🤖 machine learning

Optimizing Locomotor Task Sets in Biological Joint Moment Estimation for Hip Exoskeleton Applications

تقدم هذه الورقة استراتيجية لتحسين مجموعة مهام الحركة باستخدام التحليل العنقودي لتحديد مجموعة فرعية دنيا وممثلة من المهام لتدريب نماذج التعلم العميق، مما يتيح التقدير الدقيق لعزوم مفصل الورك للتحكم في الهيكل الخارجي مع تقليل متطلبات جمع البيانات بشكل كبير.

المؤلفون الأصليون: Jimin An, Changseob Song, Eni Halilaj, Inseung Kang

نُشر 2026-03-10

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jimin An, Changseob Song, Eni Halilaj, Inseung Kang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم مساعد آلي (هيكل خارجي لمفصل الورك) كيف يساعد الإنسان على المشي، أو الجري، أو صعود السلالم، أو النهوض من على الكرسي. للقيام بذلك بشكل جيد، يحتاج الروبوت إلى فهم "رياضيات العضلات" (عزوم المفاصل البيولوجية) التي تحدث داخل جسم الإنسان.

عادةً، لتعليم الروبوت هذا، يتعين على المهندسين جمع كمية هائلة من البيانات. يحتاجون إلى تسجيل أشخاص وهم يقومون بكل حركة ممكنة يمكن تخيلها في المختبر. يشبه هذا محاولة تعلم لغة جديدة عبر حفظ كل كتاب في المكتبة قبل أن تتمكن من نطق جملتك الأولى. إنه أمر مكلف، ويستغرق وقتاً طويلاً، وصعب للغاية، خاصة للمرضى الذين قد لا يكون بمقدورهم القيام بكل تلك الحركات.

المشكلة الكبرى:
الطريقة "الذكية" الحالية لتعليم هذه الروبوتات تستخدم التعلم العميق (نوع من أنواع الذكاء الاصطناعي). لكن التعلم العميق هو "نهم" للبيانات؛ فهو يحتاج إلى مجموعات بيانات ضخمة ليعمل بشكل جيد. وجمع هذه البيانات يمثل عنق زجاجة.

الحل: استراتيجية "اختبار التذوق"
يقترح هذا البحث اختصاراً ذكياً. بدلاً من تغذية الروبوت بالمكتبة بأكملها، سأل الباحثون: "ما هي أصغر قائمة حركات تمثيلية يمكننا تعليمها للروبوت بحيث لا يزال قادراً على تعلم اللغة بأكملها؟"

لم يعتمدوا على التخمين فحسب؛ بل استخدموا استراتيجية "اختبار تذوق" علمية:

المكونات (البيانات): نظروا في بيانات من 12 شخصاً سليماً يقومون بـ 20 نشاطاً مختلفاً (المشي، الجري، القفز، رفع الأثقال، إلخ).
ملف النكهة (التجميع): استخدموا خدعة حاسوبية تسمى "التجميع" (Clustering) لتجميع هذه الحركات بناءً على مدى تشابهها من الناحية الميكانيكية الحيوية.
- تشبيه: تخيل أن لديك سلة فواكه تحتوي على تفاح، وبرتقال، وليمون، ولايم، وموز، وعنب. بدلاً من معاملة كل فاكهة كنوع فريد، تقوم بتجميعها حسب ملف النكهة: "حمضيات" (الليمون واللايم والبرتقال) و"حلو" (الموز والعنب والتفاح).
- في هذه الدراسة، وجدوا أن العديد من الحركات تشترك بالفعل في نفس "ملف النكهة" (السمات الميكانيكية الحيوية). على سبيل المثال، صعود السلالم والمشي على منحدر يقعان في نفس "مجموعة النكهة".
العينة التمثيلية: من كل "مجموعة نكهة"، اختاروا نموذجاً واحداً فقط هو الأفضل (المهمة التمثيلية).
- انتهى بهم الأمر إلى "قائمة محسنة" من 8 مهام فقط (3 مهام للمشي/الصعود و5 مهام ديناميكية مثل القفز أو رفع الأثقال).
- تضمنت هذه القائمة مزيجاً من المشي المستقر (الدوري) والحركات المفاجئة (غير الدوري)، وهو ما تبين أنه أمر بالغ الأهمية.

النتائج: بيانات أقل، ذكاء أكبر
قاموا بتدريب ثلاثة "أدمغة" مختلفة للروبوت:

النهم: تم تدريبه على جميع المهام العشرين.
الأكول الانتقائي: تم تدريبه فقط على مهام المشي المستقر (المعيار القديم).
الطاهي الذكي: تم تدريبه فقط على المهام الثماني "المحسنة".

النتيجة:

أدى الطاهي الذكي أداءً يكاد يماثل النهم. فقد استطاع التنبؤ بالمساعدة التي يحتاجها الروبوت بدقة تماثل دقة الروبوت الذي رأى كل حركة ممكنة.
الأكول الانتقائي (المشي فقط) فشل بشكل ملحوظ؛ إذ لم يستطع التعامل مع الحركات الديناميكية بشكل جيد.

لماذا يهم هذا (الخلاصة)
هذا البحث يشبه اكتشاف أنك لست بحاجة لقراءة القاموس بأكمله لتعلم لغة ما؛ بل تحتاج فقط لتعلم الكلمات والعبارات الأكثر شيوعاً التي تغطي 90% من المحادثات.

للمستقبل: يمكن لمصممي الهياكل الخارجية الآن جمع بيانات أقل بكثير لبناء روبوتات أفضل. ليس من الضروري أن يجروا المرضى عبر 20 اختباراً مختبرياً مرهقاً؛ بل يحتاجون فقط لتسجيل بعض الحركات الرئيسية والتمثيلية.
لحظة الإدراك: أثبتت الدراسة أن مزج المشي المستقر مع بعض الحركات الديناميكية "الممتعة" (مثل القفز أو رفع الأثقال) هو "الخلطة السرية". أنت لست بحاجة إلى المزيد من البيانات؛ بل تحتاج فقط إلى اختيار بيانات أذكى.

باختصار، وجد الباحثون طريقة تجعل عملية تعلم الروبوت أسرع، وأرخص، وأسهل، دون التضحية بمدى جودة مساعدة الروبوت للناس أثناء الحركة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "تحسين مجموعات المهام الحركية في تقدير عزم المفاصل البيولوجية لتطبيقات الهياكل الخارجية للورك."

1. بيان المشكلة

يعد التقدير الدقيق لعزم المفصل البيولوجي للمستخدم من بيانات المستشعرات القابلة للارتداء أمراً بالغ الأهمية للتحكم المتقدم في الهياكل الخارجية للأطراف السفلية. وبينما أظهرت نماذج التعلم العميق (DL) واعداً في هذا المجال، إلا أنها كثيفة البيانات، حيث تتطلب جمع بيانات واسعة النطاق في المختبر عبر مهام حركية متنوعة لبناء نماذج قوية ومستقلة عن المستخدم.

العائق: إن جمع مجموعات بيانات شاملة تتضمن عدة أشخاص ومجموعة واسعة من المهام (الدورية وغير الدورية) هو أمر مكلف، ويستغرق وقتاً طويلاً، وصعب لوجستياً، خاصة بالنسبة للفئات المرضية التي تعاني من قيود بدنية.
الفجوة: تعتمد الطرق الحالية غالباً على "الاختيار الأمامي" التكراري (إضافة المهام حتى يصل الأداء إلى مرحلة الثبات) دون تفسير لماذا تعتبر مهام معينة فعالة أو كيف ترتبط ميكانيكياً حيوياً. هناك نقص في الاستراتيجيات المنهجية لتحديد مجموعة مهام دنيا وممثلة تحافظ على دقة النموذج مع تقليل أعباء جمع البيانات بشكل كبير.

2. المنهجية

يقترح المؤلفون استراتيجية تحسين مجموعة المهام الحركية بناءً على التجميع الميكانيكي الحيوي للميزات. يتكون سير العمل من أربع مراحل رئيسية:

أ. مجموعة البيانات والمعالجة المسبقة

مصدر البيانات: مجموعة بيانات مفتوحة المصدر لـ 12 شاباً صحيحاً يؤدون 27 مهمة حركية (10 دورية و17 غير دورية).
الميزات: زوايا مفصل الورك أحادية الجانب، والسرعات، والعزوم في المستوى السهمي، مدمجة مع بيانات وحدة القياس بالقصور الذاتي (IMU) للحوض والفخذ.
المعالجة المسبقة: تم تقسيم البيانات السلاسل الزمنية حسب دورات الحركة/المشي، واستكمالها خطياً لأطوال قياسية، وحساب متوسطها. تم استبعاد سبع مهام غير دورية ذات ملفات تعريف غير نمطية (مثل "لعبة شد الحبل")، مما ترك 20 مهمة (8 دورية و12 غير دورية).

ب. تقليل الأبعاد والتجميع

تحليل المكونات الرئيسية (PCA): تم تطبيقه لتقليل أبعاد فضاء الميزات الميكانيكية الحيوية. تم اختيار أول ثلاثة مكونات رئيسية، والتي فسرت 70.04% من إجمالي التباين.
التجميع بأسلوب K-Means: تم إجراؤه على الفضاء المختزل بواسطة PCA لتجميع المهام ذات التوقيعات الميكانيكية الحيوية المتشابهة.
- المجموعات المثلى: تم تحديدها عبر تحليل درجة السيلويت (Silhouette Score)، حيث تم تحديد 8 مجموعات كعدد أمثل (الدرجة: 0.38).

ج. اختيار المهام عبر تحليل وزن المهمة

لاختيار المهمة الأكثر تمثيلاً من كل مجموعة، طور المؤلفون مقياس تحليل وزن المهمة ( $R$ ) المعرف كالتالي:
$R = \frac{A}{B} \times \frac{A}{C} \times \frac{S}{11} \times w$
حيث أن:

$A/B$ : نسبة نقاط بيانات المهمة داخل المجموعة.
$A/C$ : نسبة إجمالي نقاط بيانات المهمة المخصصة لتلك المجموعة.
$S/11$ : معدل تنوع الأشخاص (عدد الأشخاص الفريدين في المجموعة مقابل الإجمالي).
$w$ : عامل وزن يعتمد على صعوبة جمع البيانات وشعبية البحث.
الاختيار: تم اختيار المهمة ذات أعلى درجة $R$ $R$ في كل من المجموعات الثمانية كالمهمة الممثلة.
- المجموعة المحسنة الناتجة: 3 مهام دورية (المشي الطبيعي، صعود الدرج، نزول الدرج) و5 مهام غير دورية (الطعنات، القفز، تغيير الاتجاه/Cutting، الجلوس والوقوف، رفع الأوزان).

د. تدريب النموذج والتحقق من صحته

البنية: شبكة عصبية متصلة بالكامل (FCNN) مع طبقة إدخال واحدة (14 ميزة)، و3 طبقات مخفية (50 عقدة لكل منها)، وتطبيع الدفعات (Batch Normalization)، وتنشيط ReLU، وإسقاط (Dropout 0.2)، وعقدة إخراج واحدة (عزم الورك).
ظروف التدريب: تمت مقارنة ثلاث مجموعات بيانات:
1. جميع المهام: جميع المهام الـ 20.
2. المهام المحسنة: المهام الثمانية المختارة الممثلة.
3. المهام الدورية فقط: المهام الثمانية الدورية (الأساس).
التحقق: التحقق المتبادل بطريقة ترك شخص واحد خارج المجموعة (LOSO). تم قياس الأداء باستخدام جذر متوسط مربع الخطأ (RMSE) ومعامل التحديد ( $R^2$ ).

3. النتائج الرئيسية

مقاييس الأداء:
- مجموعة المهام المحسنة: RMSE = 0.30 ± 0.05 Nm/kg، $R^2$ = 0.57 ± 0.10.
- جميع المهام (المجموعة الكاملة): RMSE = 0.28 ± 0.05 Nm/kg، $R^2$ = 0.64 ± 0.07.
- المهام الدورية فقط: RMSE = 0.38 ± 0.08 Nm/kg، $R^2$ = 0.32 ± 0.09.
الأهمية الإحصائية:
- أدى النموذج المحسن أداءً أفضل بشكل ملحوظ من نموذج المهام الدورية فقط ( $p < 0.05$ )، حيث قلل من RMSE بنسبة ~20.6%.
- لم يظهر النموذج المحسن أي فرق ذو دلالة إحصائية مقارنة بنموذج جميع المهام.
التحليل النوعي: أظهر الفحص البصري للعزم الحقيقي مقابل المتوقع أن النموذج المحسن تتبع الأنماط المميزة لكل من المهام الدورية وغير الدورية بشكل يكاد يتطابق مع نموذج مجموعة البيانات الكاملة.

4. المساهمات الرئيسية

التقليص المنهجي للمهام: تقديم إطار عمل مبتكر يجمع بين PCA، وتجميع K-means، ومقياس وزن المهمة المخصص لتحديد مجموعة دنيا من المهام (8 مهام) تحافظ على أداء النموذج.
التفسير الميكانيكي الحيوي: على عكس الاختيار الأمامي الذي يعتبر "صندوقاً أسود"، يقوم هذا الأسلوب بتجميع المهام بناءً على ميزات ميكانيكية حيوية مشتركة (مثل ربط "صعود الدرج" بـ "المشي على منحدر")، مما يوفر رؤية حول سبب كون بعض المهام ممثلة.
التحقق من ضرورة المهام غير الدورية: أثبتت الدراسة أن تضمين مهام محددة غير دورية أمر بالغ الأهمية؛ حيث كان النموذج المدرب على المهام الدورية فقط أداؤه أسوأ بكثير، رغم امتلاكه نفس عدد مهام التدريب.
كفاءة التكلفة: أثبتت الدراسة أن تقليل مجموعة بيانات التدريب بنسبة ~60% (من 20 مهمة إلى 8 مهام) لا يؤثر على دقة مقدرات عزم مفصل الورك المستقلة عن المستخدم.

5. الأهمية والآثار المستقبلية

التحكم في الهياكل الخارجية: يقلل هذا النهج بشكل كبير من العوائق أمام تطوير وحدات تحكم قوية ومستقلة عن المستخدم للهياكل الخارجية للورك. فهو يقلل من الوقت، والتكلفة، والعبء اللوجستي لجمع البيانات، مما يجعل نشر هذه الأنظمة في الأنشطة اليومية وفي البيئات السريرية أكثر جدوى.
القابلية للتعميم: توفر هذه الاستراتيجية مساراً قابلاً للتوسع لتحسين بيانات التدريب لتطبيقات الروبوتات القابلة للارتداء الأخرى حيث يمثل جمع البيانات عائقاً.
القيود والعمل المستقبلي:
- استخدمت الدراسة شبكة FCNN بسيطة؛ قد يستكشف العمل المستقبلي بنيات أكثر تعقيداً (مثل LSTM أو TCN) لالتقاط التبعيات الزمنية بشكل أفضل.
- اقتصرت مجموعة البيانات على البالغين الأصحاء. يشير المؤلفون إلى أن الانحرافات الميكانيكية الحيوية الكبيرة (مثل حالات مرضى مشية القرفصاء) قد تتطلب إعادة تقييم لاستراتيجية التجميع.
- يجب أن تهدف مجموعات البيانات المستقبلية إلى تحقيق توازن في عدد التجارب عبر المهام لزيادة موثوقية التجميع.

في الختام، نجحت الورقة البحثية في إثبات أن التجميع الميكانيكي الحيوي هو استراتيجية قابلة للتطبيق ومتفوقة لاختيار بيانات التدريب، مما يسمح بتحكم عالي الدقة في الهياكل الخارجية للورك بجزء بسيط من متطلبات البيانات التقليدية.