The Engine for
Real-Time,
Probabilistic BCI.
Nimbus Personalizer 与 SDK/API — 冻结任意特征编码器，自适应适配轻量贝叶斯分类头，向应用程序实时传递 BrainState。基于 RxInfer 构建，兼具低延迟、自适应性与完全可解释性。
When the factory breaks,
restore — ~23× cheaper.
Raw EEG through a frozen encoder. Stress collapses the factory head. A thin Bayesian Personalizer climbs back — without fine-tuning the trunk.
Raw EEG → frozen foundation trunk. Weights stay locked.
- intent
- left
- confidence
- 0.82
- trunk
- frozen · EEGNet
- labels
- 0
Adapt wall
~23×
Fine-tune stays a priced escape hatch — not the default path.
Illustrative loop from exploratory BNCI stress protocols. Lead cost ~23× vs short fine-tune on locked bakeoff cells. Not an accuracy-SOTA claim — adapt when the factory breaks.
统一 API。跨骨干网络严谨实测。
One Personalizer API across frozen trunks; treat fine-tune as a priced escape hatch. Under severe shift the Bayesian head recovers most of the fine-tune gain at ~23× lower adapt wall on the EEGNet bake-off — exploratory subject-level results, not an accuracy-SOTA claim.
| 数据集 | 骨干模型 | 准确率 L0 | 准确率 L1 | 准确率 L3 | 性能恢复率 | 耗时比 L3/L1 |
|---|---|---|---|---|---|---|
| BNCI | EEGNet | 0.514 | 0.550 | 0.548 | ≥FT | ~31× |
| Zhou | EEGNet | 0.333 | 0.540 | 0.498 | ≥FT | ~21× |
强通道混叠条件，n=40 标注自适应试次。L0 = 仅校准分类头；L1 = 流式 Personalizer；L3 = 热启动全量骨干微调。完整多模型测评详见文档。
自适应推断方法
encode → transform → Bayesian head → BrainState
在任何冻结的编码器上接入贝叶斯分类头。通过 partial_fit 实现毫秒级在线更新。当基础特征表征不足时，可通过变换矩阵、骨干 PEFT 或 ErrP 错误相关电位扩展自适应能力 — 应用程序直接读取 BrainState。
自适应分类头
针对冻结嵌入特征的默认共轭 NIW 线性判别器。带有遗忘机制的闭式解在线 partial_fit — 无需触碰骨干模型即可实现极低开销的个体自适应。
具备各类别协方差矩阵的共轭 NIW 二次判别器。当共享协方差假设过强时，提供相同的在线贝叶斯更新路径。
基于 Polya–Gamma 变分推断的多项 Logit 模型。当线性或二次贝叶斯几何结构不适用时，在相同冻结编码器上提供概率 Softmax 分类头。
用于跟踪类别先验与 Logit 漂移的扩展卡尔曼滤波（EKF）隐状态追踪器。在需要实时状态估计而非共轭贝叶斯分类器时的流式经典分类头。
嵌入特征变换
进入分类头前的校准拟合尺度与几何对齐 — 标准化、白化或欧氏空间对齐（EA），确保嵌入特征稳定可靠。
校准集与实时流分布之间的协方差对齐。当不同条件间嵌入特征的二阶统计量发生漂移时选用。
黎曼 Procrustes 重新中心化（支持稳健时间窗）。当协方差漂移在实时流中占主导时进行几何对齐。
从实时流嵌入特征映射到校准特征的有监督岭回归仿射变换。在无监督变换不足时使用的标签驱动重新对齐。
骨干网络 PEFT
在冻结骨干网络上微调低秩适配器（Low-Rank Adaptation），随后重新拟合贝叶斯分类头。当特征表征漂移超出分类头更新能力时的扩展方案。
具备分层不确定性以及复合骨干+分类头不确定性的变分贝叶斯 LoRA — 完全保持在概率计算栈内的参数高效微调。
骨干网络上的有界 γ/β 特征调制（单位初始化、幅度受限）。适合需要柔性特征缩放而无需完整适配器的中度 PEFT。
仅微调骨干网络的最终分类层，然后重新拟合分类头。微调特征表征的更轻量级方案。
通过 adapt_trunk 进行全量骨干微调 — 当 PEFT 和仅头部自适应仍无法满足需求时的终极逃逸通道。
反馈与自监督学习
利用错误相关电位（ErrP）或外部错误信号进行柔性负向头部更新 — 无需完整标注试次即可实现闭环校正。
从汇聚的群体 NIW 先验（fit_population）热启动贝叶斯分类头，大幅降低冷启动时的校准负担。
在无标签实时流上进行认识不确定性门控自训练（adapt_pseudo）— 在不确定性门控下实现低标签依赖的更新。
基于批归一化仿射参数的测试时熵最小化（fit_tent）— 适用于包含 BN 层的骨干网络的无监督流式自适应。
范式配方
常见脑机接口范式的预置配方 — 黎曼切空间编码器、ERP/P300 的 xDAWN→切空间、或基于经典手工特征（CSP 等）的纯头部适配。
for_deployment 冻结骨干并默认采用贝叶斯 LDA；for_balora / for_lora 配置具有复合不确定性的 PEFT 骨干，支持前沿科研与扩展路线。
完整 API、范式配方、变换方法与 PEFT 详见官方文档。
构建于经过实证的技术基石之上
Nimbus 引擎采用 RxInfer 提供支持，这是用于自动化贝叶斯推理的尖端响应式消息传递框架。通过与该技术的核心开发者 Lazy Dynamics 合作，我们正在为脑机接口行业打造性能最强、最可靠的底层软件架构。
广泛的硬件兼容性
与核心应用领域
Nimbus 引擎专为硬件无关性而设计，为整个脑机接口硬件生态提供通用的计算处理层。
非侵入式脑电 (EEG)
适配 Muse、OpenBCI、Emotiv 等设备。 我们的引擎擅长处理消费级头戴设备的高噪声非平稳信号，利用实时自适应能力为游戏、认知健康和神经反馈应用提供可靠精准的控制。
临床与医疗设备
面向临床级 EEG、皮层脑电 (ECoG) 及辅助技术。 Nimbus 提供获得监管审批（FDA/CE）必不可少的“白盒”可解释性与置信度评分，赋能下一代神经康复与智能诊断工具。
高带宽侵入式植入体
适配 Neuralink、Synchron 等高密度微电极阵列。 高性能反应式架构以亚毫秒级超低延迟处理海量高速数据流，为高自由度智能假肢控制与神经语言通讯等前沿应用提供强劲支撑。
极简代码集成， 卓越计算成效
nimbus-bci 在本地快速运行 — 封装冻结编码器，拟合贝叶斯 Personalizer，向应用实时交付 BrainState。
# 1. Wrap any frozen trunk (encode → Z)
from nimbus_bci import Personalizer, wrap
enc = wrap(my_encoder.encode, model_id="eegnet", embedding_dim=64)
# 2. Fit a Bayesian Personalizer head
adapter = Personalizer.for_deployment(
enc, ["left_hand", "right_hand"],
paradigm="motor_imagery",
)
adapter.fit(X_cal, y_cal)
# 3. Predict → BrainState for apps
states = adapter.predict(X_test)
accepted = [s for s in states if not s.rejected]
# 4. Adapt online — no trunk fine-tune
adapter.partial_fit(X_new, y_new)Personalizer 的核心交付物
绝非又一个繁杂的解码器集合 — 而是冻结编码器与应用程序之间的轻量桥梁：封装、在线自适应、不确定性门控、实时交付 BrainState。
接入任何输出 encode(X) → Z 的特征编码器。保留骨干模型权重不变，由 Nimbus 在其上承载自适应层。
针对新标签数据进行共轭贝叶斯头部更新 — 精确且开销极低。默认无需批重训练或骨干微调即可克服会话内信号漂移。
认识不确定性与置信度门控自动裁决采纳、拒绝或请求补充标定 — 避免上层应用因单一盲目猜测而误触发。
通过统一的标准契约交付用户意图、置信度、不确定性与拒绝信号。让下游 UI 交互与机械控制回路始终与具体算法解耦。
Partner preview
Conductor — when to spend adaptation.
Control layer for deployed Personalizer sessions: observe BrainState, bound label spend, escalate only when the resource ladder says so — companion control logic to the Personalizer preprint. Safety and spend bounds for OEM partners; not a public SDK release.
Book a Demo →专为创新设计的定价方案
我们致力于推动下一代 BCI 技术的普及。我们为开发者和研究人员提供功能丰富的免费版，并提供随着业务增长而灵活扩展的用量计费方案。对于需要深度集成与专属支持的企业伙伴，我们提供专属定制合作方案。
Developer 开发者方案
适用于探索 BCI 的个人、科研人员与早期团队。
慷慨的免费版专为实验和创新设计。即刻获取 Nimbus 核心引擎的访问权限，开启神经科技的未来构建。
包含权益：
核心 SDK/API 访问权限- 社区技术支持
- 充足的研发与原型制作额度
Business 商业方案
适用于推出商业化 BCI 应用的初创团队与成长型公司。
灵活的按用量计费模式，随您的产品规模稳健扩展。提供进军市场所需的强劲性能与可靠保障。
包含权益：
- 包含 Developer 的全部权益，外加：
- 更高的调用速率上限
- 生产级 SLA 服务保障
- 标准技术支持服务
Enterprise 企业方案
适用于硬件制造商和大规模企业级部署。
针对复杂业务需求的专属战略合作。提供定制模型开发、深度软硬件集成和企业级安全保障。
包含权益：
- 包含 Business 的全部权益，外加：
- 专属定制模型开发
- 专属工程技术支持
- 本地化私有部署选项
Developer 开发者方案
适用于探索 BCI 的个人、科研人员与早期团队。
慷慨的免费版专为实验和创新设计。即刻获取 Nimbus 核心引擎的访问权限，开启神经科技的未来构建。
包含权益：
- 核心 SDK/API 访问权限
- 社区技术支持
- 充足的研发与原型制作额度
Business 商业方案
适用于推出商业化 BCI 应用的初创团队与成长型公司。
灵活的按用量计费模式，随您的产品规模稳健扩展。提供进军市场所需的强劲性能与可靠保障。
包含权益：
- 包含 Developer 的全部权益，外加：
- 更高的调用速率上限
- 生产级 SLA 服务保障
- 标准技术支持服务
Enterprise 企业方案
适用于硬件制造商和大规模企业级部署。
针对复杂业务需求的专属战略合作。提供定制模型开发、深度软硬件集成和企业级安全保障。
包含权益：
- 包含 Business 的全部权益，外加：
- 专属定制模型开发
- 专属工程技术支持
- 本地化私有部署选项