Learning Varying Physical Therapist-Patient Interactions for Robot-mediated Upper Limb Task-Specific Training
यह शोध पत्र ऊपरी अंग के कार्य-विशिष्ट प्रशिक्षण के लिए फिजियोथेरेपिस्ट-रोगी की व्यक्तिगत शारीरिक अंतःक्रियाओं को सीखने और सामान्यीकृत करने में पुनर्वास रोबोटों को सक्षम बनाने हेतु टास्क-पैरामीटराइज्ड गॉसियन मिक्सचर मॉडल्स (TPGMM) का उपयोग करते हुए एक लर्निंग-फ्रॉम-डेमोंस्ट्रेशन फ्रेमवर्क प्रस्तावित करता है, जो विभिन्न कार्य स्थितियों में फिजियोथेरेपिस्ट द्वारा लगाए गए टॉर्क को पुनरुत्पादित करने में लुक-अप टेबल बेंचमार्क के तुलनीय या उससे थोड़ा बेहतर प्रदर्शन के साथ इसकी प्रभावशीलता को प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
स्ट्रोक के बाद गति की रिकवरी अक्सर इस बात पर निर्भर करती है कि एक मरीज विशिष्ट, सार्थक क्रियाओं का कितना अभ्यास करता है, जैसे कि कप के लिए हाथ बढ़ाना या चम्मच पकड़ना। यह दृष्टिकोण, जिसे टास्क-स्पेसिफिक ट्रेनिंग (कार्य-विशिष्ट प्रशिक्षण) कहा जाता है, तब सबसे अच्छा काम करता है जब एक फिजियोथेरेपिस्ट मरीज के अंग को बिल्कुल सही मात्रा में बल लगाकर निर्देशित करता है, और मरीज की जरूरतों के अनुसार वास्तविक समय में समायोजन करता है। जबकि रोबोटों का उपयोग मरीजों को इन गतिविधियों को हजारों बार दोहराने में मदद करने के लिए लंबे समय से किया जा रहा है, वे एक मानव चिकित्सक के सूक्ष्म, व्यक्तिगत स्पर्श की बराबरी करने में संघर्ष करते रहे हैं। वर्तमान मशीनें अक्सर कठोर, पूर्व-निर्धारित नियमों पर निर्भर करती हैं जो किसी विशिष्ट रोगी के चलने-फिरने के अनूठे तरीके या किसी चिकित्सक द्वारा सहायता करने के विशिष्ट तरीके के अनुकूल नहीं हो पाती हैं। चुनौती एक रोबोट को यह सिखाने में है कि वह एक चिकित्सक के हाथों और एक मरीज के शरीर के बीच होने वाली जटिल, शारीरिक बातचीत को कैसे समझे और उसे कैसे दोहराए, खासकर जब कार्य थोड़ा बदल जाए, जैसे कि एक कप को जो थोड़ा दूर रखा गया हो उसे उठाना या किसी अलग वस्तु को पकड़ना।
इसे हल करने के लिए, मेलबर्न विश्वविद्यालय के शोधकर्ताओं ने रोबोटों के लिए एक नया तरीका विकसित किया जिससे वे एक चिकित्सक को काम करते हुए देखकर ये अंतःक्रियाएं सीख सकें। रोबोट को निश्चित नियमों के साथ प्रोग्राम करने के बजाय, उन्होंने फिजियोथेरेपी के छात्रों के जोड़ों से एक परिदृश्य को निभाने के लिए कहा, जहाँ एक ने मरीज की भूमिका निभाई और दूसरे ने चिकित्सक की। "मरीज" ने एक विशेष सूट पहना था जो सेंसर से लैस था, जिसने कंधे, ऊपरी बांह और अग्रबाहु पर "चिकित्सक" द्वारा लगाए गए सटीक बल को मापा। उन्होंने तीन अलग-अलग दैनिक कार्य किए—कप के लिए हाथ बढ़ाना, भोजन उठाने के लिए चम्मच का उपयोग करना, और जग से पानी डालना—प्रत्येक कार्य में दूरी, दिशा या वजन के बदलाव शामिल थे। लक्ष्य यह देखना था कि क्या एक कंप्यूटर केवल कुछ सत्रों को देखकर यह अनुमान लगा सकता है कि एक चिकित्सक उसी कार्य के एक नए, अनदेखे संस्करण में ठीक कितना बल लगाएगा।
शोधकर्ताओं ने रोबोट को सिखाने के लिए दो अलग-अलग तरीकों का परीक्षण किया। पहला तरीका एक सरल 'लुकअप टेबल' था, जो एक डिजिटल फाइलिंग कैबिनेट की तरह काम करता था। इसने अभ्यास सत्रों के दौरान रिकॉर्ड किए गए प्रत्येक आंदोलन और बल को संग्रहीत किया। एक नई स्थिति के लिए बल का अनुमान लगाने के लिए, कंप्यूटर ने बस अपने फाइलों में सबसे करीबी मिलान खोजा जो उसने पहले देखा था और उस बल की नकल की। दूसरा तरीका अधिक परिष्कृत था, जो एक सांख्यिकीय मॉडल (स्टैटिस्टिकल मॉडल) का उपयोग करता था जो चिकित्सक के व्यवहार के अंतर्निहित पैटर्न को समझता था। इस मॉडल ने केवल विशिष्ट उदाहरणों को याद नहीं किया; इसने यह समझा कि चिकित्सक का बल मरीज की बांह के विभिन्न स्थितियों में हिलने पर कैसे बदलता है, जिससे यह किसी भी अनदेखे कार्य के बदलाव के लिए एक बल प्रोफाइल तैयार कर सका।
टीम ने चौदह छात्र जोड़ों के डेटा का उपयोग करके दोनों तरीकों का मूल्यांकन किया। उन्होंने पाया कि जब रोबोट को प्रशिक्षण के दौरान देखे गए कार्य के किसी बदलाव को फिर से बनाने के लिए कहा गया, तो दोनों तरीके अच्छी तरह से काम कर रहे थे, जिसमें सरल लुकअप टेबल ने चिकित्सक के स्पर्श के सूक्ष्म विवरणों को पकड़ने में थोड़ा बेहतर प्रदर्शन किया। हालाँकि, असली परीक्षा तब आई जब रोबोट के सामने कार्य का एक पूरी तरह से नया रूपांतर आया, जैसे कि एक कप जिसे ऐसी दूरी पर रखा गया था जिसका सामना उसने पहले कभी नहीं किया था। इन अनदेखी स्थितियों में, सांख्यिकीय मॉडल श्रेष्ठ सिद्ध हुआ। यह लुकअप टेबल की तुलना में सही बल का अनुमान लगाने में बेहतर था, क्योंकि लुकअप टेबल संघर्ष कर रहा था क्योंकि वह अपनी संग्रहीत फाइलों में एक करीबी मिलान नहीं ढूंढ पा रहा था। दिलचस्प बात यह है कि शोधकर्ताओं ने पाया कि जैसे-जैसे कार्य अधिक जटिल होते गए, सांख्यिकीय मॉडल की सामान्यीकरण (जनरलाइजेशन) करने की क्षमता में सुधार हुआ, जिससे पता चलता है कि जितना अधिक जटिल आंदोलन होता है, रोबोट को उदाहरणों को याद करने के बजाय अंतर्निहित पैटर्न को समझने से उतना ही अधिक लाभ होता है।
इन सफलताओं के बावजूद, अध्ययन ने महत्वपूर्ण सीमाओं को भी रेखांकित किया। रोबोट के अनुमान पूर्ण नहीं थे; नई स्थितियों में, इसके द्वारा उत्पन्न बल कभी-कभी उस सीमा से थोड़ा बाहर निकल जाते थे जो एक मानव चिकित्सक आमतौर पर उपयोग करता है। शोधकर्ताओं ने यह भी नोट किया कि प्रयोग में छात्रों द्वारा मरीज की भूमिका निभाने पर निर्भरता थी, जिससे वास्तविक नैदानिक सेटिंग की तुलना में अधिक परिवर्तनशीलता आई होगी। इसके अलावा, सिस्टम का परीक्षण ऑफलाइन किया गया था, जिसका अर्थ है कि रोबोट ने अध्ययन के दौरान वास्तविक समय में मरीज के साथ भौतिक रूप से बातचीत नहीं की। लेखक सुझाव देते हैं कि हालांकि सांख्यिकीय मॉडल व्यक्तिगत चिकित्सा तकनीकों को सीखने में मदद करने के लिए आशाजनक है, लेकिन इस लर्निंग को वास्तविक रोबोटिक सिस्टम में एकीकृत करने के लिए और अधिक काम करने की आवश्यकता है जो मरीजों को रिकवरी के माध्यम से सुरक्षित रूप से मार्गदर्शन कर सकें। निष्कर्ष बताते हैं कि हालांकि रोबोट अभी तक पूरी तरह से मानवीय स्पर्श की जगह नहीं ले सकते हैं, लेकिन वे एक ऐसे भविष्य के करीब बढ़ रहे हैं जहाँ वे एक चिकित्सक के प्रदर्शन से सीख सकते हैं और उस ज्ञान को विभिन्न प्रकार के आंदोलनों का अभ्यास करने में मदद करने के लिए अनुकूलित कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।