As interfaces cérebro-computador (BCIs) estão finalmente vivenciando seu momento de 'modelo de fundação'. A Zyphra, um laboratório de pesquisa focado em modelos de larga escala, lançou recentemente o ZUNA, um modelo de fundação de 380M de parâmetros especificamente para sinais de EEG. O ZUNA é um autoencoder de difusão mascarado projetado para realizar o preenchimento de canais (infilling) e super-resolução para qualquer layout de eletrodos. Este lançamento inclui pesos sob uma licença Apache-2.0 e uma pilha de inferência compatível com MNE. O Problema com Modelos 'Frágeis' de EEG Por décadas, pesquisadores têm lutado com o 'Velho Oeste' dos dados de EEG. Diferentes conjuntos de dados usam números variados de canais e posições inconsistentes de eletrodos. A maioria dos modelos de deep learning é treinada em montagens de canais fixas, o que os torna ineficazes quando aplicados a novos conjuntos de dados ou condições de gravação. Além disso, as medições de EEG são frequentemente prejudicadas por ruídos causados por deslocamento de eletrodos ou movimento do sujeito. A Arquitetura 4D do ZUNA: Inteligência Espacial O ZUNA resolve o problema da generalização tratando os sinais cerebrais como dados espacialmente fundamentados. Em vez de assumir uma grade fixa, o ZUNA injeta estrutura espaço-temporal via uma codificação posicional rotatória 4D (4D RoPE). O modelo tokeniza EEG multicanal em janelas temporais curtas de 0,125 segundos, ou 32 amostras. Cada token é mapeado para uma coordenada 4D: sua localização 3D no couro cabeludo (x, y, z) e seu índice de tempo grosseiro (t). Isso permite que o modelo processe subconjuntos e posições arbitrárias de canais. Como ele depende de embeddings posicionais em vez de um esquema fixo, o ZUNA pode 'imaginar' dados de sinal em qualquer ponto da cabeça onde um sensor possa estar faltando. https://www.zyphra.com/post/zuna Difusão como um Motor Generativo O ZUNA usa uma abordagem de difusão porque os sinais de EEG são contínuos e de valor real. O modelo emparelha um decodificador de difusão com um codificador que armazena informações de sinal em um gargalo latente. Durante o treinamento, a Zyphra usou um objetivo pesado de dropout de canais. Eles removeram aleatoriamente 90% dos canais, substituindo-os por zeros na entrada do codificador. O modelo foi então encarregado de reconstruir esses sinais 'mascarados' a partir das informações nos 10% restantes dos canais. Isso forçou o modelo a aprender correlações profundas entre canais e uma poderosa representação interna da atividade cerebral. O Enorme Pipeline de Dados: 2 Milhões de Horas A qualidade dos dados é o coração de qualquer modelo de fundação. A Zyphra agregou um corpus harmonizado abrangendo 208 conjuntos de dados públicos. Essa enorme coleção inclui: 2 mi
Fonte: MarkTechPost
Publicado em 2026-02-19