Ahora puedes convertir auriculares EEG baratos en escáneres cerebrales de calidad de laboratorio. Y es de código abierto. ZUNA es un modelo base de 380 millones de parámetros que reconstruye señales cerebrales faltantes a partir de datos parciales de EEG. Funciona con cualquier configuración de electrodos, desde auriculares de consumo hasta sistemas de investigación de 256 canales, sin necesidad de reentrenamiento. Te permite: - Reconstruir canales de EEG faltantes a partir de datos escasos - Eliminar el ruido de señales corruptas - Predecir nuevos canales solo a partir de las coordenadas de los electrodos - Manejar disposiciones arbitrarias de electrodos El modelo utiliza un autoencoder de difusión con una arquitectura de transformador. Se entrenó en 2 millones de horas de canal a través de 208 conjuntos de datos utilizando entrenamiento de difusión enmascarada y embeddings espaciales en 4D. Esto permite que el modelo entienda la geometría física de la colocación de electrodos. Cada señal de canal se comprime en tokens, luego el modelo codifica las posiciones x, y, z más el tiempo en componentes de atención separados. Los datos de EEG han estado atrapados en una era de modelos base previos. Los conjuntos de datos son pequeños, fragmentados entre instituciones, recolectados bajo diferentes protocolos. La solución estándar para los canales faltantes es la interpolación de spline esférico, básicamente un suavizado espacial. Funciona bien cuando se pierden algunos canales, pero se desmorona cuando pierdes más del 75% de tus datos. ZUNA supera esta línea base al aprender patrones reales en la actividad cerebral en lugar de simplemente suavizar entre puntos. La brecha se amplía drásticamente a altas tasas de abandono, exactamente donde más lo necesitas. El pensamiento a texto se está posicionando como la próxima gran modalidad de IA después del lenguaje, la visión y el audio. Pero no puedes construir ese futuro sobre datos que se desechan porque algunos electrodos fallaron. El modelo es completamente de código abierto bajo Apache 2.0, funciona en GPUs de consumo y opera en CPU para muchas tareas.