From Video to Clinical Insight: Computer Vision-Based Detection of Upper Limb Compensation Strategies Following Stroke Utilizing SAM3D Body

غالباً ما تكون مرحلة التعافي من السكتة الدماغية قصة تكيّف. فعندما يتضرر مركز القيادة في الدماغ المسؤول عن الذراع، يجد الجسم في كثير من الأحيان وسيلة بديلة لإنجاز المهمة. فإذا كان الشخص لا يستطيع مد يده للأمام بسبب ضعف عضلات الكتف، فقد يميل بجذعه بالكامل للأمام أو يرفع كتفه عالياً ليقرب يده من الكوب. هذه "الحركات التعويضية" تسمح للشخص بإتمام المهمة، لكنها قد تتحول إلى عادات سيئة تمنع الذراع من تعلم الحركة الصحيحة مرة أخرى. لعقود من الزمن، اعتمد المعالجون على أعينهم لرصد هذه الاختصارات أثناء الزيارات العيادية، حيث يراقبون المريض وهو يمد يده نحو جسم ما، ويلاحظون ما إذا كان عموده الفقري ينحني أو إذا كان كتفه يرتفع. ومع ذلك، فإن هذه الطريقة تقتصر على الساعات القليية التي يقضيها المريض في المستشفى، مما يجعل من الصعب تتبع التقدم أو رصد التغيرات الدقيقة عندما يعود المريض إلى منزله.

لقد طور فريق من الباحثين الآن طريقة لرؤية هذه الحركات الخفية باستخدام لا شيء سوى كاميرا فيديو قياسية وبرنامج كمبيوتر. ومن خلال تعليم الآلة التعرف على زوايا الجسم المحددة، أنشأوا نظاماً يمكنه التنبيه تلقائياً عندما يستخدم الناجون من السكتة الدماغية هذه الاستراتيجيات التعويضية. لم يكن الهدف استبدال المعالج، بل تزويده بأداة تعمل على مدار الساعة، محولةً تسجيل فيديو بسيط إلى تقرير مفصل حول كيفية تحرك الجسم. يوفر هذا النهج مساراً لمراقبة التعافي في العالم الحقيقي، حيث يعيش المرضى ويتدربون، بدلاً من الاقتصار على البيئة الخاضعة للرقابة في المختبر.

ركز الباحثون على ثلاث طرق شائعة يعوض بها الجسم أثناء مهمة بسيطة: وهي مد اليد لالتقاط زجاجة ماء وإيصالها إلى الفم. الأول هو رفع الكتف بعيداً عن جانب الجسم. والثاني هو انحناء الجزء العلوي من الجسم للأمام. والثالث هو الميل بالجزء العلوي من الجسم إلى الجانب. ولتعليم الكمبيوتر كيفية رصد هذه الحركات، استعان الفريق بـستة وعشرين شخصاً أصيبوا بسكتة دماغية قبل فترة تتراوح بين شهر واحد وستة أشهر. جلس كل مشارك عند طاولة وأدى مهمة الوصول عشر مرات بذراعه القوية وعشر مرات بذراعه الضعيفة. وقامت كاميرا جهاز لوحي بتسجيل كل حركة من الأمام.

وبدلاً من لصق مستشعرات على الجلد أو مطالبة المرضى بارتداء بدلات خاصة، استخدم الفريق نموذج رؤية حاسوبية متطوراً يسمى (SAM3D Body). يقوم هذا البرنامج بتحليل إطارات الفيديو إطاراً تلو الآخر لبناء هيكل عظمي ثلاثي الأبعاد لجسم الشخص، وتتبع موضع العمود الفقري، والكتفين، والمرفقين، والمعصمين في الفضاء. ثم قام الباحثون بحساب زوايا محددة لكل حركة. على سبيل المثال، لقياس رفع الكتف، حسب الكمبيوتر الزاوية بين الجزء العلوي من الذراع والعمود الفقري. ولقياس الميل، قاس مدى انحراف العمود الفقري بعيداً عن خط عمودي مستقيم. كما نظروا في أقصى زاوية تم الوصول إليها، ومتوسط الزاوية التي تم الحفاظ عليها، ومدى تغير الزاوية عن وضع البداية.

ولضمان تعلم الكمبيوتر للأشياء الصحيحة، شاهد ثلاثة خبراء بشريين -أطباء ومعالجون- مقاطع الفيديو وصنفوا كل محاولة كحركة تعويضية أو غير ذلك. وقد اتفقوا على التصنيفات في الغالبية العظمى من التجارب. بعد ذلك، درب الباحثون خوارزمية تعلم آلي، وهي نوع من برامج الكمبيوتر التي تتعلم الأنماط من البيانات، للتنبؤ بهذه التصنيفات بناءً فقط على الزوايا التي حسبتها الكاميرا. واختبروا النظام باستخدام طريقة صارمة حيث تم تدريب الكمبيوتر على بيانات من خمسة وعشرين شخصاً، ثم طُلب منه التنبؤ بحركات الشخص السادس، وهي عملية تكررت حتى تم اختبار كل مشارك. ضمن ذلك قدرة النظام على التعرف على هذه الحركات لدى شخص جديد لم يره من قبل.

أظهرت النت النتائج أن الكمبيوتر يمكنه تحديد هذه الحركات بموثوقية عالية. فبالنسبة لاستراتيجية رفع الكتف، كان النظام صحيحاً بنسبة 95.5% من الوقت. وبالنسبة للميل إلى الجانب، كان صحيحاً بنسبة 87.5% من الوقت. أما حركة الانحناء للأمام فكانت الأصعب في الكشف، حيث بلغت دقتها 75.6%، لكن معدل النجاح الإجمالي عبر جميع الأنواع الثلاثة كان قوياً. ووجد الباحثون أن النظام يعمل بشكل أفضل مع الأشخاص الذين يعانون من إعاقات أكثر شدة؛ ففي هؤلاء المرضى، تكون الحركات التعويضية كبيرة وواضحة، مما يجعل من السهل على الكمبيوتر رصدها. أما بالنسبة لأولئك الذين يعانون من إعاقات أخف، فتكون الحركات أكثر دقة وأقرب إلى أنماط الحركة الطبيعية، مما يجعل التمييز بينها أصعب قليلاً. يشير هذا إلى أن هذه الأداة مفيدة بشكل خاص للمرضى الذين يحتاجون إلى أكبر قدر من المساعدة، حيث أن حركاتهم الكبيرة هي التي يلتقطها النظام بشكل أكثر موثوقية.

كما كشفت الدراسة عن سبب صعوبة اكتشاف بعض الحركات مقارنة بغيرها. فالانحناء الأمامي للجذع يعتمد على إدراك العمق -أي مدى تحرك الجسم نحو الكاميرا أو بعيداً عنها. وبما أن النظام استخدم كاميرا واحدة، فقد توجب عليه تقدير هذا العمق، وهو أمر صعب بطبيعته مقارنة بقياس الحركات الجانبية أو الحركات من الأعلى إلى الأسفل على شاشة مسطحة. هذا القصور التقني يفسر سبب كون دقة اكتشاف الانحناء للأمام أقل من دقة اكتشاف رفع الكتف أو الميل الجانبي. ورغم ذلك، نجح النظام في التمييز بين الذراع المصابة والذراع السليمة، مبيناً أن الذراع الأضعف تسببت باستمرار في زوايا تعويضية أكبر.

ويؤكد الباحثون أن هذه التكنولوجيا مصممة للمساعدة، وليس لاستبدال الحكم البشري. ففي بيئة عملية، سيعمل النظام كمرشح (فلتر)، حيث يراجع ساعات من الفيديو ويسلط الضوء فقط على المحاولات المحددة التي يُحتمل وقوع حركة تعويضية فيها. يمكن للمعالج حينها مراجعة تلك اللحظات المحددة فقط، وربما رؤية إعادة بناء ثلاثية الأبعاد للجسم متراكبة فوق الفيديو لتأكيد النتيجة. من شأن هذا أن يوفر وقت المعالجين ويسمح لهم بالتركيز على البيانات الأكثر أهمية. كما يمكن استخدام النظام للمراقبة عن بُعد، مما يسم يتيح للمرضى أداء المهمة في منازلهم باستخدام جهاز لوحي وإرسال البيانات إلى فريق الرعاية الخاص بهم. وهذا من شأنه توفير صورة مستمرة للتعافي، تظهر ما إذا كان المريض يتحسن أم أنه يتراجع إلى العادات القديمة بين الزيارات العيادية.

وبينما يتطلب النظام الحالي أجهزة كمبيوتر قوية لمعالجة الفيديو، يشير الباحثون إلى أن التحسينات المستقبلية قد تجعله سريعاً بما يكفي للعمل على الأجهزة المحمولة القياسية. كما يقرون بأن الظروف الواقعية، مثل الإضاءة الضعيفة أو الخلفيات المزدحمة، قد تشكل تحدياً للنظام، وأنه هناك حاجة لمزيد من البيانات لتحسين دقته للأشخاص الذين يعانون من إعاقات طفيفة. ومع ذلك، تظل النتيجة الجوهرية قائمة: من الممكن استخدام كاميرا فيديو واحدة وبرمجيات متقدمة لقياس كيفية تحرك الناجين من السكتة الدماغية بشكل موضوعي. ومن خلال تحويل فيديو بسيط إلى قياس دقيق لزوايا الجسم، يفتح هذا العمل الباب أمام مستقبل لا يكون فيه التأهيل مجرد سلسلة من الزيارات العيادية، بل رحلة مستمرة مدفوعة بالبيانات نحو التعافي.