Onderzoekers presenteren PhysioWave-T, een reeks AI-modellen voor EEG, ECG en sEMG, oftewel spiersignalen. De methode combineert wavelet-schalen van signalen voordat de gegevens worden omgezet in tokens. Volgens de auteurs verkortte dit de latentie van Transformers met een factor 4,0–7,2 en verminderde het piekgeheugengebruik met een factor 6,8–12,7 bij vier EEG-verwerkingsroutes, zonder dat de nauwkeurigheid afnam.
Bij de test voor epilepsiedetectie SeizeIT2 steeg de gevoeligheid voor aanvallen volgens de auteurs van 61,4% naar 74,4% bij 11 fout-positieve meldingen per uur, door signalen van afzonderlijke encoders te combineren. Het artikel vermeldt dat de code en modelgewichten beschikbaar zijn, maar de aangeleverde informatie bevat geen links.
Waarom het ertoe doet
Voor onderzoekers die EEG-opnamen verwerken, kan de gerapporteerde geheugenbesparing deze modellen minder veeleisend maken om te gebruiken. De resultaten laten echter niet zien hoe de modellen in de klinische praktijk presteren.
