مجموعة بيانات شاملة لوحدة القياس بالقصور الذاتي لتقييم تخطيطات المستشعرات في التعرف على الأنشطة البشرية وكثافتها

لماذا يهتم جهاز تتبع اللياقة بمكان ارتدائه

تعد الساعات الرياضية وحسابات الخطوات بتتبع كل شيء من مشيتك اليومية إلى تمرينك في الصالة الرياضية. لكن تحت تلك الأشرطة الأنيقة تكمن مسألة تصميم مفاجِئة التعقيد: أين على الجسم نضع المستشعرات حتى تلتقط حركة كافية دون أن تحولنا إلى روبوتات موصولة بأسلاك؟ تقدم هذه الدراسة مجموعة بيانات غنية جديدة تساعد العلماء على الإجابة عن ذلك بالضبط، موضحة كيف يمكن لتخطيطات القابلات المختلفة أن تقرأ ما نفعله ومدى شدة مجهودنا.

العديد من المتتبعات ونقطة عمياء كبيرة واحدة

التعرف على الأنشطة البشرية هي التكنولوجيا التي تتيح للأجهزة استنتاج ما إذا كنت جالسًا، تمشي، تركض، أو تقود دراجة بناءً على بيانات الحركة. يمكن للكاميرات فعل ذلك أيضًا، لكن المستشعرات الملبوسة على الجسم أفضل للاستخدام طويل المدى الذي يحافظ على الخصوصية في البيوت والعيادات والحياة اليومية. معظم مجموعات البيانات الحالية لهذا المجال، مع ذلك، تضع عددًا قليلاً فقط من المستشعرات على أجزاء محددة من الجسم — مثل الهاتف في الجيب أو سوار واحد على المعصم. تلك الرؤية المحدودة تصعّب دراسة مفاضلة مهمة: كم عدد المستشعرات وأين يجب وضعها فعلاً للتعرف بدقة على الأنشطة وشدتها مع الحفاظ على الراحة وسهولة الاستخدام؟

بناء خريطة حركة كاملة للجسم

لسد هذه الفجوة، جمع الباحثون بيانات حركة من 30 شابًا بالغًا سليمًا أثناء أدائهم 12 نشاطًا شائعًا، بما في ذلك الاستلقاء، الجلوس، الوقوف، عدة سرعات مشي، صعود السلالم، ركوب الدراجة، الجري، القفز، والتجديف. ارتدى كل شخص 17 وحدة حركة صغيرة موزعة من الرأس إلى القدمين: على الرأس، الظهر العلوي، الظهر السفلي، الكتفين، الذراعين، المعصمين، الفخذين، الساقين، والقدمين. سجلت هذه الوحدات كيفية تحرك كل مقطع من الجسم في ثلاثة أبعاد، بمعدل 60 عينة في الثانية، في نظام إحداثيات عالمي موحّد. كما دون الفريق قياسات جسمية أساسية، مثل الطول وطول الأطراف، ووضعوا تسميات دقيقة لكل من نوع النشاط ومستوى الجهد، من الجلوس إلى الشديد، استنادًا إلى جداول قياسية لاستهلاك الطاقة.

من الحركة الخام إلى أنماط قابلة للاكتشاف

بمجرد جمع البيانات، قُطعت الإشارات إلى نوافذ زمنية قصيرة متداخلة تتراوح من نصف ثانية إلى 10 ثوانٍ. بالنسبة لنماذج التعلم الآلي التقليدية، استخلص الفريق من كل نافذة مجموعات من الميزات المصمَّمة يدويًا التي تصف سلوك الإشارات عبر الزمن والتردد، مثل المتوسطات، والتباين، والإيقاعات المهيمنة. ثم درّبوا أربعة نماذج مستخدمة على نطاق واسع — نهجان كلاسيكيان وشبكتان عميقتان — على مهمتين: التمييز بين الأنشطة الاثني عشر، وتجميعها في أربعة مستويات جهد. تم إجراء كل التدريب والاختبار بطريقة تعتمد على الأفراد: ظهرت بيانات كل شخص في دور واحد فقط، مما يضمن أن النماذج تتعلّم أنماطًا عامة فعلية بدلاً من حفظ أسلوب حركة فرد معين.

ما يهم حقًا: الزمن والمكان

تُظهر النتائج أنه مع ميزات مختارة بعناية، يمكن للنماذج الكلاسيكية التعرف على الأنشطة بدقة تقريبية تبلغ 96–97% ومستويات الجهد بدقة أعلى حتى. تعمل نماذج التعلم العميق المدربة مباشرة على الإشارات الخام بأداء يقارب ذلك، خاصة في النوافذ الزمنية الأقصر. عبر جميع الأساليب، تشكّل النوافذ ذات الطول حوالي 2–5 ثوانٍ أفضل توازن بين الاستجابة السريعة والتصنيف الموثوق: أطول بما يكفي لالتقاط إيقاع المشي أو التجديف، وقصيرة بما يكفي لتكون مفيدة في التغذية الراجعة في الوقت الحقيقي. عند النظر إلى أماكن وضع المستشعرات، تبدو النتائج لافتة. غالبًا ما يضاهي تخطيط مركز على الجزء السفلي من الجسم — الورك، الفخذين، الساقين، والقدمين — أداء التغطية كاملة الجسم أو يتفوق عليها، لا سيما في تقييم الشدة. لا يزال إعداد بسيط بثلاثة مستشعرات على أسفل الظهر والفخذ والساق يتجاوز دقة 90%، بينما تؤدي إعدادات المستشعر الأحادي، وخاصة على المعصم، أداءً أسوأ بشكل ملحوظ.

تصميم أجهزة قابلة للارتداء أذكى وأكثر اقتصادًا

تشير مجموعة البيانات الجديدة هذه إلى أن المزيد من المستشعرات ليس دائمًا أفضل: لحركات الحياة اليومية التي تهيمن عليها الساقان، يمكن لعناق مركّز ومختار بعناية من المستشعرات أن ينافس أنظمة أعقد بكثير. يمكن أن توجه هذه الرؤية تصميم أجهزة قابلة للارتداء أخف وزنًا وأرخص وأسهل في الاستخدام، ومع ذلك قادرة على تتبع ما يفعله الناس ومدى جهدهم بصورة موثوقة. من خلال إتاحة مجموعة البيانات الكاملة والشيفرة علنًا، يوفر المؤلفون بيئة اختبار لتقويم تخطيطات المستشعرات، واستكشاف خوارزميات جديدة، وفي نهاية المطاف توسيع هذه الأدوات لتشمل كبار السن والمرضى وبيئات العالم الحقيقي الأكثر تنوعًا.

الاستشهاد: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

الكلمات المفتاحية: أجهزة الاستشعار القابلة للارتداء, التعرف على الأنشطة البشرية, وحدات القياس بالقصور الذاتي, موضع المستشعر, شدة النشاط البدني