Enhancing Box and Block Test with Computer Vision for Post-Stroke Upper Extremity Motor Evaluation
تقدم هذه الورقة إطار عمل يعتمد على الرؤية الحاسوبية وخالٍ من المعايرة، يقوم بتحليل زوايا المفاصل المحاذية للعالم من فيديو أحادي العدسة لتعزيز اختبار "الصندوق والكتل" القياسي عبر التقاط جودة الحركة وتمييز الانحرافات الحركية الناتجة عن السكتة الدماغية التي تغفلها الدرجات التقليدية القائمة على الوقت.
المؤلفون الأصليون:David Robinson, Animesh Gupta, Elizabeth Clark, Olga Melnik, Qiushi Fu, Mubarak Shah
تخيل أنك تحاول تقييم مدى قدرة شخص ما على التقاط المكعبات ونقلها من صندوق إلى آخر. هذا اختبار شائع يستخدمه الأطباء لمعرفة مدى كفاءة عمل ذراع الناجين من السكتة الدماغية.
الطريقة القديمة: ساعة الإيقاف وورقة الدرجات تقليديًا، يراقب الطبيب المريض ويقوم بشيئين:
ساعة الإيقات: يحسب عدد المكعبات التي ينقلها المريض في دقيقة واحدة.
ورقة الدرجات: يعطي درجة بناءً على مظهر حركة الذراع (مثل: "جيد"، "متوسط"، "ضعيف").
المشكلة:
ساعة الإيقات تخبرك مدى سرعة الشخص، ولكنها لا تخبرك مدى جودة حركته. قد ينقل شخصان 20 مكعبًا، لكن أحدهما يتحرك بسلاسة مثل الروبوت، بينما الآخر يتخبط بجسمه بالكامل، ويلوي عموده الفقري، ويستخدم وجهه للمساعدة في الحركة. ساعة الإيقات تراهما متساويين، لكن الطبيب يعرف أنهما مختلفان تمامًا.
ورقة الدرجات تشبه معلمًا يعطي درجة "جيد" لطالبين تعلموا المادة بطرق مختلفة تمامًا. إنها وصف غامض نوعًا ما ولا يوفر تفاصيل كافية للمساعدة في التحسن.
الحل الجديد: المحقق "الكاميرا الذكية" تقدم هذه الورقة طريقة جديدة لمراقبة هذه الاختبارات باستخدام كاميرا هاتف ذكي عادية وبرمجيات ذكية (رؤية الحاسوب - Computer Vision). فكر في هذا البرنامج كأنه محقق خارق لا يكتفي فقط بعد المكعبات، بل يحلل "الرقصة" التي يؤديها المريض.
إليك كيف يعمل الأمر، خطوة بخفظوة:
1. "النظارات السحرية" (المعايرة - Calibration)
عادةً، لكي تقيس الزوايا بدقة، تحتاج إلى كاميرات ثلاثية الأبعاد خاصة أو علامات توضع على ملابس المريض، وهذا أمر مزعج ومكلف.
الابتكار: هذا النظام ينظر إلى الصندوق الذي توجد فيه المكعبات. يستخدم الذكاء الاصطناعي لمعرفة كيفية وضع الصندوق بالضبط على الطاولة وكيفية ميل الكاميرا.
التشبيه: تخيل أنك تنظر إلى لوحة على حائط. إذا ملت برأسك، ستبدو اللوحة مائلة. هذا البرنامج يشبه مساعدًا ذكيًا يقول لك: "أنا أعلم أنك تميل برأسك، لذا سأقوم بتعديل ميل اللوحة ذهنيًا لتستقيم أمامك". إنه يضبط القياسات لتتوافق مع "الجاذبية" بحيث تُقاس زاوية الذراع بشكل صحيح، بغض النظر عن كيفية إمساك الهاتف.
بمجرد "تعديل" استقامة الكاميرا، يرسم البرنامج هيكلًا عظميًا رقميًا فوق فيديو المريض.
الابتكار: يقوم البرنامج بتتبع مفاصل الأصابع، المعصم، المرفق، الكتف، وحتى الجذع (الظهر).
التشبيه: فكر في الأمر كأنه محرك دمى رقمي. بينما يحرك المريض ذراعه الحقيقية، تقوم دمية رقمية بتقليد حركته بدقة في فضاء ثلاثي الأبعاد. ويحسب البرنامج الزاوية الدقيقة لكل مفصل.
3. "بصمة" الحركة (التحليل)
هذا هو الجزء الأكثر إثارة. يأخذ البرنامج كل تلك الزوايا ويحولها إلى "بصمة حركة" فريدة.
الاكتشاف: اختبر الباحثون هذا النظام على أشخاص أصحاء وناجين من السكتة الدماغية.
الأشخاص الأصحاء: كانت "بصماتهم" متشابهة جدًا؛ حيث كانوا يتحركون بكفاءة.
الناجون من السكتة الدماغية: كانت بصماتهم مختلفة. غالبًا ما استخدموا حركات "غش" (مثل إمالة جسمهم بالكامل للأمام) لنقل المكعبات.
الفرق "الخفي": إليك الخدعة السحرية. قد يكون لدى مريضين نفس الدرجة تمامًا في اختبار ساعة الإيقاف القديم (على سبيل المثال، كلاهما نقل 15 مكعبًا). لكن الكمبيوتر رأى أن:
المريض (أ) نقل 15 مكعبًا عن طريق لوي ظهره وكتفه. ها المريض (ب) نقل 15 مكعبًا باستخدام معصمه وأصابعه بشكل صحيح.
النتيجة: قام الكمبيوتر بفصلهما إلى مجموعتين مختلفتين. الاختبار القديم قال إنهما متساويان، أما الاختبار الجديد فيقول: "هذان الشخصان يحتاجان إلى أنواع مختلفة من المساعدة!".
لماذا يهم هذا الأمر؟
لا عمل إضافي: يحتاج الطبيب فقط للإمساك بهاتف وتصوير الاختبار. لا بدلات خاصة، لا علامات، ولا وقت إضافي.
مساعدة أفضل: نظرًا لأن النظام يمكنه رؤية كيفية تحرك المريض، وليس فقط عدد المكعبات التي حركها، يمكن لأخصائيي العلاج الطبيعي تقديم نصائح أكثر تحديدًا. بدلًا من قول "تحرك بشكل أسرع"، يمكنهم قول "توقف عن إمالة ظهرك؛ حاول استخدام مرفقك أكثر".
إمكانات مستقبلية: هذا لا يقتصر فقط على السكتة الدماغية؛ إذ يمكن أن يساعد أي شخص يعاني من مشاçكل في الحركة، مثل الأطفال المصابين بالشلل الدماغي، في الحصول على رعاية أفضل.
باختاختصار: تتعلق هذه الورقة بترقية اختبار بسيط يعتمد على ساعة الإيقاف إلى أداة تحليل حركة عالية الدقة باستخدام كاميرا هاتف فقط. إنها تحول لعبة بسيطة لـ "عد المكعبات" إلى غوص عميق في كيفية تحرك الجسم، مما يساعد الأطباء على علاج المرضى بدقة أكبر دون زيادة أعباء عملهم.
إليك ملخص تقني مفصل للورقة البحثية بعنوان "تعزيز اختبار الصندوق والكتل باستخدام الرؤية الحاسوبية لتقييم حركة الطرف العلوي بعد السكتة الدماغية."
1. بيان المشكلة
تعاني التقييمات السريرية الحالية لوظائف حركة الطرف العلوي (UE) بعد السكتة الدماغية من قصور رئيسي في جانبين:
التسجيل الترتيبي (مثل FMA-UE، ARAT): تعتمد هذه الاختبارات على مستويات تسجيل منفصلة وذاتية، مما يفتقر إلى الحساسية تجاه التغيرات الحركية الطفيفة ويستغرق وقتاً طويلاً في الإدارة.
المقاييس القائمة على الوقت (مثل اختبار الصندوق والكتل - BBT): رغم سرعتها، إلا أنها تقيس فقط وقت إكمال المهمة (السرعة) وتفشل في رصد جودة الحركة، أو استراتيجيات التعويض، أو الانحرافات الوضعية المحددة.
إن محاولات الرؤية الحاسوبية (CV) الحالية لأتمتة التسجيل (مثل عد الكتل) لا تضيف معلومات جديدة تتجاوز الدرجة الخام، كما أن تدخلات تقدير الوضع ثلاثي الأبعاد (3D pose estimation) غالباً ما تتطلب مستشعرات عمق (RGB-D) أو لا تكون معيارية للاستخدام السريري الروتيني. الهدف هو إنشاء إطار عمل موضوعي، خالٍ من المعايرة، يستخرج بيانات غنية حول جودة الحركة من فيديو أحادي العدسة (monocular video) قياسي دون تعطيل سير العمل السريري.
2. المنهجية
يقترح المؤلفون مساراً لتقدير زوايا المفاصل ثلاثية الأبعاد (3D joint angle estimation) متوافقاً مع الكاميرا، يقوم بمحاذاة البيانات الهيكلية مع العالم الحقيقي (الجاذبية) لقياس جودة الحركة.
أ. جمع البيانات
مجموعة البيانات: 136 تسجيلاً لاختبار BBT من 48 شخصاً سليماً و7 أشخاص مصابين بالسكتة الدماغية.
البروتوكول: اختبار BBT قياسي (نقل الكتل بين الصناديق خلال دقيقة واحدة).
ب. المعايرة الخارجية صفرية المعلمات (محاذاة العالم)
لضمان قياس زوايا المفاصل بالنسبة للجاذبية وليس بالنسبة لميل الكاميرا العشوائي، يقوم النظام بمعايرة تلقائية:
التقطيع الدلالي (Semantic Segmentation): يقوم نموذج SegMAN مضبوط بدقة بتقسيم صندوق BBT في إطارات الفيديو، ليميز بين مقدمة الصندوق، وبقية الصندوق، والخلفية.
استقرار القناع (Mask Stabilization): يتم تصفية أقنعة الإطارات (لإزالة القيم المتطرفة أو المجموعات غير المتصلة) وتجميعها عبر التصويت بالأغلبية لإنشاء قناع صندوق مستقر زمنياً.
إعادة البناء ثلاثي الأبعاد وتقدير السطح الطبيعي: يتم تغذية القناع المستقر والإطار التمثيلي في نموذج SAM 3D Objects لتوليد سحابة نقاط ثلاثية الأبعاد. يتم تقدير المتجهات السطحية (surface normals) للوجه الأمامي للصندوق باستخدام الفروق المحدودة المحلية.
تقدير الميل (Pitch Estimation):ology): يتم حساب متوسط زاوية الميل للأسطح الطبيعية بالنسبة للكاميرا. يسمح هذا للنظام بتدوير إطار إحداثيات الكاميرا للمحاذاة مع الجاذبية.
ج. تقدير الوضع ثلاثي الأبعاد أحادي العدسة
اختيار النموذج: قيم المؤلفون نماذج PromptHMR و SMPLer-X و SAM 3D Body. تم اختيار SAM 3D Body كأفضل نموذج لأنه قدم أفضل اتساق في العمق واستقرار زمني، خاصة في التعامل مع حالات الانسداد أثناء مراحل الإمساك والنقل.
استخراج النقاط الرئيسية (Keypoints): يخرج النموذج نقاطاً رئيسية ثلاثية الأبعاد للجذع، والذراع، والأصابع في إطار الكاميرا.
محاذاة الجاذبية: باستخدام ميل الكاميرا المقدر، يتم تدوير النقاط الرئيسية لمحاذاتها مع متجه الجاذبية.
استخراج الميزات: يتم حساب زوايا المفاصل ثلاثية الأبعاد لكل من:
الأصابع: 14 زاوية (3 لكل إصبع، و2 للإبهام).
الأطراف/الجذع: زوايا الكتف، المرفق، المعصم، والجذع بالنسبة للجاذبية.
النتيجة: متجه ميزات مكون من 18 عنصراً لكل إطار يمثل وضع الجسم الكامل.
د. التحليل
تقليل الأبعاد: يعمل تحليل المكونات الرئيسية (PCA) على تقليل زوايا الأصابع إلى 9 مكونات (تفسر أكثر من 90% من التباين).
التضمين (Embedding): يستخدم تقريب وإسقاط المانيفولد الموحد (UMAP) لتصور فضاء الميزات ذي الـ 18 بُعداً في بُعدين.
التسجيل: تستخدم طريقة "أقرب جار" (K-Nearest Neighbors - KNN) لحساب المسافة الإقليدية لإطارات المريض إلى أقرب الإطارات السليمة في فضاء الميزات الأصلي لتحديد مقدار الانحراف.
3. المساهمات الرئيسية
إطار عمل خالٍ من المعايرة: طريقة مبتكرة لتقدير زوايا المفاصل ثلاثية الأبعاد المحاذية للعالم من فيديو RGB أحادي العدسة عبر استعادة ميل الكاميرا من خلال التقطيع الدلالي لجهاز الاختبار (الصندوق) وتقدير السطح الطبيعي. هذا يلغي الحاجة إلى مستشعرات العمق أو أدوات معايرة فيزيائية.
التقييم النوعي لمقدرات الوضع: مقارنة صارمة لمقدرات الوضع ثلاثية الأبعاد أحادية العدسة الحديثة (PromptHMR، SMPLer-X، SAM 3D Body) خصيصاً لسياق BBT، مما أثبت أن SAM 3D Body يوفر اتساقاً فائقاً في العمق ومعقولية تشريحية تحت ظروف الانسداد.
مقاييس جودة الحركة: القدرة على التمييز بين المرضى الذين لديهم درجات BBT قياسية متطابقة بناءً على أنماط حركتهم الفريدة، مما يوفر بيانات تتجاوز مجرد السرعة والعدد.
4. النتائج
تقدير الوضع: تفوق نموذج SAM 3D Body على النماذج الأخرى في الحفاظ على اتساق العمق أثناء مرحلة النقل، بينما مال نموذج PromptHMR إلى تمديد الأطراف بشكل مفرط، وأظهر نموذج SMPLer-X اتساقاً زمنياً أقل.
التمييز بين المجموعات:
الأصحاء مقابل مرضى السكتة: أظهرت تضمينات UMAP انفصالاً واضحاً بين أنماط الحركة السليمة والانحرافات المرتبطة بالسكتة الدماغية دون استخدام تسميات سريرية (تعلم غير مُشرف).
استراتيجيات التعويض: تجمعت حالات المرضى الذين لديهم نفس درجات BBT الخام (مثل المريض 2 و7) بشكل مختلف في فضاء التضمين، مما يشير إلى وضعيات تعويضية متميزة.
المصابون بشدة مقابل الأقل إصابة: حتى الجانب "الأقل إصابة" لدى مرضى السكتة أظهر انحرافات عن المعايير الصحية، مما يشير إلى وجود حركات تعويضية مستمرة.
التسجيل الكمي: كانت درجات انحراف المريض (نسبة المسافة إلى المتوسط الصحي) أكبر من 1 باستمرار، حيث ترتبط الدرجات الأعلى بزيادة شدة الإصابة (انخفاض درجات FMA-UE).
5. الأهمية والعمل المستقبلي
الأثر السريري: يسمح هذا الإطار للممارسين السريريين بتقييم جودة الحركة باستخدام هاتف أو كاميرا قياسية فقط، مما يضيف بيانات موضوعية إلى تقييمات BBT الروتينية دون تمديد وقت الاختبار أو الحاجة إلى أجهزة متخصصة.
إعادة التأهيل الشخصي: من خلال تحديد المجموعات الفرعية من المرضى الذين لديهم درجات متشابهة ولكن أنماط حركة مختلفة، يمكن للمعالجين تخصيص التدخلات لمعالجة استراتيجيات تعويضية محددة.
القدرة على التعميم: بينما تم اختبار الطريقة على السكتة الدماغية، فإنها قابلة للتطبيق على مجموعات سكانية أخرى تستخدم BBT (مثل الشلل الدماغي) ويمكن توسيعها لتشمل اختبارات أخرى قائمة على الوقت مثل اختبار Nine-Hole Peg Test (NHPT).
القصور: تعاني الدراسة الحالية من صغر حجم عينة مرضى السكتة (7 مرضى فقط) وتحلل البيانات إطاراً بإطار دون مراعية الديناميكيات الزمنية (مثل سلاسة الحركة). يهدف العمل المستقبلي إلى توسيع مجموعة البيانات ودمج الميزات الزمنية.