Few-Shot Transfer Learning for Gait Cycle Percentage Estimation by Leveraging Classification Knowledge for Regression Tasks
تُثبت هذه الورقة أن الاستفادة من تسميات مراحل المشية الثنائية المستمدة تلقائياً عبر تعلم نقل التصنيف إلى الانحدار يحسن بشكل كبير من تقدير نسبة دورة المشية من خلال التعلم بلقطات قليلة من بيانات وحدة القياس العطالي (IMU) القابلة للارتداء، محققةً انخفاضاً يصل إلى 40% في متوسط الخطأ المطلق (MAE) مقارنة بنماذج التعلم الصفري المرجعية، مع تقديم إرشادات هندسية عملية للتنفيذ الأمثل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد المشي إيقاعاً نادراً ما نفكر فيه، ومع ذلك فهو تسلسل معقد من الحركات التي يدرسها الأطباء والمهندسون عن كثب لفهم الصحة، ومنع السقوط، وتصميم أطراف روبوتية أفضل. ولتحليل هذا الإيقاع، غالباً ما يقسم العلماء الخطوة الواحدة إلى جزأين رئيسيين: مرحلة الارتكاز (stance phase)، عندما تكون القدم ثابتة على الأرض، ومرحلة التأرجح (swing phase)، عندما ترتفع القدم وتتحرك للأمام. تقليدياً، استخدم الباحثون استوديوهات التقاط الحركة عالية التقنية والمكلفة لقياس مكان وجود الشخص بالضبط في هذه الدورة في أي لحظة معينة، وهي عملية دقيقة ولكنها مكلفة ويصعب تعميمها على نطاق واسع. ومع ذلك، توجد طريقة أبسط لتحديد أي من المرحلتين يمر بها الشخص، وذلك باستخدام مستشعرات بسيطة يمكن تثبيتها في الحذاء. وهذا يخلق خللاً جوهرياً: يمكننا بسهولة توليد كميات هائلة من البيانات التي تخبرنا ما إذا كانت القدم مرفوعة أم لا، لكننا نكافح لجمع البيانات التفصيلية المستمرة اللازمة لمعرفة مدى تقدم الخطوة بالضبط.
سعى فريق من الباحثين من جامعة شاندونغ وجامعة برمنغهام لحل هذه المشكلة من خلال تعليم الكمبيوتر استخدام المعلومات السهلة الحصول عليها لتعلم المعلومات الصعبة الحصول عليها. فقد تساءلوا عما إذا كان بإمكان نموذج حاسوبي، تم تدريبه بشكل مكثف على تسميات "مرفوع أو منخفض" البسيطة، أن يتكيف للتنبؤ بالنسبة المئوية الدقيقة لدورة المشي باستخدام القليل جداً من البيانات الجديدة. وقد أظهر عملهم أن هذا ليس ممكناً فحسب، بل هو فعال للغاية. فمن خلال تعليم نموذج التعلم العميق أولاً التمييز بين مرحلتي المشي، ثم تعديل نفس النموذج بلطف للتنبؤ بالنسبة المئوية المستمرة للخطوة، حققوا نتائج كانت ستتطلب جمع بيانات أكثر تكلفة بكثير.
اختبر الباحثون طريقتهم باستخدام بيانات من 178 شخصاً عبر مجموعتين من البيانات العامة، إحداهما تضم كبار السن والأخرى تضم أصحاء. لقد قاموا بمحاكاة سيناريو قد تتوفر فيه لعيادة ما آلاف الساعات من تسجيلات "الارتكاز مقابل التأرجح" البسيطة، ولكن مع قدر ضئيل فقط من بيانات التقاط الحركة الدقيقة. وفي الاختبار الأكثر تطرفاً، أعطوا النموذج بيانات من شخص واحد فقط ليتعلم النسبة المئوية الدقيقة. وبدون أي تدريب مسبق، أدى نموذج يبدأ من الصفر أداءً ضعيفاً، لكن النموذج الذي تعلم أولاً مهمة "الرفع أو الخفض" البسيطة كان قادراً على التكيف بسرعة. ومع بيانات من شخص واحد فقط، قللت طريقة "التعلم بنقل المعرفة" (transfer learning) هذه من الخطأ في تنبؤاتها بنسبة تقارب 24 بالمائة مقارنة بنموذج تم تدريبه من الصفر. والأكثر إثارة للدهشة، أن النموذج كان قادراً على تحسين دقته بنسبة 40 بالمائة مقارنة بالنموذج المرجعي الذي لم يخضع لأي ضبط دقيق على الإطلاق، مما يثبت أن المعرفة المكتسبة من المهمة البسيطة كانت مفيدة مباشرة للمهمة المعقدة.
كما بحثت الدراسة أيضاً في مقدار البيانات المطلوبة لجعل هذا العمل يعمل بأفضل شكل. ووجد الباحثون أن "النقطة المثالية" لهذه الطريقة تكمن بين 50 و500 عينة من البيانات الدقيقة. وفي هذا النطاق، يكتسب النموذج ميزة كبيرة، حيث يحسن دقته بنسبة تتراوح بين 10 إلى 14 بالمائة عن الطرق التقليدية. وهذا يشير إلى أن العيادة الطبية أو فريق البحث لا يحتاج إلى جمع كميات هائلة من بيانات التقاط الحركة المكلفة لبناء نظام موثوق. بدلاً من ذلك، يمكنهم جمع حجم كبير من بيانات المستشعرات البسيطة لتعليم النظام أساسيات المشي، ثم إنفاق مواردهم المحدودة على مجموعة صغيرة مختارة بعناية من القياسات الدقيقة لضبط النموذج.
ولضمان عمل هذه الطريقة بشكل موثوق، فحص الفريق التفاصيل التقنية لكيفية تعلم الكمبيوتر. واكتشفوا أن الطريقة التي يتعامل بها النموذج مع إحصائياته الداخلية وسرعة تعلمه للمعلومات الجديدة هي أمور حاسمة. وتحديداً، ثبت أن السماح للنموذج بتحديث إعداداته الداخلية قليلاً مع الحفاظ على المعرفة الأساسية من مرحلة التدريب الأولى أمر ضروري. كما وجدوا أيضاً أن استخدام سرعات تعلم مختلفة للجزء من النموذج الذي يتعرف على الأنماط والجزء الذي يقوم بالتنبؤ النهائي ساعد النظام على التكيف دون نسيان ما عرفه بالفعل. وتوفر هذه النتائج خارطة طريق واضحة للمهندسين والأطباء الذين يرغبون في نشر أنظمة تحليل المشية بدقة دون التكلفة الباهظة لدراسات التقاط الحركة واسعة النطاق.
تمتد تداعيات هذا العمل إلى تطوير التكنولوجيا القابلة للارتداء وأدوات إعادة التأهيل. فمن خلال إظهار أن النموذج يمكنه تعلم التنبؤ بالتقدم المستمر للخطوة عن طريق إتقان التمييز الثنائي لوضعية القدم أولاً، قدم الباحثون مساراً عملياً نحو المراقبة الشخصية للمشية. ويسمح هذا النهج بإنشاء أدوات تحليل متطورة باستخدام بيانات يسهل ويقل تكلفة جمعها بكثير. وبينما ركزت الدراسة الحالية على السكان الأصحاء وكبار السن الذين يمشون بشكل طبيعي، فإن نجاح هذه الطريقة يشير إلى مستقبل يمكن فيه تطبيق تقنيات مماثلة على حالات أكثر تعقيداً، مما قد يساعد في مراقبة وعلاج اضطرابات الحركة بدقة وسهولة وصول أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.