# PhysioWave-T ska sänka beräkningskostnaden för biosignalmodeller

> Forskare presenterar vågbaserade modeller för EEG, ECG och muskelsignaler och rapporterar lägre beräkningskostnader samt bättre resultat i utvalda tester.

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

Händelsedatum: 2026-11-06

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.

## Fakta

- EEG-modellen har 30 miljoner parametrar och förtränades på mer än 15 miljoner fönster, enligt författarna.
- Versionshistoriken på arXiv anger att den första versionen publicerades den November 6, 2026.

## 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.

## Källor och referenser

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

Senast uppdaterad: 2026-11-09