# PhysioWave-T旨在降低生物信号模型成本

> 研究人员推出基于小波的EEG、ECG和肌肉信号模型，并称其在部分测试中降低了计算成本、提升了效果。

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

事件日期: 2026-11-06

研究人员推出PhysioWave-T，这是一系列用于EEG、ECG和sEMG（即肌肉信号）的AI模型。该方法先将不同尺度的小波信号结合起来，再把数据转换为token；作者称，在四种EEG处理流程中，这使Transformer的延迟降低了4.0–7.2倍，峰值内存占用减少了6.8–12.7倍，同时没有降低准确率。

在SeizeIT2癫痫发作检测测试中，作者报告称，合并来自不同编码器的信号后，在每小时11次误报的情况下，事件敏感度从61.4%提高至74.4%。论文列出了代码和模型权重，但所提供的记录中没有相关链接。

## 事实

- 据作者介绍，EEG模型有30 million个参数，并使用超过15 million个窗口进行预训练。
- arXiv提交记录显示，论文的首个版本日期为2026年11月6日。

## 为什么重要

对于处理EEG记录的研究人员来说，据称节省的内存可能降低运行这些模型的资源要求；不过，这些结果并不能证明模型在临床应用中的表现。

## 来源与参考

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

最后更新: 2026-11-09