تصنيف مراحل النوم هو جانب محوري في تشخيص اضطرابات النوم وتقييم جودة النوم. ومع ذلك، فإن عملية التصنيف اليدوية التقليدية التي يقوم بها الأطباء تستغرق وقتًا طويلاً وعرضة للتحيز البشري. لقد ساهمت التطورات الحديثة في التعلم العميق بشكل كبير في تطوير أتمتة تصنيف مراحل النوم. ومع ذلك، لا تزال هناك تحديات، بما في ذلك الحاجة إلى قواعد بيانات كبيرة مصحوبة بالتصنيفات والتحيزات المتأصلة في التصنيفات التي ينتجها البشر. يقدم هذا البحث نظام NeuroNet، وهو إطار للتعلم الذاتي المشرف (Self-Supervised Learning - SSL) مصمم لاستخدام الإشارات الكهروencephalographic (EEG) غير المصحوبة بالتصنيفات من قناة واحدة بكفاءة من خلال دمج مهام التعلم التبايني ومهام التنبؤ المقنعة. أظهر NeuroNet أداءً أفضل من الأساليب الحالية للتعلم الذاتي المشرف من خلال التجارب الواسعة التي أجريت على ثلاثة قواعد بيانات لتسجيل النوم متعدد القنوات (Polysomnography - PSG). بالإضافة إلى ذلك، يقترح هذا البحث وحدة سياق زمني تعتمد على Mamba لتقاطع العلاقات بين فترات EEG المختلفة. قد أثبت الجمع بين NeuroNet ووحدة السياق الزمني المستندة إلى Mamba القدرة على تحقيق أو حتى تجاوز أداء أساليب التعلم المشرف الأحدث، حتى مع كمية محدودة من البيانات المصحوبة بالتصنيفات. يتوقع أن يحدد هذا البحث معيارًا جديدًا في تصنيف مراحل النوم، مما يعد وعدًا بقيادة الأبحاث والتطبيقات المستقبلية في مجال تحليل النوم.