Zyphra发布ZUNA：首个全通用EEG基础模型提升非侵入式思维转文本

背景与挑战

EEG 采集长期受制于通道数和电极位置不一致，传统模型在跨数据集迁移时表现脆弱，且噪声干扰常导致信号失真。

ZUNA 核心技术

• 4D 旋转位置编码（4D RoPE）：将每个 0.125 秒的信号片段映射为 (x,y,z,t) 四维坐标，实现对任意电极布局的空间感知。
• 掩码扩散自编码器：训练时随机遮蔽 90% 通道，迫使模型学习跨通道深层关联，能够在极端缺失情况下重建信号。
• 通用推理栈：基于 MNE‑Python，提供 Apache‑2.0 授权的权重和完整推理代码，便于在任何 EEG 系统上快速部署。

训练数据规模

• 208 个公开数据集，累计约 200 万通道小时 EEG 记录。
• 超过 2400 万 不重叠的 5 秒样本。
• 通道数覆盖 2‑256，统一采样率 256 Hz，采用高通滤波、适应性陷波和 Z‑score 标准化。

性能评估

在常用的 ANPHY‑Sleep 与 BCI2000 运动想象基准上，ZUNA 的重建误差显著低于球面样条插值。尤其在 90% 通道遮蔽（相当于 10 倍上采样）情形下，仍保持高保真度，而传统方法误差急剧上升。

“ZUNA 将 EEG 处理从几何插值提升到学习驱动的生成式重建，”Zyphra 团队在博客中如此评价。

业界影响

• 通用性：研究者无需重新训练模型即可在自有设备上使用，降低了 BCI 实验的技术门槛。
• 非侵入式思维转文本：高质量的信号恢复为后续的意图解码提供更可靠的输入，推动文字化脑机接口的实用化。
• 开源生态：Apache‑2.0 许可鼓励社区在此基础上扩展功能，如实时噪声抑制或跨模态融合。

ZUNA 标志着脑机接口进入“基础模型”时代，提供了可复制、可扩展的技术堆栈，为未来的思维‑文字交互奠定了重要基石。