ZUNA1.1, 불규칙한 EEG를 위한 더 유연한 파운데이션 모델
EEG 데이터는 기록 길이와 전극 배치가 일정하지 않고, 일부 채널이나 시간 구간이 쉽게 손실된다. Zyphra가 2026년 7월 16일 공개한 ZUNA1.1은 이러한 결측과 입력 차이를 복원 문제로 다루는 EEG 파운데이션 모델이다.12
5초 고정 입력에서 가변 길이 입력으로
ZUNA1.1은 3억 8천만 개 파라미터의 마스킹 확산 오토인코더다. 신호 일부를 가린 뒤 복원하도록 학습해 누락된 채널이나 구간을 추정한다.1
이전 ZUNA1이 5초 고정 길이 입력을 사용한 것과 달리, ZUNA1.1은 0.5초부터 30초까지 가변 길이 입력을 지원한다.2 실무적으로는 짧은 BCI 실험 구간과 더 긴 기록을 모델에 맞춰 일률적으로 5초 단위로 구성해야 하는 제약이 줄어든다는 의미다.
모델은 전극의 단순한 배열 순서 대신 두피 위 3차원 위치와 시간을 함께 표현한다. NeuroTechX의 EEG 파운데이션 모델 컬렉션은 ZUNA를 인코더·디코더와 플로 매칭을 결합한 특징 추출 모델로 분류한다.3
중요한 것은 모델 크기보다 결측을 다루는 방식
EEG 파운데이션 모델에는 마스킹 오토인코더(MAE), 대조 학습, VQ 토큰화, Mamba SSM 등 여러 사전학습 방식이 사용된다.3 이 가운데 ZUNA1.1의 특징은 다양한 손실 형태를 복원하도록 학습한다는 점이다.
ZUNA1.1은 전체 채널 손실뿐 아니라 일부 시간대 손실, 특정 채널의 구간 손실, 흩어진 결측값도 학습했다. 훈련 데이터는 약 350만 채널·시간으로 확대됐다.2 따라서 이번 업데이트는 단순한 파라미터 증가보다 실제 EEG에서 발생하는 불규칙한 입력과 결측 패턴을 더 폭넓게 다루려는 변화로 이해하는 편이 적절하다.
Apache 2.0 라이선스와 외부 구현에 의존하지 않는 자체 완결형 Hugging Face 빌드도 활용 장벽을 낮춘다.13 다만 모델이 복원한 신호는 직접 측정한 값이 아니라 추정값이다. 원신호와 동일하게 취급하거나 충분한 검증 없이 임상 판단에 사용해서는 안 된다.
진짜 평가는 복원이 아니라 전이 성능에서 나온다
입력 길이가 유연하고 결측 복원이 가능하다는 사실만으로 범용 EEG 모델의 성능이 입증되지는 않는다. 피험자, 세션, 기기, 과제가 달라져도 학습한 표현이 유지되는지 확인해야 한다.
NeurIPS 2026 EEG/EMG Foundation Challenge는 3,700명 이상의 피험자가 포함된 14개 공개 데이터셋과 4개 디코딩 과제를 이용해 이러한 전이 성능을 평가한다.4 파운데이션 전이 트랙에서는 세 가지 EEG 과제와 한 가지 EMG 과제에 동일한 인코더 가중치를 사용해야 한다. 과제별 출력 헤드는 허용되지만, 인코더를 과제마다 바꿀 수는 없다.4
ZUNA1.1을 평가할 때도 같은 기준이 유용하다. 가변 길이 지원과 결측 복원은 실용성을 높이는 기반이지만, 최종 판단에는 다음 질문이 필요하다.
새로운 피험자와 세션에서도 표현이 유지되는가?
전극 배치나 기록 기기가 달라져도 성능이 안정적인가?
복원된 신호가 실제 다운스트림 디코딩 성능을 개선하는가?
하나의 인코더가 여러 과제에 재사용될 수 있는가?
ZUNA1.1의 의미는 EEG 복원을 더 유연하게 만들었다는 데 있다. 앞으로의 핵심은 이 유연성이 다양한 피험자·기기·과제 사이의 전이 성능으로 이어지는지 검증하는 것이다.
1Zyphra/ZUNA1.1 · Hugging Face
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.