقيقة في الحالات المعرفية التي كانت الطرق التقليدية تتجاهلها. ...