замороженные EEG-энкодеры для декодирования сигнала
schedule 2 мин чтенияобновлено
OpView — набор EEG-энкодеров, которые превращают окна электроэнцефалограммы в готовые векторы признаков. В этой папке лежит вторичный набор mask25_30k из трёх энкодеров — Frequency, Relation и Projective, обученных как masked autoencoder (автоэнкодер, который восстанавливает скрытую часть входа) с 25% скрытых units. Каждый вид смотрит на сигнал через свой фиксированный оператор без параметров: частотную мощность, связь между каналами или топографию на скальпе. Это не один универсальный энкодер, а несколько представлений с разными операторами и self-supervised целями. Модели используют замороженными: поверх признаков ставят линейную пробу или лёгкий readout, а не дообучают весь энкодер. Пригодится исследователям EEG-декодирования и тем, кто сравнивает разные представления сигнала.
Ключевые особенности
Три вида признаков: Frequency — спектральная мощность, Relation — связь каналов, Projective — скальповая топография.
Энкодеры работают замороженными; ширина признаков — 8 192 у Frequency и Projective, 24 576 у Relation.
На вход ждёт 256 Гц и имена каналов 10-20/10-05; Relation нужно минимум 3 канала, Projective — минимум 4 в разных направлениях.
Всего 13 042 409 параметров; чекпоинты в safetensors, по 15–20 МБ на вид.
Только research: не медицинское изделие и не для клинических решений.
Что можно сделать
Сделать линейную пробу на замороженных признаках для EEG-декодирования и сравнить три вида между собой.
Проверить, какой оператор лучше подходит под конкретную парадигму: моторное воображение, ERP, SSVEP или сон.
Встроить извлечение признаков в PyTorch-пайплайн: батч [B, C, T] в микровольтах → вектор на окно.
Пример
x_uv — NumPy-массив [B, C, T] в микровольтах; для этой папки доступны виды frequency, relation и projective.
from opview.hub import from_pretrained
model = from_pretrained("Anony-0x3f/opview-v2-mask25")
features = model.features("frequency", x_uv, channel_names, sample_rate=256)
encoder = model.encoders["frequency"]
ПодробнееВ карточке метрики даны для released set, а не для masked-вариантов этого репозитория: Dynamics +7,8 п.п. balanced accuracy к random init (aligned), Waveform +4,5, Projective +4,4; Frequency и Relation выигрыша не дают. Для входа: 256 Гц, монтаж 10-20/10-05; 4-секундное окно (1024 отсчёта) подходит всем видам. Признаки широкие: 32 768 колонок у Waveform и Dynamics, 24 576 у Relation, 8 192 у Frequency и Projective. Пакет opview ставится из supplementary material статьи; также нужны huggingface_hub и safetensors. Лицензия MIT, у данных предобучения свои лицензии. Не медицинское изделие: не валидировано для диагностики, мониторинга или лечения.
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# Anony-0x3f/opview-v2-mask25 — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve Anony-0x3f/opview-v2-mask25 --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии