A Residual Transformer Framework for Biomechanics-Aware Yoga Posture Recognition and Feedback

على مدى قرون، كانت ممارسة اليوغا جسراً بين الانضباط البدني والوضوح الذهني، معتمدة على المحاذاة الدقيقة للجسم لإطلاق فوائدها. ومع ذلك، بالنسبة للملايين من الممارسين الذين يتعلمون في عزلة أو عبر الشاشات الرقمية، فإن الطريق نحو الشكل الصحيح غالباً ما يكون محفوفاً بالشك وعدم اليقين. فبدون مدرب خبير يلاحظ ركبة غير متوازنة أو عموداً فقرياً مائلاً، يمكن للحركات التي تهدف إلى الشفاء أن تؤدي إلى الإجهاد أو الإصابة. ويكمن التحدي في ترجمة لغة الجسم البشرية، الرقيقة والانسيابية، إلى شيء يمكن للآلة فهمه. هذا هو مجال الرؤية الحاسوبية، وهو مجال تعمل فيه الكاميرات والخوارزميات معاً لرؤة وتفسير الحركة. وبينما تستطيع الأنظمة الحديثة بالفعل تحديد مواقع مفاصل الشخص في مقطع فيديو، إلا أنها واجهت تاريخياً صعوبة في استيعاب قصة الحركة بمرور الوقت أو تقديم نصائح محددة وآمنة حول كيفية إصلاح الخطأ. فهي غالباً ما ترى لقطة واحدة للوضعية بدلاً من التدفق المستمر للممارسة، وتفتقر إلى القدرة على التمييز بين التمدد المتعمد والخطأ الخطير.

قام فريق من الباحثين في "تكنو ماين سالت ليك" (Techno Main Salt Lake) في الهند بتطوير نظام جديد مصمم لحل هذه المشكلات المحددة، مما خلق مساعداً رقمياً لا يكتفي فقط بالتعرف على وضعيات اليوغا، بل يفهم الميكانيكا الحيوية الكامنة وراءها. إن عملهم، الذي يحمل عنوان "شبكة المحول الميكانيكية الحيوية المتبقية" (Residual Biomechanical Transformer Network)، يتجاوز مجرد التعرف على الصور لبناء نموذج يراقب حركة الشخص، ويحلل زوايا مفاصله، ويقدم تعليمات فورية وواضحة حول كيفية تصحيح شكله. تم اختبار النظام على ثماني وضعيات يوغا شائعة، بما في ذلك وضعية المحارب (Warrior)، والشجرة (Tree)، والكوبرا (Cobra)، وحقق مستوى مذهلاً من الدقة، حيث حدد الوضعية بشكل صحيح في 98 بالمئة من الحالات. والأهم من ذلك، أنه يفعل ذلك دون الحاجة إلى قاعدة بيانات للتفاصيل الجسدية الشخصية للمستخدم، مثل عمره أو مرونته، مما يجعله أداة عالمية لأي شخص يسعى للممارسة بأمان.

تبدأ الرحلة بالكاميرا، التي تعمل كعيون النظام. وبدلاً من محاولة تحليل التفاصيل المعقدة لملابس الشخص أو خلفية الغرفة، يقوم البرنامج أولاً بتحديد سبعة عشر نقطة محددة على الهيكل العظمي البشري، مثل الكتفين، والمرفقين، والوركين، والركبتين. هذه العملية، المعروفة باسم "تقدير الوضعية" (pose estimation)، تجرد كل ما هو غير ضروري للتركيز فقط على بنية الجسم. ومع ذلك، أدرك الباحثون أن مجرد معرفة مكان هذه النقاط في إطار واحد ليس كافياً. فاليوغا نشاط ديناميكي؛ فالوضعية غالباً ما تكون نتيجة لحركة، ويمكن أن تبدو مرحلة الانتقال إلى وضعية معينة متشابهة بشكل مخادع مع حركات أخرى. ولتجسيد ذلك، لا ينظر النظام إلى صورة واحدة في كل مرة، بل يراقب تسلسلاً من ثلاثين إطاراً، مما يخلق نافذة زمنية قصيرة تسمح له بفهم تدفق الحركة. يساعد هذا الوعي الزمني النظام على التمييز بين الوضعية التي يتم الحفاظ عليها بثبات وتلك التي تمر فقط عبر شكل مشابه أثناء الانتقال.

بمجرد أن يلتقط النظام هذا التسلسل من الحركات الهيكلية، فإنه يترجم المواقع الخام للمفاصل إلى لغة هندسية مستقلة عن حجم الشخص أو مسافته عن الكاميرا. فهو يحسب الزوايا بين المفاصل، والأطوال النسبية للأطراف، وتناسبات الجسم، ويقوم بتطبيع هذه القياسات بحيث يبدو الشخص الطويل والقصير اللذان يؤديان نفس الوضعية متطابقين بالنسبة للخوارزمية. وهذا يخلق وصفاً مدمجاً مكوناً من 74 بُعداً لتكوين الجسم، يركز تماماً على الميكانيكا الحيوية للوضعية. ثم يغذي النظام هذا الوصف في شبكة عصبية متخصصة، وهي نوع من الذكاء الاصطناعي المصمم لإيجاد الأنماط في التسلسلات. تولي هذه الشبكة اهتماماً وثيقاً باللحظات الأكثر أهمية داخل التسلسل، وتتعلم التعرف على الخصائص المستقرة والمحددة لكل وضعية يوغا مع تجاهل اللحظات العابرة للانتقال.

إن الابتكار الحقيقي لهذا الإطار يكمن في كيفية تعامله مع الأخطاء. فالعديد من الأنظمة الموجودة قد تكتفي بتخمين الوضعية الصحيحة وتتوقف عند ذلك، أو قد تعتمد على قواعد صارمة ومبرمجة مسبقاً تفشل عندما يختلف جسم المستخدم قليلاً. يجمع هذا النهج الجديد بين قوة تعلم الشبكة العصبية ومجموعة من القواعد التشريحية الواضحة. فبمجرد أن يحدد النظام وضعية معينة، فإنه يتحقق فوراً من زوايا مفاصل المستخدم مقابل النطاقات المثالية لتلك الوضعية المحددة. إذا كانت الركبة منحنية أكثر من اللازم أو كان الكتف مرفوعاً عالياً جداً، فلا يكتفي النظام بالإشارة إلى وجود خطأ فحسب؛ بل يولد تعليمات محددة قابلة للقراءة البشرية. على سبيل المثال، إذا كان المستخدم يحاول أداء وضعية المحارب ولكن ركبته الأمامية مستقيمة بدلاً من أن تكون منحنية، فسيذكر النظام صراحة أن الركبة يجب أن تكون منحنية بزاوية تقارب تسعين درجة. يتم إنشاء هذه التغذية الراجعة بناءً على الانحراف المقاس عن الزاوية المثالية، مما يضمن أن النصيحة دائماً ذات صلة بالخطأ المحدد المرتكب.

اختبر الباحثون نظامهم على مجموعة بيانات تحتوي على آلاف الصور لأشخاص يؤدون ثماني وضعيات يوغا مختلفة. وكانت النتائج مذهلة؛ فقد حدد النظام الوضعية بشكل صحيح في 98 بالمئة من حالات الاختبار، وهو مستوى من الدقة يشير إلى أنه قد أتقن الفروق الدقيقة البصرية والزمنية لهذه الحركات. وقد أدى أداءً جيداً بشكل خاص في الوضعيات المتميزة مثل وضعية الكرسي (Chair) والشجرة (Tree)، حيث يشكل الجسم شكلاً واضحاً وفريداً. وحتى في السيناريوهات الأكثر تحدياً حيث تتشارك الوضعيات في مواضع بدء أو نهاية متشابهة، مثل الانتقال بين وضعية المحارب ووضعية الكلب (Dog)، تمكن النظام من التمييز بينها بدقة عالية. وعندما ارتكب النظام خطأً، كان ذلك دائماً تقريباً بسبب الخلط بين وضعيتين تبدوان متشابهتين جداً خلال مرحلة معينة من الحركة، وليس فشلاً كلياً في التعرف على بنية الجسم.

بعيداً عن الأرقام، أظهر النظام قدرته على العمل في الوقت الفعلي، حيث يعالج الفيديو المباشر من كاميرا الويب بسرعة تسمح بتقديم تغذية راجعة فورية. وفي الاختبارات الحية، نجح النظام في تحديد الوضعيات وتسليط الضوء على مفاصل معينة كانت خارج المحاذاة، مقدماً تصحيحات تتوافق مع النطاقات الميكانيكية الحيوية المثالية. فعلى سبيل المثال، عندما حافظ مستخدم على وضعية كانت فيها زاوية الركبة واسعة جداً، قدم النظام تعليمات مباشرة لتعديل الطرف، محاكياً بذلك التوجيه الذي يقدمه المدرب البشري. هذه القدرة على تقديم تغذية راجعة قابلة للتنفيذ ومحددة للوضعية دون الحاجة إلى إدخال المستخدم لإحصائياته الجسدية الشخصية تجعل النظام شديد التكيف. فهو لا يحتاج لمعرفة ما إذا كان المستخدم شاباً أو مسناً، مرناً أو متصلباً؛ بل يقيس ببساطة هندسة الحركة مقابل المعايير العالمية للوضعية.

يشير نجاح هذا الإطار إلى اتجاه جديد لكيفية دعم التكنولوجيا للصحة البدنية. فمن خلال الابتعاد عن الفحوصات الساكنة القائمة على القواعد والتوجه نحو نظام يفهم الحركة كحدث زمني مستمر، خلق الباحثون أداة ذكية وقابلة للتفسير في آن واحد. لا يعمل النظام كـ "صندوق أسود"؛ إذ يمكن تتبع التغذية الراجعة الخاصة به مباشرة إلى زوايا المفاصل، مما يجعل النصيحة شفافة وموثوقة. وبينما ركزت الدراسة الحالية على ثماني وضعيات محددة، فإن الطريقة الأساسية مصممة لتكون قابلة للتوسع، وقادرة على تعلم حركات جديدة مع توفر المزيد من البيانات. إن هذا العمل يثبت أنه مع الجمع الصحيح بين الرؤية الحاسوبية، والهندسة الميكانيكية الحيوية، والتعلم العميق، يمكن للآلات أن تتعلم رؤية الجسم البشري ليس كمجرد مجموعة من البكسلات، بل كبنية ديناميكية يمكن توجيهها نحو حركة أكثر أماناً وفعالية.