UniversalMind - Smith/Bluey/Chao

Abstract

I sistemi di interfaccia cervello-computer (BCI) di ultima generazione, tra cui NeNCeWiM (Martinsson et al., Nature Biomedical Engineering, 2025), hanno dimostrato accuratezze di classificazione dell'intenzione motoria superiori al 94% su segnale EEG non invasivo. Tali sistemi condividono tuttavia una limitazione strutturale fondamentale: la necessità di una calibrazione soggetto-specifica prolungata — tipicamente 5–10 sessioni di training — prima di poter essere operativi su un nuovo paziente, e la loro applicabilità è circoscritta al dominio motorio discreto. Il presente lavoro introduce UniversalMind, un framework di decodifica neurale zero-shot che supera entrambe queste barriere simultaneamente. UniversalMind è basato su un'architettura Neural Foundation Model (NFM) pre-addestrata su un corpus di 4.800 soggetti (dataset NeuroVault-EEG, 2,3 milioni di ore di registrazione) e ottimizzata tramite contrastive self-supervised learning su rappresentazioni latenti dello spazio di attivazione corticale. Il modello generalizza a soggetti mai visti durante il training senza alcuna sessione di calibrazione, raggiungendo un'accuratezza di classificazione motoria del 91,3% (±2,8%) — con un gap di soli 3,4 punti percentuali rispetto a NeNCeWiM con calibrazione completa — e una latenza end-to-end di 38 ms. In aggiunta, e per la prima volta nella letteratura BCI non invasiva, UniversalMind estende la decodifica al dominio del parlato immaginato (inner speech): il modello trascrive in tempo reale il flusso di parlato silenzioso immaginato dal soggetto con un'accuratezza word-level dell'87,4% su un vocabolario aperto di 500 lemmi, senza richiedere dati di addestramento individuali. La validazione è condotta su 94 soggetti (42 pazienti con SLA in stadio avanzato, 31 pazienti post-ictus con afasia, 21 controlli sani), con follow-up di 8 settimane. I risultati posizionano UniversalMind come il primo sistema BCI universale e multimodale clinicamente operativo, con implicazioni dirette per la comunicazione aumentativa e alternativa (AAC) e per il controllo di dispositivi digitali e protesici in pazienti con grave compromissione motoria e verbale.