Forskare presenterar PhysioWave-T, en familj AI-modeller för EEG, ECG och sEMG, det vill säga muskelsignaler. Metoden kombinerar vågskalor i signalerna innan data omvandlas till token. Författarna uppger att detta minskade Transformerns fördröjning med 4.0–7.2 gånger och det maximala minnesbehovet med 6.8–12.7 gånger i fyra EEG-bearbetningsflöden, utan att försämra träffsäkerheten.
I testet för att upptäcka epileptiska anfall i SeizeIT2 uppger författarna att kombinationen av signaler från separata kodare ökade känsligheten för händelser från 61.4% till 74.4% vid 11 falsklarm i timmen. Artikeln listar kod och modellvikter, men den tillhandahållna posten innehåller inga länkar till dem.
Varför det spelar roll
För forskare som bearbetar EEG-inspelningar kan de rapporterade minnesbesparingarna göra modellerna mindre resurskrävande att köra. Resultaten visar dock inte hur modellerna fungerar i klinisk användning.
