# PhysioWave-T هزینه مدل‌های سیگنال زیستی را کاهش می‌دهد

> پژوهشگران مدل‌هایی مبتنی بر موجک برای EEG، ECG و سیگنال‌های عضلانی معرفی کرده‌اند که به‌گفته آن‌ها، در برخی آزمون‌ها هزینه محاسباتی را کاهش داده و نتایج را بهبود می‌دهند.

Oossa · 2026-11-09 · https://oossa.com/fa/physiowave-t-aims-to-cut-biosignal-model-costs

تاریخ رویداد: 2026-11-06

پژوهشگران PhysioWave-T را معرفی کرده‌اند؛ خانواده‌ای از مدل‌های هوش مصنوعی برای EEG، ECG و sEMG یا سیگنال‌های عضلانی. این روش مقیاس‌های مختلف سیگنال را با موجک ترکیب می‌کند و سپس داده‌ها را به توکن تبدیل می‌کند. نویسندگان می‌گویند این روش در چهار مسیر پردازش EEG، بدون کاهش دقت، تأخیر Transformer را 4.0–7.2 برابر و اوج مصرف حافظه را 6.8–12.7 برابر کاهش داده است.

در آزمون تشخیص تشنج SeizeIT2، نویسندگان گزارش می‌کنند که ترکیب سیگنال‌های حاصل از رمزگذارهای جداگانه، حساسیت تشخیص رویداد را در ازای 11 هشدار کاذب در ساعت از 61.4% به 74.4% رسانده است. در مقاله به کد و وزن‌های مدل اشاره شده، اما پیوند آن‌ها در اطلاعات ارائه‌شده وجود ندارد.

## حقایق

- به‌گفته نویسندگان، مدل EEG دارای 30 میلیون پارامتر است و با بیش از 15 میلیون پنجره پیش‌آموزش دیده است.
- بر اساس سابقه ارسال به arXiv، نخستین نسخه در November 6, 2026 ثبت شده است.

## چرا مهم است

برای پژوهشگرانی که روی ضبط‌های EEG کار می‌کنند، صرفه‌جویی گزارش‌شده در حافظه می‌تواند اجرای این مدل‌ها را کم‌هزینه‌تر کند؛ هرچند این نتایج نشان نمی‌دهند که مدل‌ها در کاربرد بالینی چه عملکردی دارند.

## منابع و ارجاع‌ها

1. [PhysioWave-T: Token-Efficient Wavelet Foundation Models for Biosignals](https://arxiv.org/abs/2611.08969) – arXiv, 2026-11-09

آخرین به‌روزرسانی: 2026-11-09