ثورة جديدة في مراقبة النوم: تقديم نموذج عشوائي خفيف لتحسين دقة تحديد مراحل النوم!

في عالم التكنولوجيا المتسارع، أصبحت مراقبة النوم المنزلية أحد الركائز الأساسية للحفاظ على الصحة العامة. ومع التطور السريع، تحتاج النماذج المستخدمة في هذه المراقبة إلى تحسينات لتصبح أكثر كفاءة. في هذا السياق، تم تقديم نموذج جديد يدعى Random Attention (RA)، والذي يمثل بديلاً خفيفاً واستثنائياً للنماذج التقليدية مثل الشبكات العصبية التكرارية (RNN) ونموذج المحولات (Transformers).

يعتمد نموذج RA على تقنيات التجميع المستندة إلى التشابه، مما يقلل الحاجة إلى النمذجة التسلسلية القابلة للتعلم، وبالتالي يُقلل من التعقيد الحسابي اللازم للنشر في الأجهزة المحمولة. من خلال إضافةً طفيفة من المعلمات، يُمكن للنموذج RA تحقيق تنعيم زمني فعال لمراحل النوم.

كما يُقدّم بحث جديد عن تفسير نظري بواسطة نواة Random Attention Prior Kernel (RAPK)، حيث تُفكك RA إلى مصطلح تنعيم عالمي ومصطلح تشابه الميزات، مما يوفر رؤية مفهومة لتركيب نوم الزمان. النتائج التجريبية على مجموعات بيانات Sleep-EDF-20 و Sleep-EDF-78 تُظهر أن RA قد حسّن الدقة بمعدل يتراوح بين 1-3% مقارنةً بالمعايير التقليدية، متفوقًا أيضًا على نماذج LSTM وGRU وTransformers.

ولا يقتصر الأمر على تحسين الدقة فحسب، بل يُظهر RA قدرة جيدة على التعميم عبر مختلف مكونات النظام الأساسية، مما يعزز المتانة مقارنةً بأساليب التنعيم الزمني التقليدية.

تشير هذه النتائج إلى أن تحقيق مراحل نوم فعّالة أصبح ممكنًا من خلال التجميع الزمني المستند إلى التشابه الخفيف، مما يجعل نموذج RA رائدًا في التطبيقات القابلة للارتداء التي تحتاج إلى تقنيات في الوقت الحقيقي.