في عالم الذكاء الاصطناعي، يبدو أن هناك قفزة نوعية في طريقة التعامل مع تقديرات المعلمات الفسيولوجية باستخدام تقنية البيانات الضوئية (Photoplethysmography). يواجه الباحثون تحديات جديدة في محاذاة تسميات المعلمات الفسيولوجية مع بيانات ضوئية كبيرة الحجم، ولكن الإبداع لم يتوقف هنا!
الإطار الجديد: TS2TC
المقاربة الجديدة التي تم تقديمها تحت اسم **TS2TC** تسعى إلى استخدام **التعلم الذاتي غير المراقب** (Self-supervised Learning) للتغلب على التحديات المرتبطة بالبيانات المعلّمة محدودة العدد. يعتمد هذا الإطار على استكشاف وتضمين الخصائص الفريدة للبيانات الضوئية لتقدير المعلمات الفسيولوجية بدقة وبطريقة غير اجتياحية.
المهام المُسبقة: CTFGA
تم تصميم مهمة مسبقة تُعرف باسم **Cross-Temporal Fusion Generative Anchor (CTFGA)**، وهي تهدف إلى نمذجة الاعتمادية الزمنية وإعادة بناء الأجزاء المستقلة على مستوى خشن توفر استخراج ميزات عالمية قوية وتمثيل سياقي محلي. يتضمن الإطار إشارات فرعية من بيانات PPG بترددات شديدة التباين، مما يعكس الديناميات الدموية.
استراتيجية DPT
إضافة إلى ذلك، تم تطوير إستراتيجية تعتمد على العمليات المزدوجة المستلهمة معرفيًا، تُعرف باسم **Dual-process Transfer (DPT)**. تتيح هذه الاستراتيجية استغلال المزايا المستقلة والتكاملية للتمثيلات المشتركة والمحددة.
نتائج مذهلة
في تجربتهم المكثفة، أظهرت النتائج أن الأداء المشترك لمهارة CTFGA وDPT تجاوز بشكل كبير أداء تقنيات التعلم التقليدية، محققًا تحسينًا بمعدل 2.49% في متوسط الخطأ الجذري التربيعي (RMSE) مقارنة بأحدث طرق التقدير، وذلك باستخدام 10% فقط من بيانات التدريب.
دعوة للنقاش
ما هي رؤيتك لمستقبل تقدير المعلمات الفسيولوجية باستخدام الذكاء الاصطناعي؟ هل تعتقد أن هذه التقنيات ستحدث فارقاً كبيراً في الرعاية الصحية؟