في الفترة الأخيرة، استطاعت الأبحاث أن تتقدم بخطوات واسعة في مجال علوم الأعصاب، وفي هذا السياق، تمثل دراسة جديدة نُشرت مؤخرًا اختراقًا تكنولوجيًا يسلط الضوء على أهمية التعلم الذاتي المدعوم.

هذه الدراسة تفخر بتقديم MAEConformer، وهو إطار تعليمي مبتكر يجمع بين معمارية Conformer وتقنية Masked Autoencoder (MAE) لتعلم التمثيل على نطاق واسع من إشارات تخطيط الدماغ (Electroencephalography - EEG) وتباين معدل ضربات القلب (Heart Rate Variability - HRV) غير المعلّمة.

MAEConformer يدمج العمليات التلافيفية مع الانتباه الذاتي المستند إلى معمارية Transformer، مما يعزز القدرة على التقاط الأنماط الزمنية المحلية والاعتماديات السياقية طويلة المدى في سلسلة البيانات الفيزيولوجية. ولزيادة جودة التمثيل وموثوقية إعادة البناء، تم تضمين خسارة تحويل فورييه قصير المدى متعدد الدقة (Multi-Resolution Short-Time Fourier Transform - MR-STFT) إلى جانب الهدف الرئيسي لإعادة البناء، مما يمكّن النموذج من التعلم المتزامن للخصائص الزمنية والطيفية عبر مقاييس متعددة.

تم تدريب نماذج MAEConformer الخاصة بإشارات EEG وHRV مسبقًا على تسجيلات غير معلّمة قدرت بحوالي 6,030 ساعة و4,868 ساعة على التوالي، وتم نقلها بعد ذلك إلى مهام تم تقييمها بواسطة خبراء.

أظهرت النتائج التجريبية أن التمثيلات المكتسبة توفر قابلية انتقال قوية وكفاءة البيانات. في مهمة تصنيف شدة شلل الدماغ الناتج عن نقص الأكسجة باستخدام EEG، حقق نموذج MAE-EEG AUC (Area Under Curve) للاختبار بلغ 97.19% و96.56% لمهام تصنيف ثنائية وأربع فئات على التوالي، متفوقًا بذلك على مجموعة من المعايير التقليدية المعروفة في التعلم تحت الإشراف وبدونه.

أما في مهمة تصنيف شدة نقص الأكسجة باستخدام HRV، فقد حقق نموذج MAE-HRV AUC بلغت 82.42%، متفوقًا على الأساليب التقليدية القائمة على التحويلات والتلافيف.

تظهر هذه النتائج فعالية MAEConformer في تعلم التمثيلات القوية والقابلة للنقل عبر عدة نماذج فيزيولوجية. هذه الدراسة تعزز من إمكانية استخدام التكنولوجيا الحديثة لتحسين العناية الصحية ودعم قرار الأطباء بشكل فعّال.