# PhysioWave-T снижает затраты на обработку биосигналов

> Исследователи представили модели на основе вейвлетов для ЭЭГ, ЭКГ и мышечных сигналов. По их данным, на отдельных тестах модели требуют меньше вычислительных ресурсов и показывают лучшие результаты.

Oossa · 2026-11-09 · https://oossa.com/ru/physiowave-t-aims-to-cut-biosignal-model-costs

Дата события: 2026-11-06

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.

## Факты

- По данным авторов, модель для ЭЭГ содержит 30 миллионов параметров и предварительно обучена на более чем 15 миллионах фрагментов записи.
- Согласно истории версий на arXiv, первая версия статьи датирована 6 ноября 2026 года.

## 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.

## Источники и ссылки

1. [PhysioWave-T: Token-Efficient Wavelet Foundation Models for Biosignals](https://arxiv.org/abs/2611.08969) – arXiv, 2026-11-09

Обновлено: 2026-11-09