Synthesizing Physiological Stress Facial Expressions for Medical Simulation Mannequins Using AI-Driven Facial Action Units

चिकित्सा प्रशिक्षण की उच्च-दांव वाली दुनिया में, यथार्थवाद वह अंतर है जो एक छात्र को केवल चरणों को याद करने वाले व्यक्ति से बदलकर एक प्रक्रिया सीखने वाले व्यक्ति में बदल देता है। दशकों से, सिमुलेशन (अनुकरण) ने उन पुतलों (मैनेक्विन) पर भरोसा किया है जो सांस ले सकते हैं, रक्त बहा सकते हैं या स्पर्श पर प्रतिक्रिया दे सकते हैं, लेकिन इन मॉडलों में अक्सर एक महत्वपूर्ण मानवीय तत्व की कमी रही है: चेहरा। जब कोई रोगी दर्द में होता है, उसका दम घुट रहा होता है, या उसे सांस लेने में कठिनाई हो रही होती है, तो उसके चेहरे के भाव देखभाल करने वाले को तत्काल, महत्वपूर्ण संकेत प्रदान करते हैं। एक सिकुड़ी हुई भौंह, एक कसा हुआ जबड़ा, या एक हांफता हुआ मुंह एक ऐसी कहानी बताता है जो एक सपाट, स्थिर प्लास्टिक का चेहरा नहीं बता सकता। हालांकि आधुनिक सिम्युलेटर वर्चुअल रियलिटी और हैप्टिक फीडबैक को शामिल करके परिष्कृत हो गए हैं, वे संकट के दौरान रोगी के भावों के गतिशील, अनैच्छिक बदलावों को पकड़ने में काफी हद तक विफल रहे हैं। यह अंतराल प्रशिक्षुओं को उस पूर्ण संवेदी अनुभव से वंचित कर देता है जो वास्तविक स्थितिजन्य जागरूकता विकसित करने के लिए आवश्यक है।

इस अंतर को पाटने के लिए, शोधकर्ताओं ने एक ऐसी प्रणाली की ओर रुख किया जिसे मूल रूप से मानवीय भावनाओं को डिकोड करने के लिए डिज़ाइन किया गया था: 'फेशियल एक्शन कोडिंग सिस्टम' (चेहरे की क्रिया कोडिंग प्रणाली)। यह ढांचा हर दृश्य चेहरे की हरकत को सूक्ष्म, विशिष्ट मांसपेशी क्रियाओं में तोड़ देता है, जिससे किसी भी अभिव्यक्ति को इन निर्माण खंडों के संयोजन के रूप में वर्णित करना संभव हो जाता है। चेहरे को एक एकल निश्चित मुखौटे के बजाय स्वतंत्र मांसपेशी समूहों के संग्रह के रूप में मानकर, दर्द या संकट जैसी जटिल अवस्थाओं को गणितीय सटीकता के साथ पुन: उत्पन्न करना संभव हो जाता है। लक्ष्य केवल पुतले को यथार्थवादी बनाना नहीं है, बल्कि इसे वास्तविक समय में प्रतिक्रिया करने के योग्य बनाना है, जो भौतिक सेंसर या वीडियो रिकॉर्डिंग को रोगी के संकट के एक जीवंत, सांस लेते हुए प्रदर्शन में बदल सके जिसे एक छात्र पढ़ सके और जिस पर प्रतिक्रिया दे सके।

एक टीम ने, इंडोनेशिया के शोधकर्ताओं ने, चिकित्सा पुतलों में इस गतिशील यथार्थवाद को लाने के लिए एक नई विधि विकसित की है, जो आर्टिफिशियल इंटेलिजेंस का उपयोग करके शारीरिक तनाव के चेहरे के भावों को संश्लेषित (synthesize) करती है। उनका कार्य तीन महत्वपूर्ण अवस्थाओं पर केंद्रित है: दर्द, दम घुटना और खांसना। ये स्थिर चित्र नहीं हैं बल्कि तरल एनिमेशन हैं जो रोगी की स्थिति के साथ बदलते हैं। शोधकर्ताओं ने इसे प्राप्त करने के लिए एक दोहरी-पथ प्रणाली बनाई। दर्द के लिए, वे स्थापित शोध पर आधारित एक गणितीय मॉडल पर निर्भर थे। जब पुतले के सिम्युलेटेड गले में लगा एक बल सेंसर (force sensor) दबाव का पता लगाता है—जो मेडिकल ट्यूब डालने की संवेदना की नकल करता है—तो सिस्टम उस दबाव की तीव्रता की गणना करता है। इसके बाद, यह इस संख्या को चेहरे की मांसपेशियों की गतिविधियों के एक विशिष्ट सेट में बदल देता है। जैसे-जैसे दबाव बढ़ता है, पुतले की भौहें नीचे झुकती हैं, गाल ऊपर उठते हैं, और होंठ कस जाते हैं, जो बेचैनी के स्तर के अनुरूप एक क्रमिक, यथार्थवादी ग्रिमस (grimace) बनाता है।

दम घुटने और खांसने की अधिक अराजक और परिवर्तनशील अभिव्यक्तियों के लिए, एक अलग दृष्टिकोण आवश्यक था। चूंकि ये प्रतिक्रियाएं व्यक्ति दर व्यक्ति बहुत भिन्न होती हैं और किसी एक अनुमानित सूत्र का पालन नहीं करती हैं, इसलिए शोधकर्ताओं ने वीडियो का सहारा लिया। उन्होंने इन विशिष्ट संकट संकेतों को प्रदर्शित करने वाले एक स्वयंसेवक का वीडियो रिकॉर्ड किया और फुटेज का विश्लेषण करने के लिए एक ओपन-सोर्स कंप्यूटर विजन टूल का उपयोग किया। इस सॉफ्टवेयर ने स्वयंसेवक के चेहरे की गति को ट्रैक किया, प्रत्येक फ्रेम में प्रत्येक मांसपेशी की क्रिया की तीव्रता की पहचान की। इन डिजिटल मापों को सीधे मानव सिर के 3D मॉडल पर मैप किया गया। परिणाम एक कंप्यूटर-जनित चेहरा था जो मानव चेहरों को नियंत्रित करने वाले समान मांसपेशी डेटा द्वारा संचालित होकर, रिकॉर्ड किए गए दम घुटने या खांसने के सटीक समय और तीव्रता की नकल कर सकता था।

यह परीक्षण करने के लिए कि क्या ये संश्लेषित अभिव्यक्तियाँ वास्तव में काम करती हैं, टीम ने सोलह नर्सिंग छात्रों के साथ एक अध्ययन किया। छात्रों ने विभिन्न स्थितियों के तहत पुतले को विभिन्न अवस्थाओं में देखा: कुछ ध्वनि के साथ, कुछ बिना ध्वनि के, और कुछ स्थिर चेहरे के साथ जबकि अन्य गतिशील एनिमेशन के साथ। परिणामों ने एक आश्चर्यजनक अंतर्दृष्टि प्रदान की कि मनुष्य चिकित्सा संकेतों को कैसे संसाधित करते हैं। छात्र रोगी की स्थिति को पहचानने में सबसे अधिक सफल रहे जब उन्होंने बिना किसी ध्वनि के गतिशील चेहरे के एनिमेशन को देखा। इस शांत, केवल दृश्य वाले परिदृश्य में, लगभग सत्तर प्रतिशत छात्र सही ढंग से अवस्था की पहचान करने में सफल रहे। हालांकि, जब गतिशील एनिमेशन के साथ ध्वनि जोड़ी गई, तो सफलता दर गिरकर रैंडम गेसिंग (यादृच्छिक अनुमान) के स्तर से भी नीचे आ गई।

शोधकर्ताओं ने पाया कि ऑडियो संकेत अक्सर दृश्य गतिविधियों के साथ तालमेल में नहीं थे। जब खांसने या हांफने की आवाज चेहरे की अभिव्यक्ति के समय के साथ पूरी तरह से मेल नहीं खाती थी, तो इसने पर्यवेक्षकों को भ्रमित कर दिया, जिससे संकट को पहचानना कठिन हो गया। यह सुझाव देता है कि चिकित्सा सिमुलेशन में, दृश्य स्पष्टता सर्वोतम है; एक खराब तरीके से सिंक्रनाइज़ की गई ध्वनि वास्तव में सीखने के अनुभव को बेहतर बनाने के बजाय उसे कम कर सकती है। अध्ययन ने यह भी प्रकट किया कि हालांकि सिस्टम दर्द और दम घुटने के बीच स्पष्ट अंतर कर सकता था, लेकिन इन दोनों अवस्थाओं में समान चेहरे की विशेषताएं इतनी अधिक थीं कि कुछ छात्रों ने अभी भी उनमें भ्रमित किया, जो उन्नत तकनीक के बावजूद मानवीय संकट को पढ़ने की जटिलता को उजागर करता है।

इस कार्य का महत्व इसकी सुलभता और लचीलेपन में निहित है। पूरा सिस्टम ओपन-सोर्स सॉफ्टवेयर और कम लागत वाले हार्डवेयर पर बना है, जिसका अर्थ है कि इसे कार्य करने के लिए महंगे मालिकाना उपकरणों की आवश्यकता नहीं है। यह मेडिकल स्कूलों को अपने प्रशिक्षण सिम्युलेटर को गतिशील, प्रतिक्रियाशील चेहरों के साथ अपग्रेड करने का एक तरीका प्रदान करता है जो छात्र के विशिष्ट कार्यों के प्रति प्रतिक्रिया करते हैं। यह सिद्ध करके कि ये AI-संचालित अभिव्यक्तियाँ पहचानने योग्य हैं और दृश्य स्पष्टता अपूर्ण सिंक्रनाइज़ेशन के मामले में ऑडियो से बेहतर है, यह अध्ययन अधिक इमर्सिव और प्रभावी चिकित्सा प्रशिक्षण वातावरण बनाने के लिए एक स्पष्ट मार्ग प्रदान करता है। यह तकनीक मानवीय निर्णय की आवश्यकता को प्रतिस्थापित नहीं करती है, बल्कि यह एक अधिक सत्यनिष्ठ कैनवास प्रदान करती है जिस पर उस निर्णय का अभ्यास किया जा सकता है।