🤖 machine learning

TransfHAR: Self-Supervised Wrist Representations for On-Demand Activity Recognition

تُعد TransfHAR إطار عمل للتعلم الذاتي لوحدات قياس القصور الذاتي (IMU) في المعصم، يستفيد من التدريب المسبق على أنشطة غير مصنفة وعامة لتمكين التعرف الدقيق واللحظي على الأنشطة التفصيلية بأقل قدر من البيانات المصنفة، متفوقاً بذلك على النماذج المرجعية الخاضعة للإشراف الكامل في كل من التقييمات غير المتصلة بالإنترنت وتطبيقات الساعات الذكية في العالم الحقيقي.

المؤلفون الأصليون: Aidan Bradshaw, Riku Arakawa, Xin Liu, Karan Ahuja

نُشر 2026-08-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Aidan Bradshaw, Riku Arakawa, Xin Liu, Karan Ahuja

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

تحكي معاصمنا كل يوم قصة حركة؛ فهي ترافقنا عبر إيقاع الجري الصباحي، والخطى الثابتة أثناء المشي إلى العمل، والسكون الهادئ أثناء الجلوس خلف المكتب. لسنوات طويلة، علّم العلماء الحواسيب كيفية التعرف على هذه الحركات الواسعة والواسعة النطاق باستخدام مستشعرات تُرتدى على المعصم. يمكن لهذه الأجهزة أن تميز بين الجري والراحة، أو المشي والقيادة. لكن عالم الحركة البشرية أكثر تعقيداً بكما من هذه الفئات العامة؛ فهو مليء بالإيماءات الصغيرة والدقيقة التي تحدد تفاصيل حياتنا الشخصية: مثل الطريقة التي يحرك بها باريستا القهوة، أو الحركة الدقيقة لفرقعة الأصابع، أو الخطوات الرقيقة لوضع الكريم المرطب. هذه الأفعال دقيقة التفاصيل هي ذاتها التي تجعل روتيننا فريداً، ومع ذلك ظلت غير مرئية لبرمجيات الساعات الذكية القياسية. كان التحدي دائماً يكمن في أن تعليم الكمبيوتر حركة جديدة ومحددة يتطلب عادةً جمع ساعات من البيانات المصنفة لكل شخص ولكل مهمة، وهي عملية بطيئة ومكلفة ويستحيل توسيع نطاقها لتشمل التنوع اللامتناهي للعادات البشرية.

لقد وجد فريق من الباحثين الآن طريقة لتجاوز هذه العقبة. فقد طوروا نظاماً يسمى (TransfHAR)، والذي يسمح للساعة الذكية بتعلم أنشطة جديدة وشخصية من خلال عرض توضيحي لا يستغرق سوى ثوانٍ معدودة. وبدلاً من محاولة تعليم الجهاز كل حركة ممكنة من الصفر، قام الباحثون أولاً بتعليمه اللغة العالمية لحركة المعصم. لقد جمعوا كميات هائلة من البيانات غير المصنفة من مجموعات بيانات عامة، حيث التقطوا آلاف الساعات من أشخاص يمشون، ويجرون، ويجلسون، ويمارسون الرياضة. وباستخدام طريقة التعلم الخاضع للإشراف الذاتي، درس النظام هذه الحركات الخام دون أن يُخبر بماهيتها. لقد تعلم فهم الفيزياء الكامنة وراء حركة المعصم؛ كيف يدور، وكيف يتسارع، وكيف تترابط الأجزاء المختلفة من الحركة عبر الزمن. خلقت هذه العملية فهماً داخلياً عميقاً لبنية الحركة، وهو ما يشبه خريطة ذهنية لكيفية سلوك المعصم في العالم المادي.

بمجرد بناء هذا الأساس، قام الباحثون بتجميد المعرفة الجوهرية للنظام وطرحوا سؤالاً بسيطاً: هل يمكن لهذا الفهم الواسع للحركة أن يساعد في التعرف على مهام محددة ودقيقة لم يسبق له رؤيتها؟ لاختبار ذلك، حاولوا تعليم النظام تحديد أفعال معقدة مثل تحريك وعاء (تقليب)، أو الكتابة بقلم، أو القيام بسلسلة من الخطوات لإعداد كوب من اللاتيه. كانت هذه المهام غائبة تماماً عن بيانات التدريب الأولية. وكانت النتائج مذهلة؛ فعندما تم تزويد النظام ببعض الأمثلة لهذه الأفعال الجديدة، استطاع التعرف عليها بدقة عالية. وفي دراسة شملت عشرة مشاركين حدد كل منهم سبعة أنشطة فريدة، وصل النظام إلى دقة تقارب التسعين بالمئة عند تدريبه على دقيقة واحدة فقط من التسجيل لكل نشاط. وحتى مع وجود ثوانٍ قليلة فقط من البيانات، كان أداؤه أفضل بكثير من الطرق التقليدية التي كانت ستتطلب إعادة تدريب النموذج بالكامل من الص scratch.

تكمن قوة هذا النهج في قدرته على التعميم. لم يحفظ النظام الحركات المحددة للأشخاص الذين تدرب عليهم، بل تعلم الميكانيكا الأساسية لحركة المعصم. ولأن فيزياء حركة المعصم أثناء تحريك كوب ما، ترتبط بكيفية حركته أثناء فرقعة الأصابع، استطاع النظام نقل معرفته من الحركات الواسعة والخشنة للحياة اليومية إلى الإيماءات الدقيقة والمحددة للروتين الشخصي. وهذا يعني أنه يمكن للمستخدم الآن تحديد نشاطه الخاص، مثل خطوة تمرين معينة أو إيماءة يد فريدة، ويمكن للساعة تعلمها بشكل فوري تقريباً. يعمل النظام عن طريق أخذ بيانات المستشعر الخام، وتحويلها إلى تمثيل موجز باستخدام "دماغه" المدرب مسبقاً، ثم استخدام طبقة بسيطة وخفيفة الوزن لربط هذا التمثيل بالتسمية الجديدة. وهذا يسمح للعملية بأكملها بأن تحدث مباشرة على الساعة، دون الحاجة إلى إرسال البيانات إلى خادم سحابي أو انتظار تحديث معقد.

ومع ذلك، حدد الباحثون أيضاً حدود هذه التكنولوجيا. يتفوق النظام في التعرف على الأفعال التي تتميز بحركات انفجارية مميزة أو أنماط دورانية واضحة، مثل هز زجاجة أو تدوير برغي. لكنه يعاني أكثر مع الأفعال المستمرة ومنخفضة السعة، مثل التمرير على الهاتف أو الكتابة بالقلم، لأن هذه الحركات غالباً ما تبدو متشابهة جداً في النوافذ الزمنية القصيرة التي يحللها النظام. وعندما تنتج أنشطة مختلفة ديناميكيات معصم متطابقة تقريباً، يمكن للنظام أن يخلط بينها، مما يشير إلى أنه لا تزال هناك حدود لما يمكن أن تكشف عنه لقطة واحدة من الحركة. ورغم هذه القيود، تشير النتائج إلى مسار جديد لتقنيات الأجهزة القابلة للارتداء. فمن خلال التعلم من الحركات الضخمة غير المصنفة في العالم، يمكن للساعات الذكية أن تتجاوز قائمة ثابتة من الأنشطة المبرمجة مسبقاً وتصبح أدوات تكيفية حقاً تفهم اللغة الفريدة والمتطورة للحركة البشرية. ويعني هذا التحول أنه في المستقبل، لن تكتفي أجهزتنا بتتبع ما نفعله فحسب، بل ستتعلم فهم الطرق المحددة التي نختار بها القيام به.

أبحاث مشابهة