Des chercheurs présentent PhysioWave-T, une famille de modèles d’IA pour les signaux EEG, ECG et sEMG, c’est-à-dire les signaux musculaires. L’approche combine différentes échelles de signaux en ondelettes avant de convertir les données en jetons. Selon les auteurs, elle a réduit de 4,0 à 7,2 fois la latence des Transformers et de 6,8 à 12,7 fois leur pic d’utilisation mémoire dans quatre méthodes de traitement de l’EEG, sans perte de précision.
Lors du test de détection des crises SeizeIT2, les auteurs indiquent que la combinaison de signaux issus d’encodeurs distincts a fait passer la sensibilité aux événements de 61,4 % à 74,4 %, avec 11 fausses alertes par heure. L’article mentionne le code et les poids des modèles, mais les informations fournies ne contiennent pas leurs liens.
Pourquoi c'est important
Pour les chercheurs qui traitent des enregistrements EEG, les économies de mémoire annoncées pourraient rendre ces modèles moins gourmands en ressources. Les résultats ne permettent toutefois pas de conclure sur leurs performances en contexte clinique.
