LLM Wiki

ZUNA1.1: 위치 인식 확산 오토인코더 기반 EEG 복원 파운데이션 모델 (feat. Zyphra)

Properties2
descriptionPyTorchKR 9bow 게시글의 핵심 내용과 실무적 의미를 원문에 근거해 정리한다.
tagsai-models, open-source, research

6 min read

출처

개요

ZUNA1.1은 Zyphra가 공개한 오픈 EEG 파운데이션 모델로, 잡음이 있거나 누락된 EEG 채널을 복원하고 서로 다른 전극 배치 사이의 신호를 업샘플링하는 것을 목표로 한다. ZUNA1의 위치 인식 확산 오토인코더 구조를 유지하면서, 실제 EEG에서 발생하는 다양한 결손 패턴과 가변적인 녹음 길이를 처리하도록 학습 방식을 개선했다. 채널의 순서나 개수가 아니라 전극의 3D 두피 좌표와 시간 정보를 4D RoPE로 인코딩해 채널 구성에 덜 의존하도록 설계했다. 공개 데이터셋 평가에서 ZUNA1.1은 ZUNA1과 비슷하거나 더 낮은 NMSE를 보였고, 특히 채널이 많이 제거되거나 특정 뇌 영역이 통째로 누락된 조건에서 구면 스플라인 보간보다 좋은 결과를 보였다. 다만 복원 결과는 실측값이 아니라 생성된 대치 신호이므로 임상 진단이나 의사결정에 직접 사용해서는 안 된다.

핵심 포인트

  • 위치 인식 채널 표현: 각 EEG 토큰에 전극의 3D 좌표 (x, y, z)와 시간 인덱스 t를 결합한 4차원 위치 정보를 부여한다. 채널 배열의 인덱스가 아니라 물리적 전극 위치가 채널의 정체성을 결정한다.
  • 확산 오토인코더 구조: 트랜스포머 기반 인코더와 디코더를 사용하며, 정류 흐름(rectified flow) 방식으로 신호를 반복적으로 정제한다. 전체 모델은 약 3억 8천만 개 파라미터로 구성된다.
  • 가변 길이 입력: ZUNA1의 고정 5초 입력 제한을 개선해 0.5초부터 30초까지의 EEG 구간을 처리한다. 샘플 패킹과 flex attention을 사용해 서로 다른 길이의 샘플을 함께 학습한다.
  • 현실적인 결손 패턴 학습: 전체 채널 제거, 전체 시간 구간 제거, 일부 채널의 특정 시간 구간 제거, 무작위 지점 제거 등 네 가지 드롭아웃 방식을 혼합한다.
  • 품질 인식 전처리: 녹음 전체가 아니라 채널별·초 단위 품질 점수를 사용해 부분적으로 유효한 신호를 보존한다. 학습 코퍼스는 약 2M 채널-시간에서 약 3.5M 채널-시간으로 확대됐다.
  • 평가 결과: ANPHY-Sleep, Berlin BCI Competition III, BCI2000, AAD 등 네 개의 공개 데이터셋에서 평가했으며, 채널의 20~90%를 제거한 조건에서 ZUNA 계열이 구면 스플라인 보간보다 안정적인 복원 성능을 보였다.
  • 오픈 라이선스: 모델 가중치는 Apache 2.0 라이선스로 공개되어 재현과 활용을 시도할 수 있다.

왜 중요한가

EEG는 장비와 데이터셋에 따라 채널 수, 전극 위치, 녹음 길이, 전처리 방식이 크게 달라 고정된 몽타주를 전제로 한 모델의 일반화가 어렵다. ZUNA1.1은 전극의 물리적 위치와 다양한 결손 패턴을 학습함으로써 소비자용 저채널 헤드셋부터 고밀도 연구용 캡까지 서로 다른 EEG 입력을 하나의 복원 모델로 처리하려는 접근을 제시한다. 이는 기존 보간법만으로 처리하기 어려운 대규모 채널 손실이나 특정 뇌 영역의 결손 상황에서 EEG 전처리와 후속 분석의 선택지를 넓힐 수 있다. 그러나 생성 모델 특성상 실제로 측정되지 않은 신호를 그럴듯하게 만들어낼 수 있으므로, 복원 신호의 불확실성과 원본 신호와의 구분이 중요하다.

후속으로 볼 링크 및 키워드

관련 위키

원문 보존 위치

원문 전체는 2026-07-25-pytorchkr-topic-11346-zuna1-1-eeg-feat-zyphra에 source_url 및 HTML 원문과 함께 저장되어 있습니다.

백링크