Pesquisadores apresentam PhysioWave-T, uma família de modelos de IA para EEG, ECG e sEMG, ou sinais musculares. A abordagem combina escalas de sinais de wavelet antes de converter os dados em tokens. Segundo os autores, isso reduziu em 4,0–7,2 vezes a latência do Transformer e em 6,8–12,7 vezes o pico de uso de memória em quatro fluxos de processamento de EEG, sem reduzir a precisão.
No teste de detecção de convulsões SeizeIT2, os autores afirmam que combinar sinais de codificadores separados elevou a sensibilidade a eventos de 61.4% para 74.4%, com 11 alarmes falsos por hora. O artigo lista o código e os pesos dos modelos, mas o registro fornecido não inclui os links.
Por que importa
Para pesquisadores que processam gravações de EEG, a economia de memória relatada pode tornar esses modelos menos exigentes para executar, embora os resultados não demonstrem seu desempenho em uso clínico.
