في عالم البحث العلمي، تبقى التحديات قائمة عندما يتعلق الأمر بتحليل بيانات السلاسل الزمنية المتعددة المتغيرات، خاصةً في مجالات طبية مثل التخطيط الكهربائي الدماغي داخل القحف (iEEG). لقد قدم فريق البحث آلية جديدة تُعرف بتوازي الانتباه متعدد المتغيرات (MVPA)، والتي تميز بين الانتباه للمحتوى والانتباه الزمني والمكاني.

تعد هذه الآلية بمثابة قفزة نوعية في النمذجة العامة للبيانات الزمنية، حيث تستجيب بمرونة للتركيبات المختلفة لقنوات البيانات. وفي هذا السياق، تم تطوير نموذج MVPFormer، الذي يمثل نموذجاً أساسياً مولداً لتحليل الإشارات الكهربائية للدماغ، مما يسهم في توقع تطور إشارات iEEG عبر مجموعة من الأفراد.

داعمًا لهذا الإنجاز، تم إصدار مجموعة بيانات SWEC iEEG، والتي تُعتبر الأكبر من نوعها على الإطلاق، حيث تتضمن ما يقرب من 10,000 ساعة من التسجيلات السريرية المتنوعة. يبرهن نموذج MVPFormer على كفاءته من خلال تحقيق أداء متميز في وقت قياسي في مجموعة متنوعة من المهام، متجاوزًا الأداءات القياسية الحالية.

علاوة على ذلك، يُظهر النموذج تفوقه في اكتشاف النوبات عبر مجموعات بيانات SWEC وMAYO وFNUSA، كما يحقق أداءً متقدماً في أربع مهام لتحليل الإشارات العصبية. إن إنجازات هذا النموذج، فضلاً عن تقنيات MVPA، تجعل منه أداة قيمة للباحثين والعلماء في مجالات البيانات الزمنية المتنوعة.

يمكنكم استعراض الكود الخاص بالنموذج عبر الرابط https://github.com/[IBM/multi-variate-parallel-transformer]، بينما تتوفر مجموعة بيانات SWEC iEEG عبر [https://huggingface.co/datasets/NeuroTec/SWEC_iEEG_Dataset] دون قيود.