Nimbus BCI illustration — brain-computer interface technology

构建、自动化与个性化
脑机接口系统

可视化 BCI IDE、自主科研智能体与低于 20ms 的本地超低延迟运行时。

免费启动 Studio 探索 Nimbus MCP 预约技术演示 →

面向现代神经科技的全生命周期平台

Nimbus Studio

可视化画布与 AI 一键生成

支持 7 大基座模型、30+ 种脑电设备与一键导出 Python 源码。

Nimbus MCP

赋能 AI 智能体自主科研

58 个专业工具，将 Claude Code 与 Cursor 直连 90+ 数据集、参数扫描与 BIDS 导出。

Personalizer

自适应层与 Conductor

冻结基座模型。无需重新训练，在设备端以低于 20ms 速度自适应校准贝叶斯预测头。

Nimbus SDK

低于 20ms 的超低延迟本地运行时

低于 20ms 的 Python 与 Julia 运行时，100% 本地运行，保障神经数据极致隐私。

可视化 BCI 集成开发环境

数分钟内完成管线搭建、模拟与部署

用自然语言搭建算法管线，横向评测 7 大基座模型，一键导出生产级 Python 代码。

探索 Nimbus Studio

AI 一键构建 (Create with AI)

提示词即管线。输入实验范式，数秒内生成可运行的计算图。

Apps Hub 与免校准应用

内置免校准指标反馈应用与交互式游戏。

支持 30+ 种脑电设备

原生对接 OpenBCI、Muse 与 g.tec，实时监测阻抗与信号质量。

一键导出 Python 代码

规范化 scikit-learn 代码，零平台锁定风险。

智能体 BCI · 开源生态

让 AI 智能体自主驱动脑机接口科研

将 Claude Code、Cursor 与 Codex 直连 90+ 数据集、参数扫描与 BIDS 格式导出。

探索 Nimbus MCP 在 GitHub 上 Star

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

面向 Claude Code 与 Cursor 的智能体 BCI

同等精度区间 · 远低于重训练的更新成本

头部更新成本比主干全量微调便宜约 23 倍

# 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 · 自适应智能层

冻结主干网络，个性化输出头部。

内置于 nimbus-bci 与 NimbusSDK.jl 的通用自适应迁移学习引擎

彻底告别校准疲劳。冻结大规模神经编码器（REVE、LaBraM、EEGNet），在 Conductor 运行期治理下以低于 20ms 在本地自适应贝叶斯头。

Conductor 运行期治理

实时信号漂移诊断、样本标注预算管控及 ShadowGuard 安全防线。

探索 Personalizer & Conductor →

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

开发者专用运行时

低于 20ms 的极速推理引擎。为开发者而生。

所有推理与自适应校准完全在本地设备完成，零云端网络往返。全面兼容 scikit-learn、MNE-Python 与 PyRiemann，并支持 Julia 极速实现。

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())