Nimbus BCI illustration — brain-computer interface technology

ブレイン・コンピュータ・インタフェース
の構築・自動化・個別化

ビジュアル BCI IDE、自律型研究エージェント、20ms未満の局所ランタイム。

Studio を無料で始める Nimbus MCP を見るデモを予約する →

次世代ニューロテクノロジーの統合プラットフォーム

Nimbus Studio

視覚的キャンバスとAI自動生成

7種の基盤モデル、30種以上の脳波計対応、1クリックでPython出力。

Nimbus MCP

AIエージェントによる自律的研究

Claude Code や Cursor を90以上のデータセット、探索、BIDS出力に直結する58の専用ツール。

Personalizer

適応層と Conductor

基盤モデルを固定。再学習なしで20ms未満にオンデバイスでベイズ頭部を適応。

Nimbus SDK

20ms未満の超低遅延・局所推論

データを外部へ送信しない、20ms未満の超低遅延オンデバイス神経処理。

ビジュアル BCI IDE

数分でパイプラインを設計・シミュレーション・デプロイ

自然言語でパイプラインを設計、7種の基盤モデルを比較評価し、1クリックで本番用Pythonコードを出力。

Nimbus Studio を詳しく見る

AI で自動生成 (Create with AI)

プロンプトからパイプラインを自動生成。パラダイムを伝えるだけで実行可能なグラフを即座に構築。

Apps Hub とゼロ・キャリブレーション

事前キャリブレーション不要のフィードバックアプリとインタラクティブゲーム。

30種以上の脳波デバイス対応

OpenBCI、Muse、g.tec ネイティブ連携。インピーダンスをリアルタイム計測。

1クリックで Python コード生成

ベンダーロックインのない、クリーンで再現性の高い scikit-learn コード。

自律型 BCI · オープンソース

AI エージェントが BCI の研究開発を自律推進

Claude Code、Cursor、Codex を90以上のデータセット、探索スイープ、BIDS出力に直接接続。

Nimbus MCP を詳しく見る GitHub でスターをつける

Claude Code & Cursor — nimbus-mcp

plots.leaderboard

❯ Benchmark foundation models on BNCI2014-001 and plot leaderboard
→ nimbus.foundation.compare(backbones=["reve", "labram"], baseline="eegnet")
→ nimbus.plots.leaderboard(dataset="BNCI2014-001", metric="accuracy")
  ↳ REVE + Bayes   ████████████████████ 78.4% ± 2.1% [best]
  ↳ LaBraM         ████████████████░░░░ 74.1% ± 2.6%
  ↳ EEGNet (base)  ██████████████░░░░░░ 71.2% ± 3.0%
✓ Leaderboard figure exported: artifacts/bnci2014_leaderboard.png

58 MCP Tools

Claude Code & Cursor 向け自律型 BCI

同等の高精度帯 · 圧倒的に低い更新コスト

ヘッドの更新はトランク全体のファインチューニングより約23倍低コスト

# Python SDK (nimbus-bci)

from nimbus_bci import Personalizer

# Freeze encoder, adapt Bayesian head

clf = Personalizer(encoder=frozen_trunk, head="bayesian")

clf.partial_fit(new_session_eeg) # <20ms on device

Nimbus SDK · 適応型インテリジェンス

トランク（基底特徴）を固定し、ヘッドを個別化する。

nimbus-bci および NimbusSDK.jl に内蔵された適応型転移学習レイヤー

キャリブレーション疲労を解消。大規模ニューラルエンコーダ（REVE、LaBraM、EEGNet）を固定し、Conductor統治のもと20ms未満でベイズ頭部を適応。

Conductor ガバナンス

リアルタイムドリフト診断、ラベル消費制限、ShadowGuard による適応安全性担保。

Personalizer & Conductor を見る →

Universal BCI Personalization: One API for Frozen EEG Trunks … · arXiv:2607.22397

開発者向けランタイム

20ms未満の高速エンジン。開発者のために。

すべての推論および適応処理はクラウド通信なしでローカル完結。scikit-learn、MNE-Python、PyRiemann と完全に互換性があり、Julia による超高速処理もサポートします。

bci_pipeline.py

# Install via pip
$ pip install nimbus-bci

from nimbus_bci import Personalizer, NimbusLDA

# 1. Adapt a frozen encoder to a new user (<20ms local update)
clf = Personalizer(encoder=frozen_trunk, head="bayesian")
clf.partial_fit(calibration_eeg, labels)

# 2. Real-time streaming inference with calibrated uncertainty
for epoch in live_eeg_stream:
    proba, entropy = clf.predict_proba(epoch, return_entropy=True)
    if entropy < 0.25:
        trigger_action(proba.argmax())