Forschende stellen PhysioWave-T vor, eine Familie von KI-Modellen für EEG, ECG und sEMG, also Muskelsignale. Dabei werden Welllet-Signalebenen kombiniert, bevor die Daten in Tokens umgewandelt werden. Die Autorinnen und Autoren berichten, dass sich dadurch die Transformer-Latenz über vier EEG-Verarbeitungswege hinweg um das 4,0- bis 7,2-Fache und der maximale Speicherbedarf um das 6,8- bis 12,7-Fache verringerte, ohne dass die Genauigkeit abnahm.
Im Test zur Erkennung epileptischer Anfälle mit SeizeIT2 stieg die Ereignissensitivität laut den Autorinnen und Autoren durch die Kombination von Signalen separater Encoder von 61,4 % auf 74,4 % – bei 11 Fehlalarmen pro Stunde. Im Paper sind Code und Modellgewichte aufgeführt, doch der bereitgestellte Datensatz enthält keine Links dazu.
Warum es wichtig ist
Für Forschende, die EEG-Aufzeichnungen verarbeiten, könnte der angegebene geringere Speicherbedarf den Einsatz dieser Modelle weniger anspruchsvoll machen. Die Ergebnisse zeigen jedoch nicht, wie gut sie sich im klinischen Einsatz bewähren.
