Skeleton-Based Posture Classification to Promote Safer Walker-Assisted Gait in Older Adults
تُظهر هذه الدراسة أن نماذج تعلم الآلة، ولا سيما النهج الهندسي (Geometric approaches) وخوارزمية XGBoost، تصنف بفعالية استخدام المشايات ووضعيات المستخدم بدقة عالية، مما يقدم حلاً واعداً لتعزيز الوقاية من السقوط والتفاعل بين الإنسان والروبوت في المشايات الذكية لكبار السن.
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 شخصًا مسنًا يستخدم مشاية طبية. من النا ideally، يجب أن يمسك بالمقابض، ويقف بشكل مستقيم، ويمشي بأمان. لكن أحيانًا، قد يميل بجسمه للأمام كثيرًا، أو يلتوي، أو يرفع يديه عن القضبان. هذه الأخطاء الصغيرة يمكن أن تحول هذه الأداة المساعدة إلى خطر للتعثر، مما يؤدي إلى السقوط.
هذه الورقة البحثية تشبه فريقًا من المهندسين يحاولون بناء "حارس ذكي" لهذه المشايات. أرادوا معرفة ما إذا كان بإمكان الكمبيوتر أن يراقب شخصًا يمشي ويعرف فورًا: "هل يقف هذا الشخص بشكل صحيح؟" أو "هل هو على وشك السقوط؟" دون الحاجة لأن يرتدي الشخص أي مستشعرات أو كاميرات خاصة على جسده.
إليك كيف فعلوا ذلك، مشروحًا ببساطة:
الإعداد: المشاية ذات "العين الصقرية"
أخذ الباحثون مشاية طبية عادية ومنحوها زوجًا من "العيون" (كاميرا) و"عقلًا" (كمبيوتر صغير). لم يستخدموا معدات ثقيلة ومكلفة، بل استخدموا حيلة برمجية ذكية تسمى MediaPipe.
تخ thunder MediaPipe كرسام هيكل عظمي رقمي. عندما ترى الكاميرا شخصًا، يقوم هذا البرنامج فورًا برسم مخطط يشبه رسم "رجل العصا" فوقه، محددًا 33 نقطة رئيسية مثل الأنف، والكتفين، والمرفقين، والركبتين. وبدلاً من إرسال ملف فيديو ثقيل إلى الكمبيوتر، فإنه يرسل فقط إحداثيات هذه النقاط. هذا يشبه إرسال رسالة نصية تصف وضعية الجسم بدلاً من إرسال فيديو بدقة 4K، مما يجعل العملية سريعة وفعالة.
المسابقة: من هو أفضل محقق؟
أقام الباحثون مسابقة بين خمسة "محققين" (نماذج كمبيوتر) لمعرفة أيهم يمكنه تحديد وضعية جسم الشخص بشكل أفضل. وقد اختبروا هؤلاء المحققين في ثلاثة أسئلة محددة:
- فحص المشاية: هل يستخدم الشخص مشاية بالفعل؟
- فحص البداية: هل بدأ من وضعية الجلوس أم الوقوف؟
- فحص الوضعية: ماذا يفعل بالضبط؟ (على سبيل المثال: واقف، جالس، يميل لليسار، أو يرفع يده).
المحققون الخمسة هم:
- المنهج الهندسي (Geometric Approach): نظام بسيط يعتمد على القواعد. يشبه المعلم الذي يقول: "إذا كان أنفك يبعد أكثر من 10 بوصات عن كتفك، فأنت تميل". هو لا يتعلم، بل يقيس المسافات فقط.
- SVM و XGBoost: هؤلاء يشبهون خبراء الإحصاء المتمرسين الذين يبحثون عن أنماط في البيانات لاتخاذ القرارات.
- الشبكات العصبية الالتفافية (CNNs): هي نماذج "تعلم عميق"، وهي في الأساس عقول رقمية تحاول تعلم أنماط معقدة من خلال النظر إلى البيانات مرارًا وتكرارًا، تمامًا كما يتعلم الطفل التعرف على الأشكال.
النتائج: من الفائز؟
كانت المسابقة تحمل بعض الفائزين المفاجئين وبعض التحديات:
- أبطال الأسئلة الثنائية (نعم/لا): بالنسبة للأسئلة البسيطة مثل "هل يستخدم المشاية؟" أو "هل يجلس أم يقف؟"، كان المحقق XGBoost خارقًا. لقد أجاب على الأسئلة بدقة 99.8% أثناء التدريب. لقد كان مثل إشارة مرور دقيقة للغاية لا تخطئ تقريبًا. كما حقق المنهج الهندسي و الشبكات العصبية (CNNs) أداءً جيدًا جدًا هنا، حيث سجلوا نتائج أعلى من 98%.
- التحدي المعقد (لغز الوضعية): عندما طُلب منهم تحديد وضعيات محددة ومعقدة (مثل "الميل للأمام مع الالتواء")، أصبحت المهمة أصعب بكثير.
- كان المنهج الهندسي هو الأكثر موثوقية هنا، حيث حقق دقة تقارب 90%. كان يشبه مدربًا صارمًا يعرف القواعد الدقيقة للأداء الجيد.
- كان نموذج XGBoost قويًا أيضًا، حيث وصل إلى دقة 99% أثناء التدريب، رغم أنه انخفض قليلاً عند اختباره على أشخاص جدد لم يسبق له رؤيتهم (حوالي 74%).
- واجهت نماذج التعلم العميق (CNNs) صعوبة أكبر قليلًا في هذه الأسئلة المعقدة متعددة الخيارات. فرغم براعتها في رصد الأنماط البسيطة، إلا أن "العقل" كان يرتبك أحيانًا عندما تكون هناك خيارات كثيرة مختلفة للوضعيات.
الخلاصة
تخلص الورقة البحثية إلى أنه لكي تكون المشاية الذكية آمنة وفعالة، لا تحتاج بالضرورة إلى أكثر أنواع الذكاء الاصطناعي تعقيدًا وثقلًا.
- للفحوصات البسيطة (هل تُستخدم المشاية؟ هل يجلس الشخص؟)، يعد نموذج XGBoost قوة ضاربة؛ فهو سريع ودقيق ورائع في الاختيارات الثنائية.
- لرصد الوضعيات السيئة (هل يميل المستخدم بشكل خطير؟)، كان المنهج الهندسي (النظام البسيط القائم على القواعد) فعالاً بشكل مفاجئ وقوي، حيث حقق دقة تقارب 90%.
تشير الدراسة إلى أنه من خلال الجمع بين هذه الأساليب، يمكن للمشاية الذكية أن تعمل كحارس يقظ. يمكنها اكتشاف ما إذا كان الشخص المسن يميل بشكل خطير أو يرفع يديه عن المشاية وتنبيهه قبل وقوع السقوط. ومع ذلك، يشير المؤلفون إلى أن هذه النماذج لا تزال بحاجة إلى اختبار في العالم الحقيقي مع مستخدمين مسنين فعليين لضمان عملها بشكل مثالي في المواقف الواقعية المليئة بالمتغيرات.
باختًا: لقد بنوا متتبعًا للهيكل العظمي الرقمي يمكنه معرفة ما إذا كان مستخدم المشاية يقف مستقيمًا أم أنه على وشك التعثر، وذلك باستخدام مزيج من قواعد الرياضيات البسيطة وخوارزميات التعرف على الأنماط الذكية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.