Je kunt nu goedkope EEG-headsets omzetten in laboratoriumkwaliteit hersenscanners. En het is open-source. ZUNA is een foundation model met 380 miljoen parameters dat ontbrekende hersensignalen reconstrueert uit gedeeltelijke EEG-gegevens. Het werkt met elke elektrode-opstelling, van consumentenheadsets tot 256-kanaals onderzoeksystemen, zonder opnieuw te trainen. Het stelt je in staat om: - Ontbrekende EEG-kanalen te reconstrueren uit spaarzame gegevens - Gecorrumpeerde signalen te denoisen - Nieuwe kanalen te voorspellen op basis van alleen elektrodecoördinaten - Om te gaan met willekeurige elektrode-indelingen Het model maakt gebruik van een diffusie-autoencoder met een transformer-backbone. Het is getraind op 2 miljoen kanaaluren over 208 datasets met behulp van gemaskeerde diffusietraining en 4D ruimtelijke embeddings. Dit stelt het model in staat om de fysieke geometrie van elektrodeplaatsing te begrijpen. Elk kanaalsignaal wordt gecomprimeerd tot tokens, waarna het model x-, y-, z-positie plus tijd in aparte aandachtcomponenten encodeert. EEG-gegevens zijn vastgelopen in een pre-foundation model tijdperk. Datasets zijn klein, gefragmenteerd over instellingen, verzameld onder verschillende protocollen. De standaardoplossing voor ontbrekende kanalen is sferische spline-interpolatie, wat in wezen ruimtelijke smoothing is. Het werkt redelijk goed wanneer een paar kanalen wegvallen, maar valt uit elkaar wanneer je meer dan 75% van je gegevens verliest. ZUNA overtreft deze basislijn door werkelijke patronen in hersenactiviteit te leren in plaats van alleen maar te smoothen tussen punten. De kloof wordt dramatisch groter bij hoge uitvalpercentages, precies waar je het het meest nodig hebt. Thought-to-text positioneert zich als de volgende grote AI-modus na taal, visie en audio. Maar je kunt die toekomst niet bouwen op gegevens die worden weggegooid omdat een paar elektroden zijn mislukt. Het model is volledig open source onder Apache 2.0, draait op consumenten-GPU's en werkt op CPU voor veel taken.