Vision Transformer sagen epileptische Anfälle vorher

Anfallsvorhersage scheitert bisher an drei Wänden: kleine EEG-Datensätze, teures Training von Grund auf, mangelnde Übertragbarkeit zwischen Patienten. Die Autoren umgehen das, indem sie Vision Transformer aus der Bilderkennung übernehmen und deren Patch-Embedding durch mehrdimensionale CNN-Stufen ersetzen, die auf EEG-Signale zugeschnitten sind. Parallel bauen sie ESPFormer, eine abgespeckte Variante, die auf begrenzten Datenmengen weniger überanpasst. Eine heuristische Suchraumreduktion identifiziert, welche Transformer-Blöcke überhaupt nachtrainiert werden müssen, und drückt so die Rechenkosten. Das Ganze ist ein bioRxiv-Preprint ohne Peer Review, die Validierung an klinischen Kohorten steht aus.

Wer Anfälle vorhersagen will, braucht keine größeren Modelle, sondern kleinere Ausschnitte davon. Der Rest ist Ingenieurskunst am Datenmangel.