De tre artiklene og hovedfunnene

1. Taleavkoding (Journal of Neural Engineering) - En transformatorbasert modell ble trent på tvers av flere deltakere med intracortikale BCI-implantater. Flerbrukermodellen avkodet tale med over 50 prosent lavere relativ ord feilrate i snitt sammenlignet med modeller trent på bare én deltaker. Modellen kunne også tilpasses en ny, ukjent person med bare noen minutters kalibreringsdata . Dette bygger på Tether Evos tidligere BrainWhisperer-system, som oppnådde en ord feilrate på 1,78 prosent i Brain-to-Text '25 Kaggle-konkurransen .

2. Synsavkoding (Imaging Neuroscience) - Modellen rekonstruerer visuelle bilder fra nevrale data hos primater, igjen ved hjelp av en tverrsubjekttilnærming i stedet for å trene på nytt for hvert individ . Den visuelle avkodingsmodellen identifiserte det nøyaktige bildet blant tusenvis av alternativer med 70 prosent nøyaktighet, basert på bare 20 millisekunder med hjernedata .

3. Musikkavkoding (Neural Networks) - Modellen avkoder sanger og musikksjangre fra hjerneaktivitet, og viser det samme prinsippet for tverrsubjektgeneralering i det auditive/musikalske domenet .

Slik fungerer énmodelltihærmingen

Det tekniske gjennombruddet på tvers av alle tre artiklene er at en felles transformatorbasert arkitektur trenes på nevrale data samlet fra flere personer samtidig. Denne fellestreningen lar modellen lære felles nevrale kjennetegn - mønstre i hvordan hjernen koder for tale, syn og musikk som er konsistente på tvers av individer - samtidig som den minimerer avhengigheten av personspesifikke særtrekk . Når modellen møter en ny pasient, kreves det bare en kort finjusteringsøkt (minutter, ikke uker) i stedet for en fullstendig ny treningsprosess . En tidligere preprint fra Tether Evo (mai 2026) om tverrsubjektavkoding fra nevrale signaler til fonemer viste at en modell trent på tvers av de to største intracortikale taledatasettene matchet eller overgikk resultater fra modeller trent på én enkelt person .

Hvorfor dette har betydning for BCI-bruk

De fleste eksisterende BCI-avkodere må kalibreres individuelt for hver bruker, en prosess som kan ta uker med datainnsamling og modelltrening. Tether Evos tilnærming løser en av de største hindringene for klinisk og kommersiell BCI-bruk: tid og ressurser til personalisering. Ved å vise at en enkelt modell kan generaliseres på tvers av ulike mennesker og til og med ulike metoder for registrering av hjernesignaler, peker forskningen mot en vei til nevroproteser som fungerer rett ut av esken med minimal oppsettstid .

Kort oppsummert er gjennombruddet ikke én enkelt modell som samtidig avkoder alle tre modalitetene, men snarere en generell metodikk - tverrsubjekttrening med effektiv finjustering - anvendt separat på tale-, syns- og musikkavkoding, hver validert i sin egen fagfellevurderte artikkel.

De tre artiklene og hovedfunnene

1. Taleavkoding (Journal of Neural Engineering) - En transformatorbasert modell ble trent på tvers av flere deltakere med intracortikale BCI-implantater. Flerbrukermodellen avkodet tale med over 50 prosent lavere relativ ord feilrate i snitt sammenlignet med modeller trent på bare én deltaker. Modellen kunne også tilpasses en ny, ukjent person med bare noen minutters kalibreringsdata . Dette bygger på Tether Evos tidligere BrainWhisperer-system, som oppnådde en ord feilrate på 1,78 prosent i Brain-to-Text '25 Kaggle-konkurransen .

2. Synsavkoding (Imaging Neuroscience) - Modellen rekonstruerer visuelle bilder fra nevrale data hos primater, igjen ved hjelp av en tverrsubjekttilnærming i stedet for å trene på nytt for hvert individ . Den visuelle avkodingsmodellen identifiserte det nøyaktige bildet blant tusenvis av alternativer med 70 prosent nøyaktighet, basert på bare 20 millisekunder med hjernedata .

3. Musikkavkoding (Neural Networks) - Modellen avkoder sanger og musikksjangre fra hjerneaktivitet, og viser det samme prinsippet for tverrsubjektgeneralering i det auditive/musikalske domenet .

Slik fungerer énmodelltihærmingen

Det tekniske gjennombruddet på tvers av alle tre artiklene er at en felles transformatorbasert arkitektur trenes på nevrale data samlet fra flere personer samtidig. Denne fellestreningen lar modellen lære felles nevrale kjennetegn - mønstre i hvordan hjernen koder for tale, syn og musikk som er konsistente på tvers av individer - samtidig som den minimerer avhengigheten av personspesifikke særtrekk . Når modellen møter en ny pasient, kreves det bare en kort finjusteringsøkt (minutter, ikke uker) i stedet for en fullstendig ny treningsprosess . En tidligere preprint fra Tether Evo (mai 2026) om tverrsubjektavkoding fra nevrale signaler til fonemer viste at en modell trent på tvers av de to største intracortikale taledatasettene matchet eller overgikk resultater fra modeller trent på én enkelt person .

Hvorfor dette har betydning for BCI-bruk

De fleste eksisterende BCI-avkodere må kalibreres individuelt for hver bruker, en prosess som kan ta uker med datainnsamling og modelltrening. Tether Evos tilnærming løser en av de største hindringene for klinisk og kommersiell BCI-bruk: tid og ressurser til personalisering. Ved å vise at en enkelt modell kan generaliseres på tvers av ulike mennesker og til og med ulike metoder for registrering av hjernesignaler, peker forskningen mot en vei til nevroproteser som fungerer rett ut av esken med minimal oppsettstid .

Kort oppsummert er gjennombruddet ikke én enkelt modell som samtidig avkoder alle tre modalitetene, men snarere en generell metodikk - tverrsubjekttrening med effektiv finjustering - anvendt separat på tale-, syns- og musikkavkoding, hver validert i sin egen fagfellevurderte artikkel.