研究者らは、脳波（EEG）、心電図（ECG）、表面筋電図（sEMG）を扱うAIモデル群「PhysioWave-T」を発表した。この手法では、データをトークンに変換する前に、ウェーブレットで得た複数の信号スケールを統合する。著者らによると、4種類のEEG処理経路で、精度を落とさずにTransformerのレイテンシを4.0～7.2倍、ピークメモリ使用量を6.8～12.7倍削減した。
SeizeIT2の発作検出テストでは、別々のエンコーダーからの信号を組み合わせることで、1時間あたり11件の誤警報という条件で、イベント感度が61.4%から74.4%に向上したと著者らは報告している。論文にはコードとモデルの重みが掲載されているが、提供された記録にはリンクが含まれていない。
なぜ重要か
EEG記録を処理する研究者にとって、報告されたメモリ使用量の削減により、これらのモデルを実行する負担が軽くなる可能性がある。ただし、臨床現場での性能が示されたわけではない。
