تعتمد الأجهزة الطبية القابلة للارتداء — مثل مراقبات القلب، وأجهزة قياس الجلوكوز، وأجهزة تتبع إعادة التأهيل — على بطاريات قابلة لإعادة الشحن صغيرة. إذا تدهورت هذه البطاريات أسرع من المتوقع، قد يتوقف الجهاز عن العمل أثناء المراقبة، أو في حالات نادرة يسخن بشكل خطير. تستكشف هذه الورقة كيفية التنبؤ، قبل وقت طويل، بكيفية فقدان هذه البطاريات للسعة على مدار عمرها. يمكن أن تساعد التنبؤات الأكثر ذكاءً الأطباء والمهندسين والمرضى على الوثوق بأن الأجهزة الحيوية ستستمر في العمل عندما تكون الحاجة إليها في أقصى حد.
كيف تبلى بطاريات الأجهزة القابلة للارتداء بهدوء
في الاستخدام اليومي، تواجه البطارية داخل جهاز قابل للارتداء حياة لا يمكن التنبؤ بها: شحنات قصيرة، وشحنات طويلة، وانفجارات من الطاقة العالية عند تشغيل الراديو اللاسلكي، وفترات راحة. عبر مئات الدورات، يشكل هذا السجل مدى سرعة تقلص السعة القصوى للبطارية. يسمي المهندسون المنحنى الناتج مسار التدهور. غالباً ما تقدّر الأدوات الحالية فقط «وقت الوفاة» النهائي للبطارية — أي العمر المتبقي المفيد — دون وصف المسار الكامل للتراجع. لكن بالنسبة للأجهزة الطبية القابلة للارتداء، فإن معرفة مدى سرعة هبوط السعة خلال الأسابيع أو الأشهر المقبلة لا تقل أهمية عن معرفة النقطة النهائية، لأنها تحدد ما إذا كان الجهاز قادرًا على جمع البيانات وتنبيه مقدمي الرعاية بشكل موثوق.
لماذا التف预测 البسيط لا يكفي
التنبؤ بتراجع البطارية أصعب من رسم خط مستقيم بين «ممتلئ» و«فارغ». تظهر البطاريات الحقيقية سلوكًا معقدًا: قد تعاود السعة الارتفاع مؤقتًا بعد الراحة، أو تقفز عند نقاط انعطاف، أو تتدهور أسرع في المراحل المتأخرة من العمر. تعالج العديد من الطرق الحالية المعتمدة على البيانات ماضي البطارية كسلسلة زمنية بسيطة وتطلب من النموذج تكرار توقعات قصيرة الأجل مرارًا وتكرارًا حتى نهاية العمر. كل خطوة تدخل خطأ صغيرًا، وتتراكم هذه الأخطاء، خاصة عندما يكون الإشارة ضوضائية أو عندما يتغير سلوك البطارية فجأة. نتيجة لذلك، قد تنجرف النماذج التي تبدو دقيقة لبضعة دورات إلى أخطاء كبيرة عند طلب التنبؤ لأشهر مقبلة.
تفكيك الانجراف طويل الأجل والضوضاء قصيرة الأجل الشكل 1.
يقترح المؤلفون إطار تعلم عميق يعالج هذا التحدي عن طريق فصل الانجراف البطيء للشيخوخة عن التقلبات السريعة للاستخدام اليومي بشكل صريح. أولاً، يقوم فلتر متوسط متحرك بتنعيم كل جزء من سجل البطارية إلى مكون اتجاهي ومكون متبقي. يُغذى الاتجاه إلى شبكة عصبية متكررة مصممة لتتبع كيف تتطور السعة مع الزمن. أما المتبقي — تلك التقلبات الصغيرة صعودًا وهبوطًا — فيتعامل معه مسار ثانٍ يستخدم طبقة خطية بسيطة وآلية انتباه مدركة لترتيب الزمن، ليتمكن النموذج من التعرف على أنماط مثل التعافي المؤقت بعد الراحة. من خلال تكديس عدة من هذه الوحدات الثنائية المسار، تقوم الشبكة بتكرار تنقيح فهمها لما هو تقدم حقيقي في الشيخوخة وما هو مجرد ضوضاء.
تعليم النموذج على التفكير إلى الأمام مثل جهاز قابل للارتداء الشكل 2.
لجعل التوقعات واقعية على مدى طويل، تضيف الفريق خطوة تحسين «ذاتية الانحدار» (autoregressive). بعد أن يتم تدريب الشبكة أولاً على قطع قصيرة من بيانات البطارية، يُطلب منها بعد ذلك استخدام توقعاتها الخاصة كمدخلات جديدة ومواصلة التنبؤ أبعد في المستقبل، مثلما سيعمل الجهاز الحقيقي خلال التشغيل اليومي. تقارن آلية تصحيح هذه التنبؤات المتسلسلة بمنحنيات التدهور الحقيقية وتدفع النموذج لتقليل الانحياز الذي يتراكم عبر العديد من الخطوات. يشجع هذا الإجراء الشبكة على عدم الاكتفاء بملاءمة الماضي القريب، بل على تعلم أنماط تظل موثوقة عبر عشرات أو حتى مئات الدورات.
اختبار الأسلوب
يقيم المؤلفون إطارهم على ثلاث مجموعات بيانات معروفة لبطاريات ليثيوم‑أيون، كل واحدة تمثل مواد كاثود وسلوكيات شيخوخة مختلفة. تُظهر إحدى مجموعات البيانات تراجعًا سلسًا وغالبًا فوق‑خطّي؛ والأخرى تتضمن أحداث تعافي للسعة متكررة؛ والثالثة تجمع بين ضوضاء قوية وتغيرات حادة في الميل. تشبه هذه السيناريوهات البيانات المتنوعة وغير المثالية التي قد تولدها الأجهزة القابلة للارتداء في العالم الحقيقي. عبر مجموعة من إعدادات التنبؤ، يطابق نموذج التحلل الزمني العميق أو يتفوق باستمرار على عدة قواعد مرجعية قوية، بما في ذلك النماذج الخطية، والشبكات العصبية المتكررة، وشبكات الالتفاف الزمنية، والمحولات، ونهج هجين متقدم. على وجه الخصوص، يحافظ على أخطاء التنبؤ التربيعية المتوسطة عند مستويات تعادل تقريبًا خطأ نسبي بنحو 20% عبر الظروف، مع تتبع كل من الاتجاهات السلسة والانحناءات المفاجئة في منحنيات التدهور.
ماذا يعني هذا لأجهزة الرعاية الطبية القابلة للارتداء في المستقبل
لغير المتخصصين، الخلاصة الأساسية هي أن الدراسة تقدم «توقعًا جويًا» أكثر موثوقية لصحة البطاريات الصغيرة داخل الأجهزة الطبية القابلة للارتداء. من خلال فصل الشيخوخة الطويلة الأجل عن الاهتزازات قصيرة الأجل وتدريب النموذج على العمل بتوقعاته الخاصة، يمكن للطريقة التنبؤ متى ستنخفض سعة بطارية الجهاز تحت مستوى الأمان قبل حدوث ذلك بوقت كاف. على الرغم من أن العمل يستند إلى مجموعات بيانات مخبرية مسيطَر عليها وسيحتاج إلى مزيد من التحقق على بيانات مرضى حقيقية، إلا أنه يشير إلى أجهزة قابلة للارتداء قادرة على جدولة الصيانة بذكاء، وتنبيه الأطباء قبل فشل متعلق بالبطارية، وتقديم رعاية أكثر أمانًا واستمرارية.
الاستشهاد: Hu, Y., Liu, Y., Li, H. et al. Battery capacity degradation trajectory prediction for wearable medical devices with deep temporal decomposition.
Sci Rep16, 10383 (2026). https://doi.org/10.1038/s41598-026-39087-1
الكلمات المفتاحية: الأجهزة الطبية القابلة للارتداء, صحة البطارية, تدهور السعة, تنبؤ التعلم العميق, العمر المتبقي المفيد
