📄 bioengineering

Can predictive simulations provide insights for personalizing assistive wearable device design?

تتحقق هذه الورقة من صحة منصة تصميم قائمة على المحاكاة التنبؤية لتحسين الأجهزة القابلة للارتداء المساعدة وتخصيصها، مما يثبت أن التنبؤ الدقيق باتجاهات التكلفة الأيضية، بدلاً من تحقيق دقة ميكانيكية حيوية مثالية، يعد كافياً لتحديد معايير الجهاز المثلى.

المؤلفون الأصليون: Mahmoudi, A., Firouzi, V., Rinderknecht, S., Seyfarth, A., Sharbafi, M. A.

نُشر 2026-04-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mahmoudi, A., Firouzi, V., Rinderknecht, S., Seyfarth, A., Sharbafi, M. A.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك زوجًا من السراويل الروبوتية الناعمة عالية التقنية (بدلة خارجية أو "exosuit") مصممة لمساعدتك على المشي بجهد أقل. تكمن المشكلة في أن أجساد الجميع مختلفة؛ فما يناسب جارك تمامًا قد يبدو غريبًا أو عديم الفائدة بالنسبة لك. ولجعل هذه الأجهزة مفيدة حقًا، نحتاج إلى تخصيصها — أي ضبط "الزنبركات" الموجودة داخل البدلة لتناسب أسلوب مشيتك الفريد.

تقليديًا، عملية تحديد الإعدادات المثالية لكل شخص تشبه محاولة العثور على إبرة في كومة قش عن طريق اختبار كل قشة واحدة تلو الأخرى؛ سيتعين عليك ارتداء البدلة، والمشي ذهابًا وإيابًا، والشعور بالتعب، ثم تجربة إعداد جديد. إذا فعلت ذلك 100 مرة، ستصاب بالإرهاق. يُسمى هذا "التحسين في حلقة بشرية" (Human-in-the-Loop optimization)، وهو أمر بطيء ومرهق.

تقدم هذه الورقة البحثية طريقة أذكى: المحاكاة التنبؤية. فكر في الأمر كأنه "محاكي طيران" للمشي. بدلًا من جعل الشخص يمشي فعليًا، نقوم ببناء "توأم رقمي" لجسمه، ونترك حاسوبًا خارقًا يجرب آلاف إعدادات البدلة في ثوانٍ معدودة ليرى أي منها يوفر أكبر قدر من الطاقة.

إليك تفصيل ما قام به الباحثون، باستخدام تشبيهات من الحياة اليومية:

1. المشكلة: "لعبة التخمين" مقابل "الكرة البلورية"

الطريقة القديمة (HILO): تخيل أنك تحاول ضبط راديو عبر تدوير المقبض بعشوائية أثناء المشي. تتوقف، تستمع، تدوّر المقبض قليلاً، ثم تمشي مجددًا. الطريقة تعمل، لكنها تستغرق وقتًا طويلاً جدًا.
الطريقة الجديدة (المحاكاة): تخيل أن لديك كرة بلورية تظهر لك بالضبط أي محطة إذاعية هي الأكثر وضوحًا قبل أن تلمس المقبود حتى. لقد صنع الباحثون "كرة بلورية" (نموذج حاسوبي) تتنبأ بكيفية استجابة جسمك لإعدادات البدلة المختلفة.

2. الاختبار: هل تعمل الكرة البلورية؟

اختبر الباحثون "كرتهم البلورية" باستخدام بيانات من 8 أشخاص حقيقيين يمشون ببدلة معينة تسمى BATEX (وهي بدلة تساعد الورك والركبة). جعلوا الكمبيوتر يحاكي المشية، وقارنوا النتائج بما يحدث في الواقع.

كانت النتائج مزيجًا من "الرائع" و"المقبول":

الأخبار الجيدة: كان الكمبيوتر ممتازًا في التنبؤ بحركة المفاصل الكبيرة (الركبتين، الوركين، الكاحلين). كان الأمر أشبه بخريطة مثالية للطريق.
الأخبار السيئة: واجه الكمبيوتر بعض الصعوبة مع "الجذع" (الحوض) وبعض العضلات المحددة. كان الأمر أشبه بخريطة مثالية للطرق السريعة، لكنها غير دقيقة بعض الشيء في الشوارع الجانبية.
المفاجأة الكبرى: لم يكن من الضروري أن يكون الكمبيوتر "مثاليًا" ليكون مفيدًا؛ كان يكفي أن يدرك الاتجاهات العامة (Trends) بشكل صحيح.
- تشبيه: تخيل أنك تحاول العثور على أرخص محطة وقود في المدينة. لا تحتاج لمعرفة السعر الدقيق بالقرش في كل محطة، بل تحتاج فقط لمعرفة أن المحطة (أ) أرخص من المحطة (ب)، وأن المحطة (ب) أرخص من المحطة (ج). إذا نجحت خريطتك في تحديد "الترتيب"، فستجد أرخص محطة وقود، حتى لو كانت الأسعار على الخريطة غير دقيقة تمامًا.

3. المكون السري: عضلة الـ "فستي" (Vasti)

وجد الباحثون دليلًا مثيرًا للاهتمام. اكتشفوا أنه إذا استطاع الكمبيوتر التنبؤ بدقة بنشاط عضلة معينة (عضلة الـ Vasti، وهي عضلة كبيرة في الفخذ) أثناء مشيك بدون البدلة، فمن المضمون تقريبًا أنه سيتنبأ بتوفير الطاقة بشكل صحيح عندما ترتدي البدلة.

تشبيه: فكر في عضلة الـ "فستي" كأنها "المحرك" لآلة المشي. إذا استطعت ضبط المحرك بشكل صحيح في تجربة قيادة (بدون البدلة)، فيمكنك التنبؤ بموثوقية بكيفية أداء السيارة عند إضافة مقطورة خلفها (البدلة). إذا كان محاكاة المحرك خاطئة، فإن التنبؤ بأكمله سيفشل.

4. الهدف النهائي: تصميم البدلة المثالية

باستخدام هذه "الكرة البلورية"، أجرى الباحثون عملية تحسين. جرب الكمبيوتر آلاف مجموعات الزنبركات للعثور على إعداد "غولدي لوكس" (Goldilocks) — أي ليس صلبًا جدًا ولا رخوًا جدًا — لكل شخص.

بالنسبة لبعض الأشخاص (مثل المشارك رقم 5): كان الكمبيوتر دقيقًا للغاية. فقد وجد إعدادًا يوفر الطاقة، تمامًا كما أظهرت الاختبارات في العالم الحقيقي.
بالنسبة لآخرين (مثل المشارك رقم 3): ارتبك الكمبيوتر. نظرًا لأن محاكاته لأسلوب مشي هذا الشخص لم تكن دقيقة تمامًا، فقد اقترح إعدادًا للبدلة يبدو رائعًا على الكمبيوتر، ولكنه كان سيكون عديم الفائدة في الواقع.

الخلاصة الرئيسية

تخلص الورقة البحثية إلى أنك لا تحتاج إلى محاكاة مثالية لتصميم جهاز مساعدة رائع.

لست بحاجة لأن يتنبأ الكمبيوتر بكل انقباضة عضلية بدقة متناهية؛ كل ما تحتاجه هو أن يكون جيدًا في التنبؤ بـ أي التصاميم أفضل من غيرها. طالما يمكن للكمبيوتر أن يخبرك: "مهلاً، الإعداد (أ) أفضل من الإعداد (ب)"، فيمكنه مساعدة المهندسين في تصميم بدلات مخصصة تعمل بالفعل.

باختًا: يقدم هذا البحث أداة قوية لتصميم أدوات مساعدة مخصصة للمشي. إنه يخبرنا أنه حتى لو لم تكن نماذجنا الحاسوبية مثالية بنسبة 100%، فهي ذكية بما يكفي لمساعدتنا في العثور على أفضل الإعدادات لأجسادنا، مما يوفر علينا ساعات من تجارب الخطأ والصواب المرهقة. الخطوة التالية؟ بناء هذه البدلات المخصصة فعليًا واختبارها على أشخاص حقيقيين لمعرفة ما إذا كانت "الكرة البلورية" قد صدقت توقعاتها!

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "هل يمكن للمحاكاة التنبؤية توفير رؤى لتصميم الأجهزة المساعدة القابلة للارتداء المخصصة؟"

1. بيان المشكلة

يعد تحسين الأجهزة المساعدة القابلة للارتداء (مثل البدلات الخارجية/exosuits) أمراً بالغ الأهمية لفعاليتها وقبول المستخدمين لها، لا سيما فيما يتعلق بالتخصيص. تواجه الطرق الحالية المتطورة قيوداً كبيرة:

تحسين الإنسان في الحلقة (HILO): رغم فعاليتها، إلا أنها تستغرق وقتاً طويلاً، وتتطلب جهداً بدنياً كبيراً من المستخدمين، وتقتصر على تحسين معاملات التحكم بدلاً من التصميم الميكانيكي.
الديناميكا العكسية (نهج التتبع): تعتمد هذه الطرق على حركات (kinematics) تجريبية مسجلة مسبقاً. وهي تفترض أن حركات الإنسان تظل ثابتة بعد تركيب الجهاز، وهو أمر غير صحيح غالباً، حيث يتكيف البشر مع المساعدة الخارجية، مما يؤدي إلى تقديرات غير دقيقة لعزم الدوران والقوة.
المحاكاة التنبؤية: رغم كونها واعدة لاستكشاف مساحات التصميم دون بيانات تجريبية، إلا أن النهج الحالية تفتقر غالباً إلى أطر تحسين منهجية وتحقق صارم مقابل البيانات الواقعية. علاوة على ذلك، هناك "فجوة بين المحاكاة والواقع" حيث قد تبالغ المحاكاة في تقدير الفوائد أو تفشل في التقاط التباين الفردي.

السؤال البحثي الجوهري: هل يمكن للمحاكاة التنبؤية، المدمجة في إطار تحسين منهجي، أن تتنبأ بشكل موثوق باتجاهات التكلفة الأيضية وتنشيط العضلات لتوجيه التصميم المخصص للأجهزة المساعدة، حتى لو لم تكن القيم البيوميكانيكية المطلقة دقيقة تماماً؟

2. المنهجية

قام المؤلفون بتطوير والتحقق من صحة منصة تحسين التصميم التي تستخدم هيكل تحسين ثنائي المستوى لتخصيص البدلة الخارجية لثنائي المفاصل في الفخذ (BATEX)، وهي بدلة خارجية ناعمة سلبية تساعد الورك والركبة عبر عناصر مرنة موازية للعضلة المستقيمة الفخذية (RF) والعضلات المأبضية (HAM).

أ. البيانات والإعداد

مجموعة البيانات: استُخدمت مجموعة بيانات متاحة للجمهور لـ 8 ذكور أصحاء يمشون بسرعة 1.3 م/ث مع الـ BATEX.
الحالات: تم اختبار 9 تكوينات (مجموعات من صلابة 0، 650، و1100 نيوتن/متر لنوابض RF وHAM) بالإضافة إلى خط الأساس "بدون نابض" (NS).
القياسات: الحركات (23 علامة)، قوى رد فعل الأرض (GRF)، تخطيط العضلات الكهربائي (EMG) (6 عضلات: RF، HAM، Vasti، Gluteus Maximus، Soleus، Gastrocnemius)، والتكلفة الأيضية.

ب. إطار المحاكاة التنبؤية

البرمجيات: برنامج SCONE باستخدام محرك Hyfydy للديناميكا الأمامية.
النموذج: نموذج عضلي هيكلي ثنائي الأبعاد (9 درجات حرية، 18 عضلة من نوع Hill-type) تم ضبط مقاييسه لتناسب الأنثروبومتري الفردي. تم توزيع كتلة الـ BATEX ككتل نقطية.
التحكم: متحكم عصبي عضلي يعتمد على المنعكس مع 53 معاملاً قابلاً للتحسين.
حلقة التحسين:
- الحلقة الداخلية (المحاكاة): تحل مشكلة التحكم الأمثل لتوليد المشي لتكوين جهاز معين. دالة التكلفة تقلل من التكلفة الأيضية، والانحراف عن السرعة الاسمية، والجزاءات الناتجة عن الحركات/الحركيات غير الواقعية. وبشكل حاسم، تتضمن الدالة حدوداً لمطابقة الحركات وتنشيط العضلات التجريبية لحالة خط الأساس (NS) لتخصيص المتحكم.
- الحلقة الخارجية (تحسين التصميم): يستخدم محسن بايزي (Bayesian optimizer) للبحث في مساحة التصميم (قيم الصلابة $k_{RF}$ و $k_{HAM}$ ) لتقليل التكلفة الأيضية المعيارية.

ج. استراتيجية التحقق

التحقق من خط الأساس: مقارنة الحركات وتنشيط العضلات المحاكى مقابل التجريبي لحالة عدم المساعدة (NS).
التحقق من المساعدة: مقارنة اتجاهات التكلفة الأيضية المعيارية المحاكاة مقابل التجريبية عبر تكوينات صلابة مختلفة.
تحليل الارتباط: بحثت في أي دقة في محاكاة خط الأساس (الحركة/العضلات) ترتبط بقوة أكبر بدقة التنبؤ باتجاهات التكلفة الأيضية في الحالات المدعومة.

3. المساهمات الرئيسية

تطوير منصة تحسين ثنائية المستوى: إطار عمل منهجي يدمج المحاكاة التنبؤية مع تحسين بايزي للتنقل في مساحات التصميم عالية الأبعاد للأجهزة المساعدة المخصصة.
التحقق الصارم: التحقق من المنصة مقابل مجموعة بيانات عامة شاملة (BATEX)، مع تقييم ليس فقط القيم المطلقة ولكن أيضاً موثوقية الاتجاهات عبر المستخدمين المختلفين.
تحديد المتنبئات الحرجة: اكتشاف أن قدرة النموذج على التنبؤ بتنشيط عضلة Vasti (VAS) في حالة خط الأساس غير المساعد هي أقوى متنبئ إحصائي لنجاحه في التنبؤ باتجاهات التكلفة الأيضية في الحالات المدعمة.
تغيير في فلسفة التصميم: إثبات أنه من أجل تحسين التصميم، فإن التنبؤ الدقيق باتجاهات الأداء (التغيرات النسبية) أكثر أهمية من الدقة البيوميكانيكية المثالية (القيم المطلقة).

4. النتائج الرئيسية

دقة الحركة: أظهر النموذج دقة عالية لزوايا الورك والركبة والكاحل (ارتباط $\rho > 0.8$ ، وNRMSE منخفض). ومع ذلك، كان التنبؤ بميل الحوض ضعيفاً ( $\rho$ تصل إلى 0.18)، ويرجع ذلك على الأرجبه إلى تبسيط النموذج ثنائي الأبعاد للجزء العلوي من الجسم.
تنشيط العضلات:
- دقة عالية: تم التنبؤ بـ Vasti (VAS)، وSoleus (SOL)، وGastrocnemius (GAS) بدقة جيدة.
- دقة منخفضة: أظهرت العضلات القريبة ثنائية المفاصل (RF، HAM) وعضلة Gluteus Maximus (GM) تبايناً عالياً بين الأفراد وارتباطاً أقل، خاصة في الحالات المدعمة.
اتجاهات التكلفة الأيضية:
- نجح النموذج في التقاط الاتجاه العام لتغيرات التكلفة الأيضية عبر مساحة التصميم (متوسط $\rho = 0.56$ ).
- التباين بين الأفراد: أظهر بعض المشاركين (مثل P.5، $\rho=0.78$ ) توافقاً قوياً، بينما أظهر آخرون (مثل P.3، $\rho=-0.28$ ) تنبؤاً ضعيفاً بالاتجاه.
- القيم المطلقة: مال النموذج إلى المبالغة في تقدير التكاليف الأيضية المطلقة، لكن هذا لم يمنعه من تحديد مناطق التصميم المفيدة.
تحليل الانحدار: حدد نموذج الانحدار الخطي دقة تنشيط عضلة VAS في حالة خط الأساس كالمتنبئ الوحيد ذو الدلالة الإحصائية ( $p=0.007$ ) لدقة اتجاهات التكلفة الأيضية في الحالات المدعمة.
نتائج التحسين:
- بالنسبة للمشاركين ذوي دقة التنبؤ العالية (مثل P.5)، حددت المنصة تكوينات الصلابة المثلى قريبة من النتائج التجريبية الأفضل (مثلاً، التكلفة المتوقعة 0.91 مقابل التجريبية 0.95).
- بالنسبة للمشاركين ذوي دقة التنبؤ المنخفضة (مثل P.3)، حدد المحسن منطقة مثالية "خاطئة" (مثلاً، صلابة RF عالية) تناقضت مع النتائج التجريبية، مما يسلط الضوء على الاعتماد على دقة النموذج.

5. الأهمية والخاتمة

الاتجاه فوق الدقة: تؤسس هذه الدراسة أنه من أجل تصميم الأجهزة المساعدة، لا يحتاج النموذج إلى محاكاة القيم البيوميكانيكية المطلقة بدقة مثالية ليكون مفيداً. يجب عليه، مع ذلك، التنبؤ باتجاه وحجم اتجاهات الأداء (أي أي صلابة تقلل التكلفة الأيضية) بشكل موثوق.
مؤشر التخصيص: يعمل دقة محاكاة تنشيط عضلة VAS في المشي غير المساعد كـ "اختبار كفاءة" لما إذا كان نموذج مستخدم معين موثوقاً بما يكفي للتحسين المخصص.
الاتجاهات المستقبلية: يقترح المؤلفون أن النسخ المستقبلية يجب أن تدمج نماذج عصبية عضلية معززة بالتعلم الآلي أو نهج التآزر العضلي لتحسين التنبؤ بالعضلات القريبة (RF، HAM، GM) وحركات الحوض، مما يوسع موثوقية المنصة لتشمل شريحة أوسع من المستخدمين.
الأثر العملي: يثبت هذا العمل جدوى استخدام "التحسين داخل الحلقة مع النموذج" (MILO) لتقليل الاعتماد على التجارب البشرية المكثفة والمكلفة، مما يمهد الطريق لتطوير بدلات خارجية ناعمة أكثر كفاءة واستهدافاً وتخصيصاً.