النوم ضروري للحفاظ على الصحة البشرية وجودة الحياة. يُعد تحليل الإشارات الفسيولوجية أثناء النوم أمرًا بالغ الأهمية لتقييم جودة النوم وتشخيص اضطرابات النوم. ومع ذلك، فإن التشخيص اليدوي من قبل الأطباء يتطلب وقتًا طويلاً ويعتمد على التقييم الذاتي. وعلى الرغم من التقدم المحرز في التعلم العميق الذي عزز الأتمتة، تظل هذه الأساليب تعتمد بشكل كبير على مجموعات بيانات مُعلمة كبيرة الحجم. تقدم هذه الدراسة نموذج SynthSleepNet، وهو إطار هجين ذاتي-التعلم متعدد الوسائط مصمم لتحليل بيانات التسجيلات الفسيولوجية الليلية (PSG). يتميز SynthSleepNet بدمجه الفعّال بين تقنيتي التنبؤ بالقيم المخفية (masked prediction) والتعلم التبايني (contrastive learning)، مما يسمح باستغلال الخصائص المكملة عبر عدة وسائط، بما في ذلك التخطيط الكهربائي للدماغ (EEG)، والتخطيط الكهربائي للعين (EOG)، والتخطيط الكهربائي للعضلات (EMG)، والتخطيط الكهربائي للقلب (ECG). يمكّن هذا النهج النموذج من تعلّم تمثيلات غنية وتعبيرية للبيانات PSG. بالإضافة إلى ذلك، تم تطوير وحدة للسياق الزمني تعتمد على معمارية Mamba، لالتقاط المعلومات السياقية بكفاءة عبر الإشارات المختلفة. أظهر SynthSleepNet أداءً متفوقًا مقارنة بالأساليب الرائدة في السوق في ثلاث مهام تطبيقية لاحقة: تصنيف مراحل النوم، وكشف انقطاع التنفس أثناء النوم، وتحديد انخفاض التنفس (hypopnea)، بذات دقة تبلغ 89.89% و99.75% و89.60% على التوالي. كما أظهر النموذج أداءً قويًا في بيئة تعلم شبه مُعلّم مع عدد محدود من التسميات، حيث حقق دقة بلغت 87.98% و99.37% و77.52% في المهام نفسها. تُبرز هذه النتائج الإمكانات الكبيرة للنموذج كأداة أساسية لتحليل شامل لبيانات PSG. ويُظهر SynthSleepNet أداءً متفوقًا بشكل شامل في العديد من المهام التطبيقية مقارنة بالأساليب الأخرى، مما يجعله متوقعًا أن يُحدث ثورة في أنظمة مراقبة وتشخيص اضطرابات النوم، ويُعدّ معيارًا جديدًا في هذا المجال.