في عالم يزداد فيه الاعتماد على الأجهزة القابلة للارتداء لمراقبة الصحة، تثير البيانات المجمعة من هذه الأجهزة تحديات كبيرة نتيجة عدم التوافق البنيوي، حيث تتوقف الميزات المرتبطة بمستشعرات معينة معًا. نماذج الإدخال العميقة (Deep Imputation Models) مثل BRITS وSAITS قدمت تطورات مشجعة، لكنها لم تخضع لتقييمات كافية باستخدام بيانات فسيولوجية متعددة الطرق تحت ظروف غياب واقعية.

أخيرًا، تم تقديم بروتوكول تقييم مبتكر يعتمد على بيانات سجلتها ساعة Garmin الذكية لشخص يعاني من الصرع. يقوم البروتوكول باستخدام نماذج صيغ غياب مستمرة من بيانات التدريب، مصنفة حسب أطوال الفجوات لكل ميزة، لحقنها كأقنعة كتلية تُحافظ على هيكل الغياب المتزامن.

أظهرت التجارب أن البروتوكولات المتطابقة التي تعرض النماذج لنفس توزيع الغياب قد خفضت متوسط الخطأ المطلق (MAE) الخاص بنموذج BRITS بشكل ملحوظ بمعدل 43%. كما تم توسيع نموذج BRITS بواسطة ترميز وقت اليوم وقناة توافقية دورية.

تظهر النتائج أن لا نموذج وحيد يتفوق؛ حيث كان التداخل الخطي هو الأمثل للميزات البطيئة الحركة عبر الفجوات القصيرة، بينما حقق BRITS الممتد أدنى متوسط خطأ على الميزات القلبية الديناميكية في الفجوات المتوسطة والكبرى. ومع ذلك، حافظ SAITS على توزيع الحقائق الأرضية بشكل أفضل رغم أن متوسط الخطأ كان أعلى.

الأهم من ذلك، تكشف هذه الدراسة كيف أن التصاميم التقليدية للتقييم قد تخفي القدرات الحقيقية للنماذج، مما يدعو لتطوير استراتيجيات إدخال أفضل لمجموعات بيانات متعددة المستشعرات في المستقبل.

ما رأيكم في هذه التطورات المثيرة في مجال الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!