ActiNet: An Open-Source Tool for Activity Intensity Classification of Wrist-Worn Accelerometry Using Self-Supervised Deep Learning
تقدم الورقة البحثية أداة ActiNet، وهي أداة مفتوحة المصدر تستخدم نموذج تعلم عميق ذاتي الإشراف (HARNet) مدمجاً مع تنعيم نموذج ماركوف المخفي، والتي تُظهر دقة فائقة في تصنيف شدة نشاط مقياس التسارع المرتدى على المعصم عبر مجموعات متنوعة من الأعمار والأجناس مقارنة بطرق الغابة العشوائية التقليدية، مما يوفر حلاً قوياً للدراسات الوبائية واسعة النطاق.
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 تملك ساعة ذكية تسجل كل حركة تقوم بها، وتلتقط كل اهتزاز وتمايل أثناء مشيك، أو جلوسك، أو نومك، أو ممارستك للرياضة. هذه البيانات ليست سوى تدفق فوضوي من الأرقام. ولكي تفهم ما فعلته حقاً طوال اليوم، فأنت بحاجة إلى مترجم يحول تلك الأرقام إلى تسميات بسيطة مثل "النوم"، أو "الجلوس"، أو "المشي"، أو "الجري".
تقدم هذه الورقة البحثية مترجماً جديداً مفتوح المصدر يسمى ActiNet. وهو يدعي أنه مترجم أكثر ذكاءً بكثير من الأدوات المستخدمة حالياً.
إليك كيف تشرح الورقة ذلك، باستخدام تشبيهات بسيطة:
المشكلة: المترجم القديم مقابل المترجم الجديد
لسنوات، استخدم الباحثون أداة (تعتمد على نموذج "الغابة العشوائية" - Random Forest) لترجمة بيانات ساعة اليد. فكر في هذه الأداة القديمة كأنها كتاب قواعد. فهي تنظر إلى اهتزاز ذراعك وتقول: "إذا كان الاهتزاز بهذا القدر، فأنت جالس بالتأكيد. وإذا كان أقوى، فأنت تمشي". إنها أداة جيدة، لكنها تعتمد على قواعد مكتوبة مسبقاً.
بنى المؤلفون ActiNet ليكون مختلفاً. فبدلاً من اتباع كتاب قواعد، فإن ActiNet يشبه طالباً شاهد ملايين الساعات من الفيديو قبل أن يرى بيانات ساعتك الخاصة.
- التعلم الخاضع للإشراف الذاتي: قبل اختباره على أشخاص حقيقيين، تم تدريب ActiNet على مكتبة ضخمة من بيانات الحركة غير المصنفة (من مشروع UK Biobank). لقد علّم نفسه التعرف على الأنماط، مثل تعلم التمييز بين فيديو يتحرك للأمام وفيديو يتم تشغيله بالعكس. هذا منحه "شعوراً" عميقاً وحدسياً بالحركة، بدلاً من مجرد اتباع قواعد جامدة.
- "المحرر" (HMM): بمجرد أن يضع ActiNet تخميناً لما تفعله كل 30 ثانية، فإنه يمرر هذا التخمين إلى "محرر" يسمى "نموذج ماركوف المخفي" (HMM). إذا قال ActaNet فجأة: "كنت نائماً لمدة 5 ثوانٍ، ثم كنت تجري، ثم عدت للنوم مجدداً"، فإن المحرر يدرك أن هذا أمر غير مرجح. يقوم المحرر بتنعيم القصة، لضمان عدم انتقالك بين "النوم" و"الجري" كل بضع ثوانٍ ما لم يكن ذلك منطقياً بالفعل.
الاختبار الكبير: من أصاب الحقيقة؟
اختبر الباحثون كلاً من كتاب القواعد القديم (الغابة العشوائية) والطالب الجديد (ActiNet) باستخدام بيانات من 151 شخصاً حقيقياً ارتدوا ساعاتهم ليوم كامل. كانت "الحقيقة" معروفة لأن هؤلاء الأشخاص ارتدوا أيضاً كاميرات وسجلوا مذكرات نومهم، لذا عرف الباحثون بالضبط ما كانوا يفعلونه.
النتائج:
- فاز ActiNet. فقد حدد بشكل صحيح ما كان يفعله الناس في حوالي 82% من الوقت (وهي درجة تسمى "Macro F1")، مقارنة بالأداة القديمة التي سجلت 76%.
- كان متسقاً. لم يكن ActiNet أفضل في المتوسط فحسب؛ بل كان أفضل للجميع، بغض النظر عما إذا كانوا شباباً أو كباراً في السن، أو ذكوراً أو إناثاً.
- فجوة "النشاط الخفيف": عانت الأداة القديمة في التمييز بين "الجلوس بهدوء" وبين "الوقوف/المشي ببطء" (النشاط الخفيف). أما ActiNet فكان أفضل بكثير في رصد هذه الحركات الدقيقة، حيث حددها بدقة حوالي 85% من المرات، مقابل 73% للأداة القديمة.
هل يغير ذلك قصة يومك؟
سأل الباحثون أيضاً: "إذا استخدمنا هذه الأداة الجديدة، فهل سيغير ذلك إجمالي الساعات التي نقضيها في النوم أو ممارسة الرياضة؟"
- نعم، ولكن للأفضل. توقعت الأداة الجديدة وقت النوم والجلوس بشكل أقرب إلى الحقيقة الفعلية مقارنة بالأداة القديمة.
- ضجيج أقل: كانت الأداة القديمة تخطئ أحياناً وتقول إنك جالس بينما كنت واقفاً، أو العكس. أما ActiNet فقد ارتكب أخطاء أقل، مما يعني أن "القصة" اليومية لنشاط الشخص هي أكثر دقة.
العقبة (القيود)
الورقة البحثية صريحة بشأن العيوب:
- "الصندوق الأسود": بما أن ActiNet يتعلم من تلقاء نفسه، فمن الصعب شرح لماذا اتخذ قراراً معيناً مقارنة بكتاب القواعد القديم. إنه يشبه طباخاً يعد وجبة رائعة لكنه لا يستطيع شرح الوصفة تماماً.
- الجهد الشاق: يتطلب تدريب هذا النموذج أجهزة كمبيوتر قوية (GPUs) وطاقة أكبر من كتاب القواعد البسيط، رغم أن المؤلفين يشيرون إلى أنه بما أن النموذج مدرب مسبقاً، فإن استخدامه لاحقاً يكون فعالاً.
- مصدر البيانات: تم تدريب النموذج على أشخاص من أكسفورد، المملكة المتحدة. ورغم أنه عمل بشكل جيد، إلا أن المؤلفين يعترفون بأننا لا نعرف على وجه اليقين ما إذا كان سيعمل بشكل مثالي لأشخاص في ثقافات أو بيئات مختلفة تماماً بعد.
الخلاصة
تخلص الورقة إلى أن ActiNet هو مترجم أفضل لبيانات ساعة اليد مما نملكه حالياً. فهو أكثر دقة، خاصة في رصد الأنشطة "البينية" الصعبة مثل المشي الخفيف. ولأنه مفتوح المصدر (متاح مجاناً للجميع)، يعتقد المؤلفون أن على العلماء البدء في استخدامه للحصول على صورة أوضح لكيفية تأثير النشاط البدني على صحتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.