BioHuman: Learning Biomechanical Human Representations from Video
تقدم هذه الورقة BioHuman، وهو نموذج متكامل (end-to-end) تم تدريبه على مجموعة بيانات BioHuman10M المنشأة حديثاً لاستنتاج تنشيطات العضلات الداخلية وحركة الإنسان مباشرة من فيديو أحادي العدسة، مما يسد الفجوة بين الملاحظات البصرية والحالات الميكانيكية الحيوية لتطبيقات في إعادة التأهيل وتقييم الإصابات.
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 تشاهد فيلماً لشخص يركض. يمكن لبرنامج كمبيوتر قياسي أن يخبرك أين تتحرك أطراف الشخص (الـ "ماذا"). لكنه لا يملك أدنى فكرة عن كيفية قيامه بذلك (الـ "لماذا"). هو لا يعرف أي العضلات تنقبض، أو مدى قوة شدها، أو القوى الداخلية المؤثرة. الأمر يشبه مشاهدة عرض دمى، حيث ترى فقط الخيوط تتحرك، دون فهم قوة يد محرك الدمى أو التوتر في تلك الخيوط.
تحاول هذه الورقة البحثية، التي تحمل عنوان "BioHuman"، إصلاح ذلك من خلال تعليم الحواسيب رؤية الميكانيكا الداخلية "غير المرئية" لحركة الإنسان، وليس فقط القشرة الخارجية المرئية.
إليك تفصيل لكيفية قيامهم بذلك، باستخدام تشبيهات بسيطة:
1. القطعة المفقودة من اللغز: BioHuman10M
لتعليم الكمبيوتر فهم العضلات، تحتاج إلى مكتبة ضخمة من الأمثلة حيث يمكنك رؤية كل من الحركة ونشاط العضلات في نفس الوقت.
- المشكلة: البيانات في العالم الحقيقي نادرة. لا يمكنك بسهولة ربط أجهزة استشعار بآلاف الأشخاص لتسجيل إشارات عضلاتهم أثناء تصويرهم.
- الحل: قام المؤلفون ببناء مكتبة رقمية ضخمة تسمى BioHuman10M. فكر في هذا كـ "واقع محاكى". لقد أخذوا فيديوهات موجودة لأشخاص يتحركون ومرروها عبر محرك فيزياء عالي التقنية (مثل محركات ألعاب الفيديو، ولكن للبيولوجيا البشرية الحقيقية).
- كيف يعمل: قاموا بتغذية "عقل العضلات" الخاص بالكمبيوتر (محاكاة تسمى OpenSim) ببيانات الفيديو. قام المحرك بحساب ما "يجب" أن تكون العضلات قد فعلته لإنتاج تلك الحركة المحددة.
- النتيجة: أنشأوا 10 ملايين زوج من "الفيديو + بيانات العضلات". إنه يشبه امتلاك كتاب مدرسي حيث ترفق بكل صورة لشخص يركض خريطة مفصلة توضح بالضبط أي العضلات كانت تعمل ومدى قوتها.
2. النموذج الجديد: BioHuman
بعد أن أصبح لديهم هذا الكتاب المدرسي، قاموا ببناء نموذج ذكاء اصطناعي جديد يسمى BioHuman.
- الطريقة القديمة (خطوتان): كانت الأساليب السابقة تشبه سباق تتابع بتبادل سيء للعصا. أولاً، يخمن ذكاء اصطناعي واحد وضعية الجسم (الـ "ماذا"). ثم يحاول ذكاء اصطناعي ثانٍ تخمين العضلات بناءً فقط على ذلك التخمين. إذا ارتكب الذكاء الاصطناعي الأول خطأً طفيفاً، فسيصاب الثاني بالارتباك، وتتراكم الأخطاء.
- طريقة BioHuman (خطوة واحدة): هذا النموذج يشبه محققاً واحداً ينظر إلى الفيديو ويحل اللغز بأكمده دفعة واحدة. هو لا يخمن الوضعية فحسب؛ بل يخمن الوضعية ونشاط العضلات في آن واحد.
- لماذا هو أفضل: يدرك النموذج أن الحركة والعضلات مرتبطان معاً. إذا رأى شخصاً ينحني للأمام، يستخدم النموذج هذا الدليل البصري لتخمين العضلات، وإذا رأى نمطاً عضلياً معيناً، فإنه يستخدمه لتحسين تخمين وضعية الجسم. إنهما يساعدان بعضهما البعض، مثل صديقين يحلان لغزاً معاً بدلاً من تمرير القطع بينهما.
3. النتائج
عندما اختبروا هذا النموذج الجديد:
- رأى بعمق أكبر: استطاع التنبؤ بنشاط العضلات بدقة أكبر بكثير من أساليب "الخطوتين" القديمة.
- تحرك بشكل أفضل: ومن المثير للاهتمام، من خلال إجبار الذكاء الاصطناعي على التفكير في العضلات، أصبح في الواقع أفضل في تخمين وضعية الجسم أيضاً. الأمر كما لو أن فهم المحرك جعل السيارة تسير بسلاسة أكبر.
- تعمم بشكل جيد: عمل بشكل جيد مع أشخاص مختلفين وأنواع مختلفة من الحركات، وليس فقط تلك التي تدرب عليها خصيصاً.
الخلاصة
تقدم الورقة البحثية مجموعة بيانات جديدة (BioHuman10M) تحاكي بيانات العضلات لملايين مقاطع الفيديو، ونموذج ذكاء اصطناعي جديد (BioHuman) يتعلم مشاهدة الفيديو وفهم كل من الحركة المرئية والقوى العضلية غير المرئية التي تحركها فوراً.
ملاحظة هامة حول القيود:
المؤلفون صريحون بشأن ما يمكن لـ "واقعهم المحاكى" وما لا يمكنه فعله حتى الآن:
- الرقبة: نموذج المحاكاة الخاص بهم لا يغطي حركات الرقبة بالكامل، لذا فإن البيانات غير مكتملة هناك.
- المحاكاة مقابل الواقع: نظرًا لأن بيانات العضلات تم إنشاؤها بواسطة محاكاة كمبيوتر (وليس عبر أجهزة استشعار حقيقية على أشخاص حقيقيين)، فلا تزال هناك فجوة بين "حقيقتهم الرقمية" والبيولوجيا البشرية الحقيقية.
- الأقدام فقط: حالياً، يفهم النظام القوى فقط عندما تلمس الأقدام الأرض. هو لا يفهم بعد ما يحدث عندما تدفع الأيدي جداراً أو عندما يجلس شخص ما.
باختصار، لقد بنوا أول جسر رئيسي يربط بين "ما نراه" (الفيديو) وبين "ما يحدث في الداخل" (العضلات)، مما يمهد الطريق للحواسيب لفهم الحركة البشرية بطريقة أكثر اكتمالاً بكثير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.