SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

تعد الحياة اليومية عبارة عن سلسلة من الحركات الصغيرة، وغالباً ما تكون متكررة: مثل غسل الأسنان، أو غسل الأطباق، أو المشي إلى المطبخ، أو مسح الأرضية. وبالنسبة للأطباء ومقدمي الرعاية، يعد تتبع هذه "أنشطة الحياة اليومية" أمراً حيوياً؛ فقدرة الشخص على أداء هذه المهام بشكل مستقل هي مؤشر أساسي لصحته وسلامته. تقليدياً، يعتمد قياس ذلك على سؤال الأشخاص عما يتذكرون أنهم فعلوه، أو مراقبة ممرض لهم في أوقات محددة. وهذه الأساليب غير مثالية؛ فذاكرة الإنسان معرضة للخطأ، والمراقبة اللحظية تغفل عن إيقاع اليوم بأكمَلِه. وللحصول على صورة حقيقية لكيفية عمل الشخص، نحتاج إلى وسيلة لمراقبته باستمرار دون أن نكون مزعجين. وهنا يأتي دور الساعة الذكية؛ فهي تُرتدى في المعصم، وتحمل مستشعرات يمكنها استشعار التغيرات الطفيفة في الحركة، مما يوفر نافذة محتملة على الروتين اليومي للشخص. ولكن هناك عقبة: فبرنامج الكمبيوتر الذي تم تدريبه للتعرف على هذه الحركات في مختبر هادئ ومنضبط، غالباً ما يفشل عندما يرتدي الشخص نفسه الساعة في الواقع الفوضوي وغير المتوقع لمنزله.

وضع باحثون من جامعة كوين مارجريت وجامعة إدنبرة نابير حلماً لهذه المشكلة المحددة. فقد تساءلوا عما إذا كان بإمكان نظام الساعة الذكية أن يتعلم التعرف على أنشطة الشخص اليومية أثناء استخدامه، دون الحاجة إلى إعادة تدريبه بالكامل من الصفر. لقد طوروا نظاماً يسمى SmartADT-Net، المصمم للعمل في مرحلتين متمايزتين. أولاً، يستخدم نموذج "مجتمع" عام — وهو مجموعة من القواعد المستقاة من العديد من الأشخاص في المختبر — لتقديم تخمين أولي حول النشاط الجاري. ثانياً، يتعلم ببطء من الشخص المحدد الذي يرتدي الساعة، ولكن فقط عندما يؤكد هذا الشخص أو يصحح تخمين الساعة. والهدف هو معرف لعل هذا النهج المكون من خطوتين يمكنه سد الفجوة بين روبوت مدرب في المختبر ومساعد شخصي مفيد في العالم الحقيقي.

بدأ الباحثون ببناء أساس نظامهم في بيئة منزلية محاكية. قام ثلاثون متطوعاً بست مهام شائعة: غسل الأسنان، مسح أو تنظيف الأرضية، ترتيب الأشياء على الرفوف، المشي، غسل الأطباق، وغسل الوجه. وقد ارتدوا ساعات آبل التي سجلت حركة معاصمهم. استخدم الفريق هذه البيانات لتعليم نموذج كمبيوتري التعرف على أنماط هذه الحركات. كان هذا النموذج الأولي "مجمداً"، مما يعني أن "دماغه" الأساسي كان ثابتاً ولن يتغير لاحقاً. ومع ذلك، أضاف الباحثون طبقة ذكية من التعديل تسمى "التعديل المدرك للتعقيد" (complexity-aware modulation). وتنظر هذه الميزة في مدى فوضوية أو عدم انتظام الحركة؛ فعلى سبيل المثال، المشي عادة ما يكون إيقاعياً، بينما قد يكون غسل الأطباق أكثر عشوائية. ومن خلال قياس هذا التعقيد، يمكن للنظام إجراء تعديل سريع وذكي لتخمينه الأولي، مما يحسن دقته حتى قبل أن يعرف هوية المستخدم.

جاء الاختبار الحقيقي عندما نشروا هذا النظام على مجموعة جديدة مكونة من سبعة عشر شخصاً في منازلهم الفعلية لمدة عشرين يوماً. ارتدى هؤلاء المشاركون الساعة وبدأوا التسجيل كلما قاموا بأحد الأنشطة الستة المستهدفة. لم يكن النظام يعرف هؤلاء الأشخاص مسبقاً. وعندما كانت الساعة تقدم توقعاً، يُطلب من المستخدم تأكيد ما إذا كان صحيحاً أو اختيار النشاط الصحيح من قائمة. كان هذا التعليقات هو المفتاح؛ فلم يقم النظام بإعادة تدريب دماغه الرئيسي، لأن ذلك سيكون ثقيلاً جداً على بطارية الساعة ومعالجها. بدلاً من ذلك، قام بتخزين "نماذج أولية" بسيطة — وهي ملخصات موجزة لما تبدو عليه حركات ذلك الشخص المحدد لكل نشاط. ومع تأكيد المستخدم لمزيد من الأفعال، بدأ النظام ببطء في تعديل قراره النهائي، حيث دمج المعرفة العامة للمجتمع مع العادات الخاصة بالمستخدم.

أظهرت النتائج تقدماً واضحاً وقوياً. عندما اعتمد النظام فقط على دماغه الأولي المجمد، أصاب النشاط بنسبة 62 في المائة تقريباً. وكان هذا الانخفاض عن أداء المختبر متوقعاً، حيث إن الحياة الواقعية أكثر فوضوية من التجربة المنضبطة. ومع ذلك، بمجرد أن طبق النظام تعديله المدرك للتعقيد، قفزت الدقة إلى 78 في المائة. حدث هذا التحسن فوراً، دون أي بيانات شخصية من المستخدم. ومع استمرار المستخدمين في تأكيد أنشطتهم على مدار العشرين يوماً، بدأ تخصيص النظام في العمل، وارتفعت الدقة النهائية إلى 89 في المائة. وهذا يعني أنه من خلال الجمع بين التصحيح الذكي الفوري وعملية التعلم البطيئة والثابتة، استطاع النظام التعافي من أخطائه الأولية وأصبح موثوقاً للغاية.

لم تكن كل الأنشطة سهلة الإتقان بنفس القدر. فقد تم التعرف على المشي ومسح الأرضية بدقة عالية منذ البداية. أما غسل الوجه، فقد ظل الأكثر صعوبة؛ فحتى بعد عشرين يوماً من التخصيص، ظل النظام يعاني مع هذه المهمة، حيث أصابها بنسبة 79 في المائة فقط تقريباً. وجد الباحثون أنه بينما استطاع النظام تصحيح العديد من أخطائه المبكرة، إلا أن بعض الارتباك بين غسل الوجه وحركات أخرى ظل قائماً. وهذا يشير إلى أن مستشعر المعصم، رغم كونه ممتازاً في تتبع حركة الذراع، يفتقر أحياناً إلى التفاصيل الدقيقة اللازمة للتمييز بين حركات اليد المتشابهة جداً. ومع ذلك، أثبت النظام قدرته على التعلم من المستخدم دون الحاجة إلى كمية هائلة من البيانات أو عملية إعادة تدريب معقدة.

أكدت الدراسة أيضاً أن هذا النهج عملي للاستخدام اليومي. فالنظام بأكمله، بما في ذلك الذاكرة اللازمة لتذكر عادات المستخدم المحددة، لم يشغل سوى مساحة ضئيلة جداً في الساعة — بحجم ملف صورة صغير تقريباً. كما أنه يعمل بسرعة، حيث يتخذ القرارات في أقل من عُشر الثانية، وكان استهلاك البطارية الإضافي ضئيلاً، حيث يستهلك حوالي 3.5 في المائة من البطارية لكل ساعة من الاستخدام النشط. وهذه الكفاءة أمر بالغ الأهمية؛ فالنظام الذي يستنزف البطارية في ساعات قليلة لا فائدة منه للمراقبة الصحية طويلة الأمد.

كان الباحثون حريصين على ملاحظة حدود نتائجهم. فالإجابات "الصحيحة" المستخدمة لاختبار النظام جاءت من المستخدمين أنفسهم، الذين شاهدوا تخمين الساعة قبل التأكيد. وهذا يعني أن النظام ربما تأثر بثقة المستخدم أو انحيازه، بدلاً من مراقب مستقل. بالإضافة إلى ذلك، ركزت الدراسة على ستة أنشطة محددة يبدأها المستخدم يدوياً، بدلاً من نظام يراقب الشخص طوال اليوم ويستنتج تلقائياً ما يفعله. كما لم يحاول النظام تعلم أنواع جديدة من الأنشطة بخلاف الستة التي تم تعليمه إياها.

ومع ذلك، فإن الاكتشاف الجوهري مهم للغاية. فهو يثبت أن الجهاز القابل للارتداء يمكن أن يبدأ بفهم عام للحركة البشرية ثم يتكيف مع الأسلوب الفريد للفرد من خلال التغذية الراجعة البسيطة "من الإنسان إلى الآلة". فهو ليس بحاجة لأن يكون صفحة بيضاء تنتظر أسابيع من البيانات، ولا يحتاج لأن يكون برنامجاً جامداً غير قابل للتغيير. ومن خلال فصل التعديلات الذكية الفورية عن التعلم الشخصي البطيء، يقدم النظام مساراً نحو ساعات ذكية ليست مجرد مستشعرات، بل رفقاء متكيفون حقاً لمراقبة الصحة في العالم الحقيقي. وتشير الدراسة إلى أن مستقبل مراقبة الصحة عبر الأجهزة القابلة للارتداء لا يكمن في جعل الكمبيوتر أكثر ذكاءً بمعزل عن غيره، بل في خلق شراكة حيث يتعلم الجهاز من الشخص الذي يرتديه، نشاطاً واحداً مؤكداً في كل مرة.