Исследователи представили PhysioWave-T — семейство ИИ-моделей для ЭЭГ, ЭКГ и sEMG, то есть мышечных сигналов. Метод объединяет масштабы сигнала, полученные с помощью вейвлетов, прежде чем преобразовать данные в токены. По данным авторов, в четырёх сценариях обработки ЭЭГ это сократило задержку Transformer в 4.0–7.2 раза, а пиковое потребление памяти — в 6.8–12.7 раза без снижения точности.
В тесте SeizeIT2 на выявление приступов сочетание сигналов от отдельных энкодеров повысило чувствительность к событиям с 61.4% до 74.4% при 11 ложных срабатываниях в час, сообщают авторы. В статье указаны код и веса модели, но в предоставленной записи ссылки на них отсутствуют.
Почему это важно
Для исследователей, обрабатывающих записи ЭЭГ, заявленная экономия памяти может снизить требования к вычислительным ресурсам. Однако эти результаты не показывают, как модели работают в клинической практике.
