Üç makale ve temel bulgular

1. Konuşma çözümleme (Journal of Neural Engineering) — Altı farklı katılımcıdan alınan verilerle eğitilen dönüştürücü tabanlı model, tek bir katılımcıyla eğitilen modellere kıyasla ortalama yüzde 50'den fazla daha düşük bağıl kelime hatası oranı (WER) yakaladı. Model, daha önce hiç görmediği bir kişiye yalnızca birkaç dakikalık kalibrasyon verisiyle uyum sağlayabildi . Bu başarı, Tether Evo'nun daha önceki BrainWhisperer sistemiyle Brain-to-Text '25 Kaggle yarışmasında elde ettiği yüzde 1,78'lik kelime hatası oranına dayanıyor .

2. Görme çözümleme (Imaging Neuroscience) — Model, primatlardan alınan sinirsel verileri kullanarak görsel imgeleri yeniden oluşturuyor. Tıpkı konuşma modelinde olduğu gibi, bu model de kişiye özel yeniden eğitim gerektirmiyor . Görsel çözümleme modeli, yalnızca 20 milisaniyelik beyin verisinden binlerce seçenek arasından doğru görüntüyü yüzde 70 doğrulukla tanımlayabildi .

3. Müzik çözümleme (Neural Networks) — Model, beyin aktivitesinden şarkıları ve müzik türlerini çözümleyerek aynı çapraz-denek genelleme prensibinin işitsel/müzik alanında da çalıştığını kanıtlıyor .

Tek model yaklaşımı nasıl çalışıyor?

Her üç makalenin ardındaki temel teknik yenilik, paylaşılan bir dönüştürücü mimarisinin birden fazla kişiden toplanan sinirsel verilerle eşzamanlı olarak eğitilmesi. Bu ortak eğitim, modelin beynin konuşma, görme ve müziği kodlama biçimindeki kişiler arası tutarlı kalıpları öğrenmesini sağlarken, kişiye özgü farklılıkların etkisini en aza indiriyor . Yeni bir hastayla karşılaşıldığında model, haftalar süren yeniden eğitim süreci yerine yalnızca birkaç dakikalık ince ayar (fine-tuning) gerektiriyor . Tether Evo'nun Mayıs 2026'da yayımladığı bir ön baskı (preprint), en büyük iki intrakortikal konuşma veri setinde ortaklaşa eğitilen bir modelin, tek bir kişiyle eğitilen modellerle eşit veya daha iyi performans gösterdiğini ortaya koymuştu .

Bu neden önemli?

Mevcut BCI çözücülerinin çoğu, her kullanıcı için ayrı ayrı kalibre edilmek zorunda. Bu süreç, haftalarca veri toplama ve model eğitimi gerektirebiliyor. Tether Evo'nun yaklaşımı, BCI'ların klinik ve tüketici ürünü olarak yaygınlaşmasının önündeki en büyük engellerden birini — kişiselleştirme yükünü — ortadan kaldırıyor. Araştırma, tek bir modelin farklı kişilere ve hatta farklı sinirsel kayıt yöntemlerine genellenebileceğini göstererek, "tak-çalıştır" nöroprotezlerin yolunu açıyor .

Üç makale ve temel bulgular

1. Konuşma çözümleme (Journal of Neural Engineering) — Altı farklı katılımcıdan alınan verilerle eğitilen dönüştürücü tabanlı model, tek bir katılımcıyla eğitilen modellere kıyasla ortalama yüzde 50'den fazla daha düşük bağıl kelime hatası oranı (WER) yakaladı. Model, daha önce hiç görmediği bir kişiye yalnızca birkaç dakikalık kalibrasyon verisiyle uyum sağlayabildi . Bu başarı, Tether Evo'nun daha önceki BrainWhisperer sistemiyle Brain-to-Text '25 Kaggle yarışmasında elde ettiği yüzde 1,78'lik kelime hatası oranına dayanıyor .

2. Görme çözümleme (Imaging Neuroscience) — Model, primatlardan alınan sinirsel verileri kullanarak görsel imgeleri yeniden oluşturuyor. Tıpkı konuşma modelinde olduğu gibi, bu model de kişiye özel yeniden eğitim gerektirmiyor . Görsel çözümleme modeli, yalnızca 20 milisaniyelik beyin verisinden binlerce seçenek arasından doğru görüntüyü yüzde 70 doğrulukla tanımlayabildi .

3. Müzik çözümleme (Neural Networks) — Model, beyin aktivitesinden şarkıları ve müzik türlerini çözümleyerek aynı çapraz-denek genelleme prensibinin işitsel/müzik alanında da çalıştığını kanıtlıyor .

Tek model yaklaşımı nasıl çalışıyor?

Her üç makalenin ardındaki temel teknik yenilik, paylaşılan bir dönüştürücü mimarisinin birden fazla kişiden toplanan sinirsel verilerle eşzamanlı olarak eğitilmesi. Bu ortak eğitim, modelin beynin konuşma, görme ve müziği kodlama biçimindeki kişiler arası tutarlı kalıpları öğrenmesini sağlarken, kişiye özgü farklılıkların etkisini en aza indiriyor . Yeni bir hastayla karşılaşıldığında model, haftalar süren yeniden eğitim süreci yerine yalnızca birkaç dakikalık ince ayar (fine-tuning) gerektiriyor . Tether Evo'nun Mayıs 2026'da yayımladığı bir ön baskı (preprint), en büyük iki intrakortikal konuşma veri setinde ortaklaşa eğitilen bir modelin, tek bir kişiyle eğitilen modellerle eşit veya daha iyi performans gösterdiğini ortaya koymuştu .

Bu neden önemli?

Mevcut BCI çözücülerinin çoğu, her kullanıcı için ayrı ayrı kalibre edilmek zorunda. Bu süreç, haftalarca veri toplama ve model eğitimi gerektirebiliyor. Tether Evo'nun yaklaşımı, BCI'ların klinik ve tüketici ürünü olarak yaygınlaşmasının önündeki en büyük engellerden birini — kişiselleştirme yükünü — ortadan kaldırıyor. Araştırma, tek bir modelin farklı kişilere ve hatta farklı sinirsel kayıt yöntemlerine genellenebileceğini göstererek, "tak-çalıştır" nöroprotezlerin yolunu açıyor .