ZUNA1.1: открытая модель для гибкого восстановления сигналов ЭЭГ
Что произошло
ZUNA1.1 — это фундаментальная модель для ЭЭГ, построенная на архитектуре diffusion autoencoder. Ключевые возможности:
- Восстановление сигналов переменной длины (до 30 секунд).
- Работа с произвольным числом каналов, расположенных в любых точках скальпа.
- Реконструкция как целых каналов, так и отдельных временных интервалов внутри них.
По заявлению авторов, ZUNA1.1 работает как минимум на уровне предыдущей версии ZUNA1, но при этом значительно гибче. Модель существенно превосходит стандартные методы шумоподавления и восстановления ЭЭГ, такие как spherical spline interpolation, широко используемый в пакете MNE.
Что изменилось по сравнению с предыдущей версией
По сравнению с ZUNA1 новая версия стала гораздо более универсальной:
- Поддерживает переменную длину последовательностей (ранее, вероятно, фиксированную).
- Позволяет использовать произвольное количество каналов в произвольных местах.
- Может восстанавливать не только целые каналы, но и отдельные временные отрезки.
- При этом точность реконструкции не уступает предшественнику.
Цены и доступность
Модель ZUNA1.1 выпущена в открытом доступе под лицензией Apache 2.0. Исходный код и, предположительно, веса модели доступны для скачивания и использования. Публикация размещена на arXiv в виде препринта (не прошла рецензирование).
Почему это важно
Обработка сигналов ЭЭГ — сложная задача из-за шумов, артефактов и вариативности расположения электродов. Существующие методы, такие как интерполяция сферическими сплайнами, имеют ограничения. ZUNA1.1 предлагает единую модель, способную адаптироваться к разным конфигурациям записи без переобучения. Открытый код под Apache 2.0 позволяет исследователям и разработчикам использовать модель в своих проектах, дорабатывать и интегрировать в клинические или научные приложения.
Для пользователей AI-Sphere
Если вы занимаетесь обработкой биосигналов, нейроинтерфейсами или анализом ЭЭГ, ZUNA1.1 может стать полезным инструментом. Модель способна заменить классические методы шумоподавления и восстановления пропущенных данных, при этом не требуя фиксированной схемы расположения электродов. Вы можете скачать модель с GitHub или Hugging Face (если ссылки указаны авторами) и протестировать на своих данных. Обратите внимание: это препринт, поэтому результаты могут требовать дополнительной верификации.