في تطور مثير في مجال تحليل الإشارات الكهربائية للدماغ (EEG)، تم تقديم نموذج تنبؤ الحالة العصبية (Neural State Prediction – NSP) الذي يعد بتحسين قدرات التعلم للنماذج الأساسية المستخدمة في هذا المجال. هذه النماذج غالبًا ما تعتمد على تنبؤات مخفية (Masked Prediction) للتعلم من التسجيلات غير المصنفة، لكن تحقيق هذا الهدف لا يضمن تمثيلات عصبية قابلة للنقل.

التحدي الرئيسي يكمن في أن الإشارات الثابتة والتداخلات المحلية قد تجعل المناطق المخفية قابلة للتنبؤ دون دمج السياق العصبي الموزع. لذلك، يقدم نموذج NSP إطار عمل للتنبؤ الكامن يقوم بتقييد الهدف التنبؤي والسياق المتاح. يعتمد NSP على مشفر الهدف الذي يتم تحديثه بواسطة المتوسط المتحرك الأسي لتحديد الإشراف الكامن.

يتضمن ذلك إزالة تأثيرات الهوية المرتبطة بالقناة والزمن النسبي من الأهداف، في حين أن السياق المفصول حسب الشكل يشمل الجوار المكاني والزمني المباشر من المدخلات المرئية. تمت تجريب نموذج NSP على 2.2 مليون جزء من البيانات الإشاراتية EEG من قاعدة بيانات TUEG، وتم تقييمه عبر 30 مجموعة بيانات أخرى تشمل التشخيص السريري، وتصنيف النوم، والتعرف على المشاعر، والانطلاق الحركي، وغيرها.

أظهرت النتائج أن NSP حقق دقة متوازنة بلغت 63.94% عبر 14 مجموعة بيانات، متجاوزًا أقوى خط أساس تم تقييمه بنسبة 2.35 نقطة مئوية. كما تساهم قياسات التفكيك المنضبطة في تقييم مساهمة كل آلية، في حين تستعرض العناصر المتحكم فيها التفاعل بين الهندسية السياقية ومحتوى الإشارة والمعلومات الموضعية.

يُعد تصميم الأهداف الكامنة وسياقاتها بشكل مشترك اتجاهًا واعدًا لنماذج EEG الأساسية التي تتعلم من الهيكل الإشاري الموزع. هذه التطورات قد تعزز من فهمنا للعقل وتحسين القدرات التشخيصية بشكل كبير.