إطار تعلم ميتا لتوليد وإعادة بناء دورات المشي المخصصة بقليل من العينات

لماذا وكيفية مشينا مهمة

كل خطوة نخطوها تكشف أكثر مما قد نعتقد. طريقة مشي الشخص — مشيته — قد تشير إلى هويته وصحته ومزاجه وحتى مدى تعبه. ومع ذلك، فإن التقاط هذه الأنماط الدقيقة يتطلب عادة بيانات كثيرة وجلسات مخبرية طويلة. تقدم هذه الورقة MetaGait، طريقة جديدة مبنية على الذكاء الاصطناعي يمكنها تعلم أسلوب مشي فردي من عدد قليل من الأمثلة فقط، مما يجعل تحليل الحركة المخصصة والمساعدة العملية أكثر واقعية في العيادات والروبوتات والواقع الافتراضي.

من المشي العام إلى الخطوات الفردية

تُجيد النماذج الحاسوبية التقليدية للمشي تعلم الطريقة «المتوسطة» التي يتحرك بها الناس، لكنها تواجه صعوبة مع الخصائص المميزة التي تجعل كل واحد منا فريداً. الأنظمة السابقة كانت عادةً بحاجة إلى مجموعات بيانات كبيرة من كل شخص لتخصيص النموذج لأسلوبه الخاص، وهو ما يكلف الكثير من الوقت والمال. تتعامل MetaGait مع هذا التحدي باعتبار التخصيص نفسه مشكلة تعلم: بدلاً من تعلم كيفية مشي الناس فحسب، تتعلم كيف تتعلم مشية شخص جديد بسرعة، باستخدام عدد قليل جداً من الخطوات المسجلة.

التعلم لتتعلم من العديد من المشّائين

لتحقيق ذلك، يستخدم الباحثون استراتيجية تسمى التعلم الميتا، والتي توصف غالباً بأنها «التعلم للتعلم». يستعينون بقاعدة بيانات المشية البشرية، التي تحتوي على آلاف دورات المشي الملتقطة بواسطة مستشعرات حركة صغيرة مُثبتة على الساقين لأكثر من 200 شخص يمشون في ظروف مختلفة. تتدرّب MetaGait بشكل متكرر على مهام صغيرة مثل «التكيف مع الشخص A» أو «إعادة بناء مشية الشخص B من بيانات ضجيجية». لكل مهمة صغيرة، يحصل النظام على مجموعة دعم ضئيلة — بعض دورات المشي المسجلة — ليعدل إعداداته الداخلية، ثم يُختبر على دورات جديدة من نفس الشخص. عبر تكرار هذه المهام، تكتشف MetaGait نقطة بداية داخلية يمكن تعديلها بسرعة لتلائم فرداً جديداً باستخدام دورة إلى خمس دورات نموذجية فقط.

محرك ذكي للحركة الزمنية

في جوهر MetaGait يوجد شبكة التلافيف الزمنية، نوع من الشبكات العصبية المصممة للتعامل مع المتتاليات التي تتكشف عبر الزمن. تستقبل هذه الشبكة قراءات المستشعر — مثل التسارعات والدورانات من الأجهزة المثبتة على الساق — عبر 100 خطوة زمنية لكل خطوة. في وضع واحد، تُستخدم للتوليد: بالنظر إلى بضعة أمثلة نظيفة لشخص ما، تنتج دورة مشي جديدة وواقعية تطابق أسلوب ذلك الشخص. في وضع آخر، تُستخدم لإعادة البناء: مع إشارة مشية تالفة جزئياً أو مليئة بالضوضاء بالإضافة إلى بضعة أمثلة نظيفة، تستعيد الدورة الكاملة والنظيفة. خلال تدريب الميتا، تُعدل معلمات الشبكة في حلقات متداخلة بحيث يكون عدد قليل من خطوات الضبط الدقيقة على بيانات جديدة كافياً لتخصيصها لشخص جديد.

اختبار النظام ببيانات محدودة

يقيم الفريق MetaGait في سيناريوهات «قليلة اللقطات» الصارمة، حيث يرى النموذج دورة مشي واحدة أو خمس دورات فقط من شخص جديد قبل أن يُطلب منه توليد أو إعادة بناء المزيد. يقارنونه بقاعدتين أساسيتين شائعتين: تدريب نموذج من الصفر باستخدام تلك الأمثلة القليلة فقط، والتهيئة المسبقة لنموذج عام على مجموعة بيانات كبيرة ثم ضبطه لاحقاً. باستخدام مقاييس قياسية لدقة المتتاليات الحركية، تنتج MetaGait بشكل متسق أنماط مشية أكثر دقة وطبيعية من كلتا القاعدتين، سواء في التوليد أو في إعادة البناء. فهي لا تملأ المقاطع المفقودة وتزيل الضوضاء بشكل أفضل فحسب، بل تفعل ذلك مع الحفاظ على الأسلوب الفردي.

ماذا يعني هذا في الحياة اليومية

بالنسبة لغير المتخصصين، الخلاصة هي أن MetaGait تُظهر إمكانية بناء نماذج مشي مخصصة بكمية ضئيلة من بيانات كل شخص. قد يسرّع ذلك ملاءمة الهياكل الخارجية الروبوتية أو الأطراف الاصطناعية، ويساعد الأطباء في تقييم مشاكل المشي دون جلسات اختبار طويلة، ويمكن أن يمكّن الشخصيات الافتراضية من التحرك مثل مستخدميها البشر بعد معايرة قصيرة فقط. بينما يلزم عمل مستقبلي لجعل التدريب أكثر كفاءة وللاختبار في تطبيقات العالم الحقيقي، توضح هذه الدراسة مساراً واعداً نحو تحليل سريع ودقيق وشخصي للغاية لطريقة مشينا.

الاستشهاد: Yadav, R.K., Nandi, A., Sharma, D.A.K. et al. A meta learning framework for few shot personalized gait cycle generation and reconstruction. Sci Rep 16, 5506 (2026). https://doi.org/10.1038/s41598-026-35121-4

الكلمات المفتاحية: تحليل المشية, الحركة المخصصة, تعلم ميتا, أجهزة الاستشعار القابلة للارتداء, حركة الإنسان