Differentially and Integrally Attentive Convolutional-Based Real-Time Photoplethysmographic Signal Quality Classification
تقترح هذه الورقة إطار عمل يعتمد على الشبكات العصبية التلافيفية في الوقت الفعلي، معزز بآليات الانتباه التفاضلية والتكاملية لتصنيف جودة إشارة التحجم الضوئي (photoplethysmographic) بقوة عبر مختلف الأجهزة القابلة للارتداء، محققةً دقة ودرجات عالية في مقياس F1 مع موازنة حجم النموذج والأداء.
المؤلفون الأصليون:Rafael Lima, Italo Sandoval, Arthur Valencio, Maíssa Maniezzo, Pedro Garcia
أصبحت الأجهزة الصحية القابلة للارتداء جزءاً مألوفاً من الحياة المعاصرة، حيث تستقر على المعاصم أو الأصابع لتتبع معدلات ضربات القلب، وأنماط النوم، ومستويات الأكسجين. وفي قلب العديد من هذه الأجهزة تكمن تقنية تسمى "التخطيط التحجمي الضوئي" (photoplethysmography)، والتي تستخدم نبضة ضوئية بسيطة للنظر داخل الجسم. فمن خلال تسليط الضوء على الجلد وقياس مقدار الضوء الذي يرتد منه، يمكن للجهاز اكتشاف التغيرات الطفيفة في حجم الدم أثناء تدفقه عبر الأنسجة. هذه الطريقة غير جراحية وغير مكلفة، مما يجعلها مثالية للأدوات التي نرتديها كل يوم. ومع ذلك، فإن الإشارة التي تلتقطها هشة؛ فالحركات اليومية، أو تغير الضوء، أو عدم إحكام الارتداء يمكن أن يشوه البيانات، محولاً صورة واضحة لنبضات القلب إلى خط مشوش وغير قابل للقراءة. وإذا لم يتمكن الجهاز من التمييز بين الإشارة الموثوقة والإشارة المشوشة، فقد تكون المعلومات الصحية التي يقدمها خاطئة، مما قد يؤدي إلى تفويت تحذيرات أو إطلاق إنذارات كاذبة.
ولحل هذه المشكلة، وضع باحثون من معهد سامسونج للبحث والتطوير في البرازيل، بالتعاون مع زملاء من بنك التنمية البرازيلي وجامعة برازيليا، هدفاً لبناء طريقة أكثر ذكاءً لتقييم جودة هذه الإشارات في الوقت الفقيقي. لقد ركزوا على إنشاء نظام يمكنه العمل مباشرة على الرقائق الصغيرة محدودة الطاقة الموجودة داخل الأجهزة القابلة للارتداء، بدلاً من الاعتماد على أجهزة كمبيوتر ضخمة في السحابة. كان هدفهم هو تعليم الكمبيوتر كيفية النظر إلى مقطع قصير من إشارة القلب والقرار فوراً ما إذا كانت جديرة بالثقة بما يكفي لاستخدامها في حساب معدل ضربات القلب أو مراحل النوم. طور الفريق طريقة جديدة تجمع بين نوع من الذكاء الاصطناعي المعروف باسم "الشبكة العصبية التلافيفية" وآلية انتباه متخصصة. وببساغة، تعمل هذه الآلية كمرشح يساعد الكمبيوتر على التركيز على الأجزاء الأكثر أهمية من الإشارة مع تجاهل الضوضاء الخلفية، تماماً كما قد يركز الشخص على محادثة واحدة في غرفة مزدحمة.
اختبر الباحثون نهجهم باستخدام بيانات تم جمعها من أربعة مصادر مختلفة: ثلاثة طرازات من ساعات سامسونج جالاكسي وسوار سامسونج جالاكسي رينج. لقد جمعوا تسجيلات لأشخاص يجلسون بهدوء في كرسي مريح، لضمان أن تكون البيانات نظيفة ومتسقة. قام طبيب قلب بمراجعة كل ثانية من هذه التسجيلات يدوياً، موضحاً الأجزاء ذات الجودة العالية والأجزاء التي فسدت بسبب الضوضاء. ثم قام الفريق بتقسيم البيانات إلى مقاطع مدة كل منها ثلاث ثوانٍ ودربوا نماذجهم على التعرف على الفرق. وقارنوا نظامهم الجديد بعدة طرق موجودة، بما في ذلك الأنظمة القديمة القائمة على القواعد التي تعتمد على عتبات رياضية ثابتة ونماذج تعلم آلي أخرى تستخدم أنواعاً مختلفة من الانتباه. وأظهرت النتائج أن نهجهم الجديد، الذي أطلقوا عليه اسم "النظام الانتباهي التفاضلي والتكاملي"، كان فعالاً للغاية؛ حيث حقق معدلات دقة تتراوح بين 89.5% و97.4% عبر مختلف مجموعات البيانات، متفوقاً باستمرار على الطرق القديمة.
إن ما يجعل هذا العمل مهماً بشكل خاص هو كيفية موازنته بين الأداء والقيود الصارمة للتكنولوجيا القابلة للارتداء. فالنماذج الجديدة مدمجة، وتتطلب أقل من 500 كيلوبايت من الذاكرة، وهو حجم صغير بما يكفي ليتناسب مع الرقائق المدمجة الموجودة في الأجهزة التجارية. يستخدم النظام عملية مكونة من مرحلتين لاتخاذ قراراته؛ أولاً، يتحقق بسرعة من سعة الإشارة لاستبعاد البيانات السيئة بوضوح، مثل المقاطع التي تكون فيها الإشارة ضعيفة جداً أو قوية جداً. أما بالنسبة للإشارات المتبقية، فيطبق آلية الانتباه المتقدمة لتحليل شكل وإيقاع الموجة. هذا الجمع يسمح للجهاز بأن يكون سريعاً ودقيقاً في آن واحد، مما يضمن عدم إهدار الطاقة في معالجة بيانات غير صالحة مع الاستمرار في رصد الأخطاء الدقيقة التي قد تخطئها الأنظمة الأبسط. ووجد الباحثون أن هذه الطريقة عملت بشكل جيد عبر جميع الأجهزة المختلفة التي اختبروها، مما يشير إلى أنها قد تكون حلاً قوياً لمجموعة واسعة من أجهزة مراقبة الصحة القابلة للارتداء.
وعلى الرغم من هذه النجاحات، يحرص المؤلفون على توضيح حدود دراستهم. فقد جاءت جميع البيانات من أجهزة صنعتها شركة واحدة وهي سامسونج. وبينما سمح ذلك بإجراء تجربة منضبطة ومتسقة، إلا أنه يعني أن النظام لم يُختبر بعد على أجهزة من علامات تجارية أخرى، والتي قد تستخدم مستشعرات مختلفة أو لديها طرق مختلفة في معالجة البيانات الخام. ويقر الباحثون بأن نموذجهم قد لا يعمل بنفس الكفاءة على أجهزة ذات خصائص مختلفة، وهم يدعون إلى إجراء دراسات مستقبلية تشمل بيانات من عدة شركات مصنعة لاختبار مدى تعدد استخدامات النظام بشكل حقيقي. وفي الوقت الحالي، يقف هذا العمل كدليل قوي على كيفية تطويع آليات الانتباه المتقدمة للمراقبة الصحية في الوقت الفعلي على الأجهزة، مما يمهد الطريق نحو تكنولوجيا قابلة للارتداء أكثر موثوقية وجدارة بالثقة.
ملخص تقني: تصنيف جودة إشارة قياس التحجم الضوئي (PPG) في الوقت الفعلي القائم على التلافيف مع الانتباه التفاضلي والتكاملي
بيان المشكلة تعد تقنية قياس التحجم الضوئي (PPG) تقنية بصرية منخفضة التكلفة تُستخدم على نطاق واسع في الأجهزة القابلة للارتداء لمراقبة صحة القلب والأوع "الدموية، وتقلب معدل ضربات القلب، وتشبع الأكسجين. ومع ذلك، فإن إشارات الـ PPG عرضة بشدة للضوضاء، لا سيالما آثار الحركة والضوء المحيط المتغير، مما يؤدي إلى تشويه الخصائص المورفولوجية (الشكلية) ويؤدي إلى تقديرات فسيولوجية غير دقة. يمكن أن تؤدي البيانات غير الدقيقة إلى عواقب وخيمة، مثل التشخيص الخاطئ. لذلك، يعد تقييم جودة الإشارة (SQA) أمراً بالغ الأهمية للتمييز بين مقاطع الإشارة الموثوقة والمشوشة قبل استخدامها في التطبيقات السريرية أو مراقبة الصحة. تعتمد النهج الحالية إما على معالجة الإشارات القائمة على القواعد أو الشبكات العصبية التلافيفية (CNNs)، ولكن هناك حاجة إلى نماذج توازن بين دقة التصنيف العالية والقيود الصارمة للذاكرة والحوسبة في الأجهزة المدمجة القابلة للارتداء.
المنهجية يقترح المؤلفون مصنف جودة إشارة (SQC) يعمل في الوقت الفعلي، يدمج آليات الانتباه التفاضلي والتكاملي في بنية CNN مدمجة. وتتكون المنهجية من الهيكل التالي:
المعالجة المسبقة للبيانات: يتم أخذ عينات من إشارات PPG بتردد 25 هرتز وتقسيمها إلى نوافذ مدتها 3 ثوانٍ (75 عينة). يقوم مرشح تمرير حزمة (Bandpass Filter) من نوع "بوتروورث" (Butterworth) ذو مرحلتين وصفر من الطور (0.8–4.5 هرتز) بإزالة تذبذب خط الأساس وضوضاء البيئة. يتم تعيين تسميات الحقيقة الأرضية (0 للجودة المنخفضة، 1 للجودة العالية) من قبل طبيب قلب بناءً على انتشار العينة داخل كل مقطع.
خط معالجة التصنيف ثنائي المرحلة: يستخدم النظام المقترح نهجاً هرمياً:
المرحلة الأولى (القائمة على القواعد): يقوم مرشح أولي باستبعاد النوافذ التي تكون فيها سعة الإشارة أقل من عتبة ثابتة (δ<τ)، مما يؤدي فعلياً إلى إزالة المقاطع التي يُحتمل أن تكون تالفة بسبب حركة شديدة أو انفصال المستشعر.
المرحلة الثانية (تعلم الآلة): تتم معالجة المقاطع المتبقية بواسطة هيكل CNN. وبدلاً من طبقة تجميع المتوسط العالمي (Global Average Pooling) القياسية، قدم المؤلفون طبقات انتباه مبتكرة قبل المصنف الكثيف النهائي.
آليات الانتباه:
الانتباه التفاضلي (DIFF): مستوحى من المضخمات التفاضلية في الهندسة الكهربائية، تستخدم هذه الآلية وظائف "softmax" مزدوجة لحساب درجات الانتباه. ومن خلال حساب الفرق بين دالتي انتباه، تهدف الآلية إلى إلغاء ضوضاء النمط المشترك (Common-mode noise). وتستخدم الآلية معاملات قياسية قابلة للتعلم (λ) لمزامنة ديناميكيات التعلم.
الانتباه التفاضلي-التكاملي (DINT): امتداد لآلية DIFF التي تدمج مكوناً تكاملياً. يضيف هذا مكوناً لدرجة أهمية الانتباه العالمي (المتوسط عبر الأعمدة) إلى المخرج التفاضلي. ويعزز هذا قدرة النموذج على استخراج المعلومات ذات الصلة عالمياً مع الحفاظ على الاستقرار العددي من خلال تطبيع الصفوف (Row normalization) لمصفوفة الانتباه.
الإعداد التجريبي: تستخدم الدراسة البحث عن بنية (Neural Architecture Search - NAS) لتحديد نموذج CNN أساسي خفيف الوزن. تم تقييم النماذج المقترحة (DFPAL و DINTAL) مقابل معايير مرجعية متطورة (بما في ذلك متغيرات الانتباه الأخرى، والواصفات القائمة على السمات، والطرق القائمة على القواعد) عبر أربع مجموعات بيانات مختلفة تم جمعها من أجهزة سامسونج (Galaxy Watch 5, 6, 7, و Galaxy Ring). استخدم التقييم تقسيماً مستقلاً عن الموضوع (Subject-independent split) لمنع تسرب البيانات.
المساهمات الرئيسية
طبقات انتباه مبتكرة: تقديم آليات الانتباه التفاضلي والتفاضلي-التكاملي المصممة خصيصاً للتخفيف من ضوضاء النمط المشترك في إشارات PPG مع الحفاظ على الخصائص المورفولوجية.
بنية ثنائية المرحلة: خط معالجة هجين يجمع بين مرشح أولي بسيط قائم على القواعد وبين CNN متطور يعتمد على الانتباه، مما يحسن التوازن بين كفاءة الحوسبة وقوة التصنيف.
تحسين الموارد المقيدة: تطوير نماذج تحقق أداءً عالياً بحجم إجمالي يقل عن 500 كيلوبايت، مما يجعلها مناسبة للنشر على الأجهزة المدمجة القابلة للارتداء محدودة الموارد.
تقييم شامل: اختبار واسع النطاق عبر أربع مجموعات بيانات من أشكال مختلفة لأجهزة سامسونج القابلة للارتداء، مما يثبت المتانة عبر تكوينات الأجهزة المختلفة ضمن نفس النظام البيئي.
النتائج أظهرت الطرق المقترحة أداءً فائقاً مقارنة بنماذج CNN الأساسية، والواصفات التقليدية للسمات (مثل LBP و CASLBP)، والمصنفات القائمة على القواعد:
الدقة ومقياس F1: حققت نماذج Two-Stage DINTAL و DFPAL قيم دقة تتراوح بين 0.8952 و 0.9737 ودرجات F1 تتراوح بين 0.9183 و 0.9865 عبر مجموعات البيانات الأربع.
تفاصيل مجموعات البيانات: حققت آلية DINTAL أفضل دقة في مجموعات بيانات GW5 و GW7 و Ring، بينما حققت DFPAL أفضل أداء في مجموعة بيانات GW6.
حجم النموذج: تطلبت النماذج المركبة المقترحة حوالي 430 كيلوبايت إلى 451 كيلوبايت من الذاكرة. ورغم أنها أكبر من النماذج القائمة على واصفات السمات (والتي كانت أقل من 150 كيلوبايت)، إلا أنها ظلت ضمن الحدود المسموح بها للنشر المدمج وقدمت دقة أعلى بكثير.
حساسية المعلمات: لاحظت الدراسة أن البنى ثنائية المرحلة (Two-Stage) أكثر حساسية لمعلم التهيئة λinit من نماذج Attention-CNN أحادية المرحلة، مما يسلط الضوء على أهمية الضبط الدقيق (Fine-tuning) لتحقيق الأداء الأمثل.
الأهمية والادعاءات يدعي البحث أن دمج آليات الانتباه التفاضلي والتكاملي في هيكل CNN يعزز بشكل كبير من متانة تصنيف جودة إشارة PPG دون تكبد تكاليف حوسبية باهظة. ويؤكد المؤلفون أن نهجهم يزيل بفعالية ضوضاء انتباه النمط المشترك، مما يحسن آليات المصنف اللاحقة لتطبيقات مراقبة الصحة في الوقت الفعلي (HMA).
وتشدد الدراسة على أنه على الرغم من فعالية النماذج العالية، فقد تم تدريبها والتحقق منها حصرياً باستخدام بيانات من أجهزة سامسونج. ويقر المؤلفون بتواضع بأن هذا يحد من تعميم النتائج على الأجهزة من الشركات المصنعة الأخرى بسبب الاختلافات المحتملة في خصائص المستشعرات، والبرامج الثابتة (Firmware)، وعمليات المعالجة المسبقة. وبناءً على ذلك، يضع البحث مساهمته كخطوة مهمة نحو تقييم جودة الإشارة (SQA) المدمج والفعال، مع الدعوة إلى التحقق من الصحة عبر العلامات التجارية المختلفة واستخدام مجموعات بيانات معيارية متعددة الشركات لتقييم الصلاحية الخارجية بشكل كامل.