ZUNA：基于位置感知扩散自编码器的灵活 EEG 超分辨率重建

基于摘要分析。ZUNA 面向 EEG 信号重建与超分辨率任务，提出结合四维旋转位置嵌入的扩散自编码器，并通过两种训练变体探索固定 dropout 与更贴近真实信号损坏、数据缺失模式的掩码策略。 核心机制：摘要给出的模型规模为 380M 参数。ZUNA1 使用常规固定 dropout 方案；ZUNA1.1 引入新的掩码策略，使重建任务不局限于固定 patch。作者报告，ZUNA1.1 可重建最长 30 秒的可变长度序列，支持任意数量、任意头皮位置的 EEG 通道，并可重建整条通道或通道内任意时间区间。摘要未说明四维位置编码各维度的定义、扩散过程、损失函数及具体训练与推理流程，这些细节尚未验证。 结果与对照：作者报告，ZUNA 在一系列 dropout 任务上的重建表现达到开源模型中的最先进水平；但摘要未提供数据集、被试数量、被试内或跨被试划分、对照模型、重建指标及具体数值，因此该结论仅能按作者声明记录，不能据此确认跨被试、跨会话或跨数据集泛化。这里的 dropout 指重建评估中的缺失或遮蔽情境，不能直接等同于 BCI 解码性能提升。 复现与应用核验：应核对训练数据规模及来源、掩码生成方式、测试通道位置与训练配置的关系，以及不同缺失比例和时间跨度下的重建误差。若用于下游 BCI，还需验证重建是否保留任务相关波形与空间关系，而非仅生成统计上合理的信号。实验协议、消融及统计信息尚未验证；代码、权重与运行条件也无法由当前摘要确认。