I ricercatori presentano PhysioWave-T, una famiglia di modelli di IA per EEG, ECG e sEMG, ovvero segnali muscolari. L’approccio combina le scale del segnale ottenute con le wavelet prima di convertire i dati in token; secondo gli autori, questo ha ridotto la latenza dei Transformer di 4,0–7,2 volte e la memoria di picco di 6,8–12,7 volte in quattro procedure di elaborazione dell’EEG, senza ridurre la precisione.
Nel test di rilevamento delle crisi epilettiche SeizeIT2, gli autori riferiscono che combinare i segnali provenienti da encoder separati ha aumentato la sensibilità agli eventi dal 61,4% al 74,4%, con 11 falsi allarmi all’ora. L’articolo indica che sono disponibili il codice e i pesi dei modelli, ma il record fornito non include i relativi link.
Perché conta
Per i ricercatori che elaborano registrazioni EEG, il risparmio di memoria dichiarato potrebbe rendere questi modelli meno onerosi da eseguire, anche se i risultati non dimostrano come si comportino nell’uso clinico.
