ZUNA1.1：用于去噪与超分辨率的更灵活 EEG 基础模型

基于摘要分析。ZUNA1.1 面向 EEG 去噪与超分辨率重建，采用含 380M 参数的扩散自编码器，主要贡献是扩展输入与重建目标的灵活性，使同一模型能够处理不同序列长度、电极数量、头皮位置及缺失区间。 机制与能力：作者称，模型支持最长 30 秒的可变长度序列，可处理任意数量、任意头皮位置的 EEG 通道；除整通道重建外，还能重建通道内任意时间区间。摘要未说明电极位置如何编码、扩散过程与自编码器如何结合，以及训练目标、掩码策略和推理流程，这些细节尚未验证。“任意”配置下的能力覆盖范围也需结合实际测试条件理解。 结果与对照：作者报告，ZUNA1.1 在所评估的重建任务上至少达到早期 ZUNA1 的表现，同时具有更高的任务灵活性；作者还报告，其表现显著优于包括 MNE 中广泛使用的 spherical spline interpolation（球面样条插值）在内的标准 EEG 去噪与重建方法。摘要未提供数据集、被试数量、数据划分、评价指标或具体分数，尚不能判断这些结论在跨被试、跨会话或跨数据集条件下是否成立，也不能据此推断下游 BCI 解码收益。 复现条件：作者声明模型以 Apache 2.0 许可开源；具体发布内容、权重可用性、预处理要求及计算开销尚未验证。阅读全文时应重点核对不同缺失模式与电极布局的评估覆盖，以及重建对神经信号时空特征的保真度；实验协议、消融及统计信息尚未验证。