A Hybrid Deep Reinforcement Learning Methodology for Wearable Fall Detection Integrating Temporal Convolutional Networks Transformer and Soft Actor-Critic

تخيل أنك تحاول تعليم روبوت رصد لحظة محددة في الزمن: الثانية الدقيقة التي يتعثر فيها شخص ما ويسقط. هذا هو عالم الكشف عن السقوط عبر الأجهزة القابلة للارتداء، وهو فرع من العلوم المكرس للحفاظ على سلامة كبار السن باستخدام مستشعرات صغيرة مثبتة على أجسادهم. لفهم كيف يعمل هذا، فكر في المستشعرات كفريق من المراسلين. مراسل واحد (مقياس التسارع) يشعر بمدى سرعة تسارع الجسم أو تباطؤه. ومراسل آخر (الجيروسكوب) يشعر بدوران الجسم. وثالث (المغناطيسية) يعمل مثل البوصلة، يعرف اتجاه الشمال.

التحدي يكمكم في أن هؤلاء المراسلين "ضوضائيون" ويصابون بالارتباك أحياناً. فقد يبدو جلوس الشخص بسرعة وكأنه سقوط تماماً، على الأقل لثانية واحدة. حاولت الطرق التقليدية حل هذه المشكلة بوضع قواعد صارمة، مثل "إذا تجاوزت السرعة (X)، فهو سقوط". لكن الحياة فوضوية، والقواعد الصارمة غالباً ما تؤدي إلى إنذارات كاذبة—تصرخ "النجدة!" بينما الشخص يربط حذاءه فقط. ولحل هذه المشكلة، يستخدم العلماء التعلم العميق، وهو يشبه تدريب عقل على التعرف على الأنماط بدلاً من اتباع كتاب قواعد. كما يستخدمون التعلم المعزز، وهي طريقة يتعلم من خلالها الذكاء الاصطناعي عبر التجربة والخطأ، حيث يحصل على "نجمة ذهبية" للتخمينات الجيدة، و"وقت مستقطع" للتخمينات السيئة، ليستنتج في النهاها أفضل طريقة لاتخاذ القرارات.

تقدم هذه الورقة البحثية نظاماً جديداً فائق الذكاء مصمماً ليكون المحقق الأمثل للسقوط. قام الباحثون، الذين يعملون في جامعة آزاد الإسلامية في أورميا، ببناء نموذج هجين يجمع بين ثلاث أدوات قوية في فريق واحد. أولاً، استخدموا الشبكات التلافيفية الزمنية (TCN)، والتي تعمل مثل كاميرا عالية السرعة، حيث تركز على التفاصيل الدقيقة للحركة في أجزاء من الثانية لرصد التأثير المباشر. ثانياً، أضافوا المحول (Transformer)، الذي يعمل مثل مخرج سينمائي ينظر إلى المشهد بأكمله؛ فهو يتذكر ما حدث قبل وبعد الحركة لفهم القصة الكاملة، مما يضمن أن الروبوت يعرف الفرق بين الغوص الدرامي والتعثر العابر. وأخيراً، استخدموا خوارزمية (Soft Actor-Critic - SAC)، وهي وكيل تعلم معزز يعمل كمدرب خبير. هذا المدرب لا يحفظ القواعد فحسب، بل يتعلم استراتيجية مرنة، ويعدل قراراته باستمرار لتجنب الإنذارات الكاذبة مع عدم تفويت أي سقوط حقيقي.

اختبر الفريق هذا "فريق التحقيق" الجديد على مجموعة بيانات تسمى UP-FALL، والتي تحتوي على تسجيلات لأشخاص يقومون بأنشطة يومية وسقطات محاكية. كانت النتائج مبهرة؛ حيث حقق النظام دقة بنسبة 99.0%، والأهم من ذلك، حقق دقة تحديد (Precision) بنسبة 100%. وباللغة البسيطة، هذا يعني أنه في كل مرة أطلق فيها النظام إنذاراً، كان سقوطاً حقيقياً. لم يطلق إنذاراً كاذباً ولو لمرة واحدة. وبينما سجلت الأنظمة المتقدمة الأخرى حوالي ثلاثة أضعاف عدد الإنذارات الكاذبة، نجحت هذه الطريقة الجديدة في إبقاء معدل الإنذارات الكاذبة عند 1.2% فقط في الأنشطة التي تشبه السقوط.

ما يجعل هذا الاكتشاف مثيراً للاهتمام بشكل خاص هو مدى سهولة الوصول إليه. عادةً، يتطلب تدريب مثل هذا الذكاء الاصطناعي المعقد أجهزة كمبيوتر فائقة ضخمة وباهظة الثمن مع بطاقات رسوميات قوية. ومع ذلك، وجد المؤلفون أن نظامهم يمكن تدريبه على محطة عمل كمبيوتر قياسية (باستخدام معالج Intel عادي وذاكرة وصول عشوائي 16 جيجابايت) في غض_ب 9 دقائق و20 ثانية فقط. كما أن النموذج نفسه خفيف الوزن، حيث يحتوي على حوالي 1.2 مليون معلمة قابلة للتدريب فقط، مما يعني أنه يمكن تشغيله بسهولة على أجهزة صغيرة تعمل بالبطارية تُرتدى حول المعصم أو الخصر.

كما اختبر الباحثون النظام على مجموعة بيانات أخرى تسمى SISFALL، والتي تضمنت كبار السن، لمعرفة ما إذا كان بإمكانه التعامل مع التنوع الواقعي. صمد النظام جيداً، مما أثبت قدرته على تعميم مهاراته على أشخاص مختلفين. ومع ذلك، يلاحظ المؤلفون بحذر أنه بينما تعتبر النتائج هي الأفضل حالياً، فقد تم اختبارها على بيانات جُمعت في بيئة مختبرية مع سقوط محاكى. قد تبدو السقطات الحقيقية في المنزل بشكل مختلف، ولم يتم اختبار النظام بعد في عملية نشر طويلة الأمد في العالم الحقيقي.

باختاًصار، تشير هذه الورقة البحثية إلى أنه من خلال الجمع بين "كاميرا مقربة" (TCN)، و"مخرج للمشهد الكبير" (Transformer)، و"مدرب ذكي" (SAC)، يمكننا إنشاء نظام للكشف عن السقوط ليس دقيقاً للغاية فحسب، بل وعملياً للاستخدام اليومي أيضاً. إنه يقدم مخططاً لمستقبل تكون فيه تكنولوجيا رعاية المسنين موثوقة بما يكفي، وسريعة التدريب دون الحاجة إلى كمبيوتر خارق، وذكية بما يكفي للتمييز بين التعثر والكارثة.