Możesz teraz przekształcić tanie zestawy słuchawkowe EEG w skanery mózgu o jakości laboratoryjnej. I jest to open-source. ZUNA to model bazowy o 380 milionach parametrów, który rekonstruuje brakujące sygnały mózgowe z częściowych danych EEG. Działa w dowolnym układzie elektrod, od zestawów konsumenckich po systemy badawcze z 256 kanałami, bez potrzeby ponownego trenowania. Pozwala ci: - Rekonstruować brakujące kanały EEG z rzadkich danych - Usuwać szumy z uszkodzonych sygnałów - Przewidywać nowe kanały tylko na podstawie współrzędnych elektrod - Obsługiwać dowolne układy elektrod Model wykorzystuje autoenkoder dyfuzyjny z architekturą transformera. Został wytrenowany na 2 milionach godzin kanałów w 208 zbiorach danych, używając treningu dyfuzyjnego z maskowaniem i 4D osadzeń przestrzennych. To pozwala modelowi zrozumieć fizyczną geometrię umiejscowienia elektrod. Sygnał każdego kanału jest kompresowany do tokenów, a następnie model koduje pozycje x, y, z oraz czas w oddzielnych komponentach uwagi. Dane EEG utknęły w erze przedmodele bazowe. Zbiory danych są małe, fragmentaryczne w różnych instytucjach, zbierane według różnych protokołów. Standardowym rozwiązaniem dla brakujących kanałów jest interpolacja splajnów sferycznych, zasadniczo wygładzanie przestrzenne. Działa to w porządku, gdy kilka kanałów wypada, ale zawodzi, gdy tracisz więcej niż 75% swoich danych. ZUNA przewyższa tę podstawę, ucząc się rzeczywistych wzorców aktywności mózgu, zamiast tylko wygładzać między punktami. Luka dramatycznie się powiększa przy wysokich wskaźnikach utraty, dokładnie tam, gdzie jest to najbardziej potrzebne. Myślenie na tekst staje się kolejną główną modalnością AI po języku, wizji i dźwięku. Ale nie możesz zbudować tej przyszłości na danych, które są wyrzucane, ponieważ kilka elektrod zawiodło. Model jest w pełni open source na licencji Apache 2.0, działa na konsumenckich GPU i działa na CPU w wielu zadaniach.