تشهد تكنولوجيا مراقبة النوم تحولًا ملحوظًا بفضل الأبحاث الجديدة التي تكشف عن إمكانيات غير مستغلة في نماذج Transformers. حيث تعتمد العديد من الحلول الحالية لتصنيف النوم على فرضيات تفترض أن هذه النماذج قادرة على التعلم المعقد للعلاقات بعيدة المدى. ومع ذلك، قام باحثون بتحدي هذه الفرضيات من خلال إظهار خاصية مهملة في تسلسل النوم، وهي الاستمرارية الزمنية المحلية القوية.

لقد أثبتت الأبحاث أن نموذج Transformer الأصلي، حتى دون تدريبه، يُحدث تحسيناً ملحوظاً في أداء تصنيف النوم، متفوقًا على الأساليب التقليدية المعتمدة على التنعيم. قدم الباحثون نظرية جديدة توضح أن انتباه العشوائية - Random Attention Prior Kernel (RAPK) - يعمل كآلية تنعيم قابلة للتكيف، حيث يوازن بين المتوسطات العالمية والشبه القائم على المحتوى، مع الحفاظ على انتقالات المراحل.

باستخدام مقياسين مبتكرين، هما مؤشر تأثير السلاسة المحلية (Local Smoothness Influence Index) وإنتروبيا الانتقال الموزونة (Weighted Transition Entropy)، توصل الباحثون إلى أن معظم تحسينات الأداء في تصنيف النوم باستخدام نماذج Transformers تأتي من تحيز هيكلي بدلاً من التعلم بالمعلمات.

تشير نتائج هذه الدراسة إلى إمكانية التصرف بفعالية في تصنيف مراحل النوم من خلال آليات التنعيم المعتمدة على الهيكل، بدلاً من نماذج الاعتماد المعقدة. هذا التوجه الجديد يمهد الطريق لأنظمة رعاية صحية أكثر كفاءة وقابلة للنشر في البيئات المختلفة لمراقبة الفيزيولوجيا على نطاق واسع.