تشهد مجال تحليل البيانات البيولوجية، لاسيما إشارات تخطيط القلب (ECG) والمخ (EEG)، طفرة تكنولوجية ملحوظة تتطلب تحليلًا دقيقًا وموحدًا لتقديم تقييم شامل للمرضى، خاصة في عمليات المراقبة المتزامنة. على الرغم من التقدم في دمج أجهزة الاستشعار المتعددة، لا يزال هناك فجوة كبيرة في تطوير المعماريات الموحدة التي تعالج بفعالية وتستخرج ميزات من الإشارات الفسيولوجية الأساسية المختلفة.

يعتبر التحدي الآخر هو عدم التوازن الفئوي الموجود في العديد من مجموعات البيانات البيولوجية، مما يؤدي إلى أداء متحيز في الأساليب التقليدية. في هذا السياق، تقدم الدراسة الجديدة إطار عمل مبتكر قائم على التعلم العميق (Deep Learning) يحقق أداءً رائعًا عبر أنواع مختلفة من الإشارات.

يعتمد هذا الإطار على شبكة عصبية تلافيفية (CNN) مستندة إلى ResNet، مدعومة بآلية انتباه، معززة باستراتيجية جديدة لتوسيع البيانات: وهي الدمج الزمني لمتغيرات موسعة متعددة من كل إشارة لتوليد تمثيلات أغنى. على عكس الأعمال السابقة، تم زيادة تعقيد الإشارة بشكل علمي لتحقيق قدرات متقدمة، مما أسفر عن أفضل التنبؤات مقارنة بأحدث الأساليب.

اشتملت خطوات المعالجة المسبقة على إزالة الضوضاء باستخدام الموجات، وإزالة القاعدة، والتوحيد القياسي. وتم إدارة عدم التوازن الفئوي بفعالية من خلال الاستخدام المشترك لهذه الاستراتيجية المتطورة وتطبيق دالة Focal Loss. كما تم تطبيق تقنيات تنظيم أثناء التدريب لضمان التعميم.

تم تقييم المعمارية المقترحة بشكل دقيق على ثلاثة مجموعات بيانات مرجعية: EEG UCI Seizure، MIT-BIH Arrhythmia، وECG PTB Diagnostic، وحققت دقتها 99.96%، 99.78%، و100% على التوالي، مما يظهر قوتها عبر أنواع الإشارات المختلفة والسياقات السريرية.

أخيرًا، تتطلب المعمارية حوالي 130 ميغابايت من الذاكرة وتقوم بمعالجة كل عينة في حوالي 10 مللي ثانية، مما يشير إلى ملاءمتها للنشر على الأجهزة منخفضة القدرة أو القابلة للارتداء.