SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition
यह शोध पत्र SmartADAPT-Net को प्रस्तुत करता है, जो एक हल्का न्यूरल फ्रेमवर्क है जो एक स्थिर जनसंख्या मॉडल को दो-चरणीय अनुकूलन रणनीति के साथ जोड़कर मुक्त-जीवन परिवेश में स्मार्टवॉच-आधारित गतिविधि पहचान को बढ़ाता है: एक तत्काल अवलोकन-सशर्त सुधार और उपयोगकर्ता-पुष्टि साक्ष्य पर आधारित एक प्रगतिशील वैयक्तिकरण, जो तैनाती-समय पुनर्रचना (रिट्रेनिंग) की आवश्यकता के बिना उच्च सटीकता प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://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
दैनिक जीवन छोटी, अक्सर दोहराव वाली गतिविधियों का एक क्रम है: दांतों को ब्रश करना, बर्तन धोना, रसोई तक जाना, या फर्श पर पोछा लगाना। डॉक्टरों और देखभाल करने वालों के लिए, इन "दैनिक जीवन की गतिविधियों" (activities of daily living) को ट्रैक करना अत्यंत महत्वपूर्ण है। किसी व्यक्ति की इन कार्यों को स्वतंत्र रूप से करने की क्षमता उनके स्वास्थ्य और सुरक्षा का एक प्राथमिक संकेतक है। पारंपरिक रूप से, इसे लोगों से यह याद करने के लिए पूछने या किसी नर्स द्वारा विशिष्ट समय पर उन्हें देखने पर निर्भर करता है। ये विधियाँ अपूर्ण हैं; मानव स्मृति त्रुटिपूर्ण है, और एक क्षणिक अवलोकन पूरे दिन की लय को पकड़ने में विफल रहता है। यह समझने के लिए कि कोई व्यक्ति वास्तव में कैसे कार्य कर रहा है, हमें एक ऐसा तरीका चाहिए जिससे हम बिना दखल दिए उन्हें निरंतर देख सकें। यहीं पर स्मार्टवॉच काम आती है। कलाई पर पहनी जाने वाली यह घड़ी सेंसर से लैस होती है जो गति के सूक्ष्म बदलावों को महसूस कर सकती है, जिससे किसी व्यक्ति की दैनिक दिनचर्या को समझने की एक संभावित खिड़की खुलती है। लेकिन इसमें एक पेंच है: एक कंप्यूटर प्रोग्राम जिसे एक शांत, नियंत्रित लैब में इन गतिविधियों को पहचानने के लिए प्रशिक्षित किया गया है, वह अक्सर तब विफल हो जाता है जब वही व्यक्ति अपने वास्तविक घर की अव्यवस्थित और अप्रत्याशित वास्तविकता में घड़ी पहनता है।
क्वीन मार्गरेट यूनिवर्सिटी और एडिनबर्ग नेपियर यूनिवर्सिटी के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने का प्रयास किया। उन्होंने यह सवाल उठाया कि क्या एक स्मार्टवॉच सिस्टम बिना पूरी तरह से दोबारा प्रशिक्षित हुए, उपयोग के दौरान ही किसी व्यक्ति की दैनिक गतिविधियों को पहचानना सीख सकता है। उन्होंने 'स्मार्टएडैप्ट-नेट' (SmartADAPT-Net) नामक एक प्रणाली विकसित की, जिसे दो अलग-अलग चरणों में काम करने के लिए डिज़ाइन किया गया है। पहला, यह एक सामान्य "जनसंख्या" मॉडल (एक सेट नियम जो कई अलग-अलग लोगों से लैब में सीखा गया है) का उपयोग करता है ताकि यह अनुमान लगाया जा सके कि कौन सी गतिविधि हो रही है। दूसरा, यह धीरे-धीरे उस विशिष्ट व्यक्ति से सीखता है जो इसे पहन रहा है, लेकिन केवल तभी जब वह व्यक्ति घड़ी के अनुमान की पुष्टि करता है या उसे सुधारता है। लक्ष्य यह देखना था कि क्या यह दो-चरणीय दृष्टिकोण एक लैब-प्रशिक्षित रोबोट और वास्तविक दुनिया में एक सहायक, व्यक्तिगत सहायक के बीच के अंतर को पाट सकता है।
शोधकर्ताओं ने एक सिम्युलेटेड होम वातावरण में अपने सिस्टम की नींव रखने से शुरुआत की। तीस स्वयंसेवकों ने छह सामान्य कार्य किए: दांतों को ब्रश करना, पोछा लगाना या वैक्यूम करना, सामान शेल्फ पर रखना, चलना, बर्तन धोना और चेहरा धोना। उन्होंने एप्पल वॉच पहनी थी जिसने उनकी कलाइयों की गति को रिकॉर्ड किया। टीम ने इस डेटा का उपयोग एक कंप्यूटर मॉडल को इन गतिविधियों के पैटर्न को पहचानने के लिए सिखाने हेतु किया। यह प्रारंभिक मॉडल "फ्रोजन" (frozen) था, जिसका अर्थ है कि इसका मुख्य मस्तिष्क स्थिर था और बाद में बदलेगा नहीं। हालांकि, शोधकर्ताओं ने इसमें समायोजन की एक चतुर परत जोड़ी जिसे "कॉम्प्लेक्सिटी-अवेयर मॉड्यूलेशन" (complexity-aware modulation) कहा गया। यह विशेषता देखती है कि कोई गतिविधि कितनी अराजक या अनियमित है। उदाहरण के लिए, चलना आमतौर पर लयबद्ध होता है, जबकि बर्तन धोना अधिक अनिश्चित हो सकता है। इस जटिलता को मापकर, सिस्टम उपयोगकर्ता को जानने से पहले ही अपने प्रारंभिक अनुमान में एक त्वरित, स्मार्ट समायोजन कर सकता था, जिससे इसकी सटीकता में सुधार हुआ।
असली परीक्षण तब आया जब उन्होंने इस प्रणाली को सत्रह लोगों के एक नए समूह के साथ उनके वास्तविक घरों में बीस दिनों के लिए तैनात किया। इन प्रतिभागियों ने घड़ी पहनी और जब भी वे छह लक्षित गतिविधियों में से कोई भी करते, तो उन्होंने रिकॉर्डिंग शुरू की। सिस्टम इन लोगों को पहले से नहीं जानता था। जब घड़ी कोई भविष्यवाणी करती, तो उपयोगकर्ता से पूछा जाता कि क्या वह सही है या सूची में से सही गतिविधि का चयन करें। यही फीडबैक (प्रतिपुष्टि) कुंजी थी। सिस्टम ने अपने मुख्य मस्तिष्क को फिर से प्रशिक्षित नहीं किया, क्योंकि यह घड़ी की बैटरी और प्रोसेसर के लिए बहुत भारी होता। इसके बजाय, इसने सरल "प्रोटोटाइप" (prototypes) संग्रहीत किए—जो उस विशिष्ट व्यक्ति की प्रत्येक गतिविधि के लिए उनकी गतिविधियों के संक्षिप्त सारांश थे। जैसे-जैसे उपयोगकर्ता ने गतिविधियों की पुष्टि की, सिस्टम ने धीरे-धीरे अपने अंतिम निर्णय को समायोजित किया, जिससे सामान्य जनसंख्या के ज्ञान और विशिष्ट उपयोगकर्ता की आदतों का मिश्रण हुआ।
परिणामों ने एक स्पष्ट और शक्तिशाली प्रगति दिखाई। जब सिस्टम केवल अपने प्रारंभिक, फ्रोजन मस्तिष्क पर निर्भर था, तो इसने लगभग 62 प्रतिशत बार गतिविधि को सही पहचाना। प्रयोगशाला के प्रदर्शन से यह गिरावट अपेक्षित थी, क्योंकि वास्तविक जीवन एक नियंत्रित प्रयोग की तुलना में अधिक अव्यवस्थित होता है। हालांकि, जैसे ही सिस्टम ने अपने कॉम्प्लेक्सिटी-अवेयर एडजस्टमेंट को लागू किया, सटीकता उछलकर 78 प्रतिशत हो गई। यह सुधार तुरंत हुआ, बिना किसी व्यक्तिगत डेटा के। जैसे-जैसे उपयोगकर्ताओं ने बीस दिनों तक अपनी गतिविधियों की पुष्टि की, सिस्टम का निजीकरण शुरू हुआ, और अंतिम सटीकता बढ़कर 89 प्रतिशत हो गई। इसका मतलब है कि एक स्मार्ट, तत्काल सुधार और एक धीमी, निरंतर सीखने की प्रक्रिया को जोड़कर, सिस्टम ने अपनी शुरुआती गलतियों से उबर लिया और अत्यधिक विश्वसनीय बन गया।
हर गतिविधि में महारत हासिल करना समान रूप से आसान नहीं था। चलने और पोछा लगाने को शुरुआत से ही उच्च सटीकता के साथ पहचाना गया। चेहरा धोने की क्रिया, हालांकि, सबसे कठिन बनी रही। बीस दिनों के निजीकरण के बाद भी, सिस्टम इस कार्य में संघर्ष करता रहा, जिसे केवल 79 प्रतिशत बार ही सही पहचान सका। शोधकर्ताओं ने पाया कि हालांकि सिस्टम कई शुरुआती त्रुटियों को ठीक कर सकता था, लेकिन चेहरा धोने और अन्य गतिविधियों के बीच भ्रम बना रहा। यह सुझाव देता है कि कलाई का सेंसर, जो हाथ की गति को ट्रैक करने में उत्कृष्ट है, कभी-कभी बहुत समान हाथों की क्रियाओं के बीच अंतर करने के लिए आवश्यक सूक्ष्म विवरणों की कमी रखता है। इसके बावजूद, सिस्टम ने सिद्ध किया कि वह बिना किसी बड़े डेटा या जटिल पुन: प्रशिक्षण प्रक्रिया के किसी उपयोगकर्ता से सीख सकता है।
अध्ययन ने यह भी पुष्टि की कि यह दृष्टिकोण रोजमर्रा के उपयोग के लिए व्यावहारिक है। पूरा सिस्टम, जिसमें उपयोगकर्ता की विशिष्ट आदतों को याद रखने के लिए आवश्यक मेमोरी शामिल है, बहुत कम जगह लेता है—लगभग एक छोटी फोटो फ़ाइल के आकार के बराबर। यह बहुत तेज़ी से चलता है, एक सेकंड के दसवें हिस्से से भी कम समय में निर्णय लेता है, और अतिरिक्त बैटरी ड्रेन न्यूनतम है, जो सक्रिय उपयोग के प्रति घंटे में लगभग 3.5 प्रतिशत बैटरी की खपत करता है। यह दक्षता महत्वपूर्ण है; एक ऐसा सिस्टम जो कुछ घंटों में घड़ी की बैटरी खत्म कर देता है, वह दीर्घकालिक स्वास्थ्य निगरानी के लिए बेकार है।
शोधकर्ता अपने निष्कर्षों की सीमाओं को नोट करने में सावधानी बरतते रहे। परीक्षण के लिए उपयोग किए गए "सही" उत्तर उपयोगकर्ताओं द्वारा ही दिए गए थे, जिन्होंने घड़ी के अनुमान को देखने के बाद पुष्टि की थी। इसका अर्थ है कि सिस्टम उपयोगकर्ता के अपने आत्मविश्वास या पूर्वाग्रह से प्रभावित हो सकता था, न कि एक स्वतंत्र पर्यवेक्षक से। इसके अतिरिक्त, अध्ययन ने पांच विशिष्ट गतिविधियों पर ध्यान केंद्रित किया जिन्हें उपयोगकर्ता ने मैन्युअल रूप से शुरू किया था, न कि एक ऐसे सिस्टम पर जो व्यक्ति को पूरे दिन देखता रहे और स्वचालित रूप से पता लगा ले कि वे क्या कर रहे हैं। सिस्टम ने उन छह गतिविधियों के अलावा किसी भी नए प्रकार की गतिविधियों को सीखने का प्रयास नहीं किया जिन्हें उसे सिखाया गया था।
तथापि, मुख्य खोज महत्वपूर्ण है। यह प्रदर्शित करता है कि एक पहनने योग्य उपकरण (wearable device) एक सामान्य मानवीय गति की समझ से शुरू हो सकता है और फिर सरल, मानव-इन-द-लूप फीडबैक के माध्यम से एक व्यक्ति की अनूठी शैली के अनुकूल हो सकता है। इसे हफ्तों के डेटा के लिए खाली स्लेट होने की आवश्यकता नहीं है, और न ही इसे एक कठोर, अपरिवर्तनीय कार्यक्रम होने की आवश्यकता है। तत्काल, स्मार्ट समायोजन को धीमी, व्यक्तिगत सीख से अलग करके, यह सिस्टम ऐसी स्मार्टवॉच की राह दिखाता है जो केवल सेंसर नहीं, बल्कि वास्तविक दुनिया में स्वास्थ्य की निगरानी के लिए वास्तव में अनुकूल साथी हैं। अध्ययन बताता है कि पहनने योग्य स्वास्थ्य निगरानी का भविष्य केवल कंप्यूटर को अलग-थलग रहकर स्मार्ट बनाने में नहीं है, बल्कि एक ऐसी साझेदारी बनाने में है जहाँ डिवाइस व्यक्ति से सीखता है, एक बार में एक पुष्ट गतिविधि के माध्यम से।
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।