Ahora puedes convertir auriculares EEG baratos en escáneres cerebrales de laboratorio. Y es de código abierto. ZUNA es un modelo fundamental de 380 M de parámetros que reconstruye señales cerebrales ausentes a partir de datos parciales de EEG. Funciona en cualquier configuración de electrodos, desde auriculares de consumo hasta sistemas de investigación de 256 canales, sin necesidad de reentrenamiento. Te permite: - Reconstruir canales EEG ausentes a partir de datos escasos - Señales corrompidas de desruido - Predecir nuevos canales solo a partir de coordenadas de electrodos - Manejar disposiciones arbitrarias de electrodos El modelo utiliza un autocodificador de difusión con una columna vertebral de transformador. Se entrenó con 2 millones de horas de canal a lo largo de 208 conjuntos de datos utilizando entrenamiento de difusión enmascarada y incrustaciones espaciales 4D. Esto permite al modelo comprender la geometría física de la colocación de los 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 quedado atascados en una era previa al modelo fundacional. Los conjuntos de datos son pequeños, fragmentados entre instituciones, recopilados bajo protocolos diferentes. La solución estándar para canales ausentes es la interpolación de splines esféricos, básicamente suavizado espacial. Funciona bien cuando algunos canales se caen, pero se desmorona cuando pierdes más del 75% de tus datos. ZUNA supera esta línea base aprendiendo patrones reales en la actividad cerebral en lugar de limitarse a suavizar entre puntos. La brecha se amplía drásticamente con altas tasas de abandono, justo donde más lo necesitas. El pensamiento a texto se está posicionando como la siguiente gran modalidad de IA después del lenguaje, la visión y el audio. Pero no puedes construir ese futuro con datos que se tiran por la borda porque fallaron unos pocos electrodos. El modelo es completamente de código abierto bajo Apache 2.0, funciona en GPUs de consumo y funciona en CPU para muchas tareas.