Hypnos با پیش‌بینی توکن بعدی، سیگنال‌های خواب را برای کاربردهای پزشکی رمزگذاری می‌کند

پژوهشگران در مقاله‌ای منتشرشده در arXiv، مدل Hypnos را معرفی کرده‌اند؛ یک مدل پایهٔ چندوجهی برای یادگیری بازنمایی از سیگنال‌های فیزیولوژیک خواب. Hypnos با هشت شیوهٔ ثبت داده، از جمله EEG، ECG و سیگنال‌های تنفسی، و بر پایهٔ بیش از ۲۰ هزار ثبت پلی‌سومنوگرافی شبانه آموزش دیده است.

این مدل ابتدا داده‌های هر شیوه را با روش residual vector quantization به رشته‌هایی از توکن‌های گسسته تبدیل می‌کند. سپس یک RQ-Transformer خودرگرسیو، توکن بعدی را در همهٔ شیوه‌ها به‌طور هم‌زمان پیش‌بینی می‌کند. پس از آموزش، Hypnos می‌تواند از جریان پیوستهٔ داده‌های هر زیرمجموعه‌ای از حسگرهای پشتیبانی‌شده، بازنمایی‌هایی برای وظایف بعدی بسازد.

به‌گفتهٔ مقاله، Hypnos در بیشتر معیارهای ارزیابی از مدل‌های پایهٔ موجود بهتر بوده است. در طبقه‌بندی مراحل خواب، عملکردش در مجموعه‌های آزمونِ کنارگذاشته‌شده با مدل‌های نظارت‌شدهٔ قوی برابری کرده، در حالی که از یک‌صدم دادهٔ برچسب‌خورده استفاده کرده است. همچنین در تشخیص فیبریلاسیون دهلیزی، از یک مدل پایهٔ ECG اختصاصی بهتر عمل کرده است؛ آزمونی که نشان می‌دهد مدل می‌تواند فراتر از داده‌های ثبت خواب نیز تعمیم یابد.

نویسندگان پیش‌بینی توکن بعدی را جایگزینی ساده و مقیاس‌پذیر برای هدف‌های رایج‌ترِ بازسازی بخش‌های ماسک‌شده و یادگیری تقابلی می‌دانند. مقاله در arXiv منتشر شده و پذیرش آن در NeurIPS 2026 اعلام شده است.