Sie können jetzt günstige EEG-Headsets in Laborqualität Gehirnscanner verwandeln. Und es ist Open Source. ZUNA ist ein 380M-Parameter-Grundlagenmodell, das fehlende Gehirnsignale aus partiellen EEG-Daten rekonstruiert. Es funktioniert mit jeder Elektrodenkonfiguration, von Verbraucher-Headsets bis hin zu 256-Kanal-Forschungssystemen, ohne dass eine Neutrainierung erforderlich ist. Es ermöglicht Ihnen: - Fehlende EEG-Kanäle aus spärlichen Daten zu rekonstruieren - Korruptierte Signale zu entstören - Neue Kanäle nur aus Elektrodenkoordinaten vorherzusagen - Beliebige Elektrodenlayouts zu handhaben Das Modell verwendet einen Diffusionsautoencoder mit einem Transformer-Rückgrat. Es wurde auf 2 Millionen Kanalstunden über 208 Datensätze mit maskiertem Diffusionstraining und 4D-Raum-Embeddings trainiert. Dies ermöglicht es dem Modell, die physische Geometrie der Elektrodenplatzierung zu verstehen. Jedes Kanalsignal wird in Tokens komprimiert, dann kodiert das Modell die x-, y-, z-Positionen sowie die Zeit in separate Aufmerksamkeitskomponenten. EEG-Daten stecken in einer Ära vor dem Grundlagenmodell fest. Datensätze sind klein, fragmentiert über Institutionen, unter verschiedenen Protokollen gesammelt. Die Standardlösung für fehlende Kanäle ist die sphärische Splinterpolation, im Grunde räumliches Glätten. Es funktioniert ganz gut, wenn ein paar Kanäle ausfallen, aber es bricht zusammen, wenn Sie mehr als 75 % Ihrer Daten verlieren. ZUNA übertrifft diese Basislinie, indem es tatsächliche Muster in der Gehirnaktivität lernt, anstatt nur zwischen Punkten zu glätten. Die Lücke vergrößert sich dramatisch bei hohen Ausfallraten, genau dort, wo Sie es am meisten benötigen. Gedanken-zu-Text positioniert sich als die nächste große KI-Modaliät nach Sprache, Vision und Audio. Aber Sie können diese Zukunft nicht auf Daten aufbauen, die weggeworfen werden, weil ein paar Elektroden ausgefallen sind. Das Modell ist vollständig Open Source unter Apache 2.0, läuft auf Verbraucher-GPUs und funktioniert auf CPU für viele Aufgaben.