← أحدث الأبحاث
🤖 machine learning

Learning Varying Physical Therapist-Patient Interactions for Robot-mediated Upper Limb Task-Specific Training

تقترح هذه الورقة إطار عمل للتعلم من العروض التوضيحية باستخدام نماذج الخليط الغاوسي المعتمدة على معلمات المهام (TPGMM) لتمكين روبوتات إعادة التأهيل من تعلم وتعميم التفاعلات الشخصية بين المعالج المادي والمريض لتدريب الأطراف العلوية المرتبط بمهام محددة، مما يثبت فعاليتها في إعادة إنتاج عزم الدوران الذي يطبقه المعالج عبر ظروف مهام متنوعة بأداء يضاهي أو يتفوق قليلاً على معيار جدول البحث (Look-Up Table).

المؤلفون الأصليون: Jia Quan Loh (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Vincent Crocher (Human Robotics Laboratory, Department of Mechanical Engineering, The Unive
نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Jia Quan Loh (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Vincent Crocher (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Marlena Klaic (Melbourne School of Health Sciences, The University of Melbourne), Denny Oetomo (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne), Ying Tan (Human Robotics Laboratory, Department of Mechanical Engineering, The University of Melbourne)

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

غالباً ما يعتمد استعادة الحركة بعد السكتة الدماغية على مدى ممارسة المريض لأفعال محددة وذات مغزى، مثل الوصول إلى كوب أو الإمساك بملعقة. هذا النهج، المعروف باسم التدريب الموجه نحو مهام محددة، يعمل بشكل أفضل عندما يوجه المعالج الطبيعي طرف المريض بمقدار مناسب تماماً من القوة، مع التعديل في الوقت الفعلي وفقاً لاحتياجات المريض. وبينما استُخدمت الروبوتات منذ فترة طويلة للمساعدة في جعل المرضى يكررون هذه الحركات آلاف المرات، إلا أنها واجهت صعوبة في محاكاة اللمسة البشرية اللطيفة والمخصصة من قِبل المعالج. فالمعدات الحالية غالباً ما تعتمد على قواعد جامدة ومبرمجة مسبقاً، لا يمكنها التكيف مع الطريقة الفريدة التي يتحرك بها مريض معين أو الطريقة المحددة التي يختار بها المعالج تقديم المساعدة له. ويكمكم التحدي في تعليم الروبوت فهم وإعادة إنتاج المحادثة الجسدية المعقدة بين يدي المعالج وجسد المريض، خاصة عندما تتغير المهمة قليلاً، مثل تحريك كوب وُضع في مكان أبعد أو الإمساك بجسم مختلف.

ولحل هذه المشكلة، طور باحثون في جامعة ملبورن طريقة جديدة للروبوتات لتعلم هذه التفاعلات من خلال مراقبة عمل المعالج. وبدلاً من برمجة الروبوت بقواعد ثابتة، طلبوا من أزواج من طلاب العلاج الطبيعي تمثيل سيناريو حيث يلعب أحدهم دور المريض والآخر دور المعالج. ارتدى "المريض" بدلة خاصة مزودة بمستشعرات تقيس بدقة القوى التي طبقها "المعالج" على الكتف، والذراع العلوي، والساعد. وقد قاموا بثلاث مهام يومية مختلفة: الوصول إلى كوب، واستخدام ملعقة لغرف الطعام، وصب الماء من إبريق، مع وجود تنويعات في المسافة، أو الاتجاه، أو الوزن. وكان الهدف هو معرفة ما إذا كان بإمكان الحاسوب مشاهدة عدد قليل فقط من هذه الجلسات، ومن ثم التنبؤ بدقة بمقدار القوة التي سيطبقها المعالج في نسخة جديدة وغير مرئية من المهمة نفسها.

اختبر الباحثون طريقتين مختلفتين لتعليم الروبوت. كانت الطريقة الأولى عبارة عن "جدول بحث" بسيط، يعمل مثل خزانة ملفات رقمية؛ حيث يقوم بتخزين كل حركة وقوة تم تسجيلها خلال جلسات التدريب. وعندما يُطلب منه التنبؤ بقوة لموقف جديد، يقوم الحاسوب ببساطة بالبحث في ملفاته عن أقرب تطابق رآه من قبل وينسخ تلك القوة. أما الطريقة الثانية فكانت أكثر تطوراً، حيث استخدمت نموذجاً إحصائياً تعلم الأنماط الكامنة وراء سلوك المعالج. لم يقم هذا النموذج بمجرد حفظ أمثلة محددة، بل فهم كيف تتغير قوة المعالج مع تحرك ذراع المريض عبر وضعيات مختلفة، مما سمح له بإنشاء ملف تعريف للقوة لنسخة متغيرة من المهمة لم يسبق له رؤيتها من قبل.

قيم الفريق كلا الطريقتين باستخدام بيانات من أربعة عشر زوجاً من الطلاب. ووجدوا أنه عندما طُلب من الروبوت إعادة إنشاء تنوع في المهمة كان قد رآه أثناء التدريب، نجحت الطريقتان بشكل جيد، حيث تفوق جدول البحث البسيط قليلاً في التقاط التفاصيل الدقيقة للمسة المعالج. ومع ذلك، جاء الاختبار الحقيقي عندما واجه الروبوت تنوعاً جديداً تماماً للمهمة، مثل وضع كوب على مسافة لم يواجهها من قبل. في هذه المواقف غير المرئية، أثبت النموذج الإحصائي تفوقه؛ فقد كان أفضل في تخمين القوى الصحيحة من جدول البحث، الذي عانى لأنه لم يستطع العث ফুল تطابق قريب في ملفاته المخزنة. ومن المثير للاهتمام، اكتشف الباحثون أنه كلما أصبحت المهام أكثر تعقيداً، تحسنت قدرة النموذج الإحصائي على التعميم، مما يشير إلى أنه كلما كانت الحركة أكثر تعقيداً، استفاد الروبوت أكثر من فهم الأنماط الكامنة بدلاً من مجرد حفظ الأمثلة.

وعلى الرغم من هذه النجاحات، سلطت الدراسة الضوء على قيود مهمة. فلم تكن تنبؤات الروبوت مثالية؛ ففي المواقف الجديدة، كانت القوى التي يولدها تنحرف أحياناً قليلاً خارج النطاق الذي يستخدمه المعالج البشري عادةً. كما لاحظ الباحثون أن التجربة اعتمدت على طلاب يمثلون أدوار المرضى، مما أدى إلى إدخال تباين أكبر مما قد يكون موجوداً في بيئة سريرية حقيقية. علاوة على ذلك، تم اختبار النظام "دون اتصال" (offline)، مما يعني أن الروبوت لم يتفاعل جسدياً مع مريض في الوقت الفعلي أثناء الدراسة. ويشير المؤلفون إلى أنه بينما يظهر النموذج الإحصائي إمكانات واعدة للمساعدة في تعليم الروبوتات تقنيات العلاج الشخصية، إلا أن هناك حاجة لمزيد من العمل لدمج هذا التعلم في أنظمة روبوتية فعلية يمكنها توجيه المرضى بأمان خلال رحلة التعافي. وتشير النتائج إلى أنه بينما قد لا تحل الروبوتات محل اللمسة البشرية بالكامل بعد، إلا أنها تقترب من مستقبل يمكنها فيه التعلم من عرض المعالج وتكييف تلك المعرفة لمساعدة المرضى على ممارسة مجموعة واسعة من الحركات بمفردهم.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →