تشهد تقنيات الاستشعار القابل للارتداء ثورة في القدرة على جمع بيانات صحية عالية الدقة تتعلق بالأنماط الفسيولوجية، مثل تخطيط الضوء الضوئي (Photoplethysmography) وقياس التسارع (Accelerometry)، في ظروف الحياة اليومية. ومع ذلك، يواجه الباحثون تحديات كبيرة في استنتاج الأنماط الصحية من هذه البيانات بسبب تكرار العينات العالي، والاعتمادات متعددة الأبعاد، وطول التسلسل القصير، والتي تمتد لأيام أو أسابيع من التسجيلات، بالإضافة إلى ندرة التسميات الصحيحة.

لمعالجة هذه التحديات، تعتمد أساليب التعلم الذاتي (Self-Supervised Learning) الحالية على نموذجين رئيسيين: الأول يتضمن تعلم تمثيلات مورفولوجية غنية من مقاطع قصيرة من الموجات، في حين يتم تقليل الديناميكيات الطويلة الأجل من خلال التجميع البسيط. أما الثاني، فيعتمد على نمذجة الأنماط السلوكية من ميزات يدويّة (مثل معدل ضربات القلب، وعدد الخطوات) تغطي نطاقات زمنية أطول، لكنه يغفل التفاصيل الدقيقة التي قد تحمل دلالات تنبؤية في الموجات الخام.

لتجاوز هذه الفجوة، تم اقتراح WavesFM، وهو نموذج أساسي يستخدم إطار عمل تعليمي هرمي يستفيد من بيانات فسيولوجية طويلة الأجل. يقوم هذا النموذج بتقسيم مشكلة التعلم إلى مرحلتين: في المرحلة الأولى، يتم اختبار مُشفر بمستوى المقاطع لاستخراج تمثيلات محلية من موجات قصيرة؛ وبعد ذلك، يتم تدريب مُشفر زمني لنمذجة تسلسل هذه التمثيلات عبر مدى زمني يمتد لعدة أيام.

هذه المنهجية الهرمية تتجاوز التعقيد الحسابي المرتبط بالبيانات ذات الدقة العالية والأطوال الطويلة، مما يسمح للنموذج بالتقاط كلا من معاني الإشارة المحلية والتقلبات البيولوجية المعقدة التي تحكم الديناميكيات الفسيولوجية. وبعد تدريبها على أكثر من 6.8 مليون ساعة من التسجيلات (لنحو 324 ألف شخص) في المرحلة الأولى و5.3 مليون ساعة (لذا 10 آلاف) في المرحلة الثانية، يُظهر WavesFM أداءً متفوقاً عبر 58 مهمة متنوعة تشمل الفئات السكانية وأنماط الحياة والحالات الصحية والأدوية.