اگه کسی دور و برت سکته مغزی کرده باشه، میدونی که یکی از بزرگترین چالشها برای این افراد، حرکت دادن درست دست و بازوشونه. معمولاً تمرکز توانبخشی هم روی اینه که دست آسیبدیدهشون (که بهش دست پارِتیک میگن، یعنی دستی که دچار ضعف حرکتی شده) رو دوباره بتونن توی کارهای روزمره استفاده کنن. ولی یه مشکل اساسی هست: واقعاً چطور بفهمیم این تمرینها یا درمانها اثربخش بودن یا نه؟
معمولاً یا دکترها خودشون حرکت دست رو بررسی میکنن، یا خودِ مریضها گزارش میدن چقدر دستشون رو استفاده میکنن. ولی خب، این دوتا روش خیلی دقیق نیست. چون ممکنه مریض تو خونه یا اجتماع (یعنی بیرون از بیمارستان) یه جور دیگه دستش رو استفاده کنه و اصلاً به دکتر چیزی نگه یا حتی خودش هم متوجه نشه زیاد! پس واضح بود که باید یه راهِ بهتر و دقیقتر پیدا کرد.
اینجا بود که نویسندههای این تحقیق باهوش دست به کار شدن. اومدن از یه تکنولوژی جالب استفاده کردن: مچبندهایی که بهشون میگن accelerometer (یا شتابسنج). این دستگاهها حرکات مچ رو ثبت میکنن و کلی داده خام درباره حرکت دست جمع میکنن. اما خب، با این حجم داده چی کار میشه کرد؟
اینجا یه موضوع جدید میاد: هوش مصنوعی و مدلهای یادگیری عمیق! یادگیری عمیق، یا همون Deep Learning، یکی از شاخههای هوش مصنوعی هست که توش مدلها (مثل شبکههای عصبی) خودشون الگو رو تو داده پیدا میکنن. تو این کار خاص، دانشمندا از مدلهای «شبکه عصبی کانولوشنی» یا CNN استفاده کردن. CNN همون مدلیه که تو تشخیص تصویر یا صدا فوقالعادهس، اما اینجا واسه تحلیل حرکت دست کاربرد پیدا کرده. باز CNN چیه؟ ساده بگم: مدلهایی که میتونن توی دادههای پیچیده، الگوهای تکراری پیدا کنن.
دو جور مدل ساختن: یک، «مدل درون فردی»، یعنی فقط داده حرکت دستِ هر نفر رو به خودش آموزش دادن؛ و دو، «مدل بین فردی»، یعنی مدل رو با دادههای همه افراد آموزش دادن تا برای همه جواب بده. جالبه بدونی مدل اول (درون فردی) تونست عملکرد خیلی خوب نشون بده و با دقت حدود ۹۰ درصد درست تشخیص بده حرکات کاربردی دست رو؛ اون یکی مدل (بین فردی) دقتش شد حدود ۷۹ درصد. حالا اگه حرکات هر دو دست (دست مشکلدار و دست سالم) با هم به مدل بدی، این «مدل بین فردی» تا ۸۸ درصد هم دقتش میره بالا! خلاصه، خیلی بهتر از مدلهای قبلی کار میکنه.
یه نکته خیلی جذاب اینه که این سیستم مستقیماً با داده خام مچبند کار میکنه. یعنی دیگه نیاز نیست قبلش یکی بیاد با دست خودش از دادهها ویژگی جدا کنه (کاری که تو روشهای سنتی با ماشین لرنینگ انجام میدادن). یعنی کار آسونتر، سریعتر، و ارزونتره.
جمعبندی اینکه این روش میتونه یکی از بهترین راهها برای پیگیریِ واقعیِ عملکرد دست بیماران سکته مغزی توی دنیای واقعی (خونه، بیرون، مهمونی، هرجا) باشه. چون ارزونه، قابل تنظیمه، و اطلاعات دقیقی میده که میتونه حتی به شخصیسازی فیزیوتراپی برای هر نفر کمک کنه. خلاصه، هوش مصنوعی کمکم داره کمک میکنه بتونیم خیلی بهتر، سریعتر و دقیقتر بیماران رو همراهی کنیم!
منبع: +
