إطار إنترنت الأشياء لمراقبة سلامة النشاطات الرياضية بناءً على مستشعرات قابلة للارتداء وتحليل مكاني-زمني CRNN

لماذا تهم المعدات الرياضية الأذكى

أصبح ارتداء ساعة للياقة أو قميص مزود بمستشعرات جزءًا من التدريب اليومي، من العدائين الترفيهيين إلى الرياضيين المحترفين. لكن هذه الأجهزة لم تعد تقتصر على عد الخطوات—فهي قادرة على الكشف عن الحركات الخطرة، التحذير من الإجهاد المفرط، وجمع بيانات صحية شخصية جدًا بهدوء. تصف هذه الورقة طريقة جديدة لبناء مثل هذه الأنظمة بحيث تكون ليس فقط أكثر دقة في فهم ما يفعله جسمك، بل سريعة بما يكفي للتفاعل في الوقت الحقيقي وحريصة بما يكفي لحماية خصوصيتك.

من حركات الجسم إلى إشارات ذات معنى

في صميم الدراسة إطار عمل كامل يتتبع بيانات الحركة من الجسم وصولاً إلى الرؤى السحابية. تحتوي وحدات قابلة للارتداء صغيرة على المعصم والخصر على مستشعرات حركة ومستشعر لمعدل ضربات القلب. تلتقط هذه الأجهزة كيفية تحرك الأطراف ومدى جهد القلب أثناء أنشطة مثل الجري، القفز، القرفصاء، أو التمدد. قبل دخول المعالجات الرياضية، تُنظف البيانات الخام لإزالة الضوضاء وتُقسّم إلى نوافذ زمنية قصيرة متداخلة بحيث يحتوي كل مقطع على دورة حركة كاملة بدلًا من شظية عديمة المعنى.

كيف يتعلم النظام حركاتك

لتحويل إشارات المستشعرات إلى فهم لما تقوم به من نشاط، يستخدم المؤلفون نوعًا من نماذج التعلم العميق يجمع قوتين: جزء يتفوق في رصد الأنماط في البُعد المكاني، والآخر جيد في تتبع التغيرات عبر الزمن. تعمل طبقات الالتفاف كماسحات نمطية على طول محور الزمن، تلتقط الأشكال المتكررة في الإشارات التي تميّز، على سبيل المثال، إيقاع الجري مقابل التأثير الحاد للقفز. ثم تتدفق هذه الميزات إلى شبكة ذات ذاكرة تلتقط كيف تتكشف الحركات ثانيةً بعد ثانية. علاوة على ذلك، يعمل آلية الانتباه ككشاف ضوئي، مركّزة تلقائيًا النموذج على اللحظات الأكثر معلوماتية—مثل ملامسة القدم للأرض ودفع الدفع أثناء الخطوة—مع تقليل أهمية الأجزاء الأقل فائدة من الحركة.

جعل النماذج القوية تناسب الأجهزة الصغيرة

عادة ما تعيش الشبكات العصبية الكبيرة على خوادم قوية، لكن الأجهزة القابلة للارتداء الرياضية تحتوي على معالجات صغيرة وعمر بطارية محدود. لسد هذه الفجوة، يقصر الباحثون نموذجهم مع محاولة الحفاظ على «قوته الحسابية». يقللون دقة القيم الرقمية داخل النموذج بحيث يستخدم كل وزن عددًا أقل من البتات، ما يخفض الذاكرة والحساب. في الوقت نفسه، يدربون نموذجًا أصغر «طالب» ليقلد نموذجًا أكبر «معلم»، محافظين بذلك على جزء كبير من مهارته في تمييز الأنشطة. معًا، تقلل هذه الحيل عدد المعاملات من 2.34 مليون إلى 0.58 مليون وتجعل من الممكن تشغيل كل خطوة تعرف على جهاز متحكم دقيق منخفض الطاقة في حوالي 47 مللي ثانية—سريع بما يكفي لمواكبة الحركة في العالم الحقيقي.

حماية بيانات الرياضة الحساسة

لأنّ تدفقات الحركة ومعدل القلب يمكن أن تكشف عن الروتين اليومي، مستوى اللياقة، والحالة الصحية، ينسج الإطار الأمان منذ لحظة مغادرة البيانات للجسم. قبل أن تنتقل المعلومات عبر الواي فاي أو 4G أو البلوتوث، تُشفّر بطريقة مستخدمة على نطاق واسع وتُعلّم ببصمة رقمية تتيح للمستلم التأكد من عدم تغييرها. تُظهر الاختبارات أن هذا القناة الآمنة تضيف فقط بضع عشرات من المللي ثانية كزمن تأخير وتزيد استهلاك الطاقة بحوالي 12 بالمئة، بينما تظل تدعم معدلات بيانات عالية وإرسالًا موثوقًا. كما يقارن المؤلفون هذا النهج بأساليب خصوصية أكثر تقدمًا تضيف ضوضاء إلى البيانات أو تحتفظ بالتدريب على الأجهزة، مشيرين إلى أن هذه يمكن أن تحمي المستخدمين أكثر لكنها غالبًا ما تقلل الدقة أو تتطلب عرض نطاق أكبر.

مدى فعاليته في الواقع العملي

يقيم الفريق نظامهم على ثلاث مجموعات بيانات عامة معروفة للنشاطات اليومية وعلى مجموعة بيانات جديدة مركزة على الرياضة جمعوها من 45 رياضيًا يقومون بتمارين شائعة. عبر المجموعات الأربع، يحدد الإطار الأنشطة بدقة تقارب 96 بالمئة—أفضل من أسس التعلم العميق التقليدية التي تستخدم نوعًا واحدًا من الشبكات أو لا تتضمن الانتباه. في اختبارات ميدانية على مدار أسبوعين من التدريب، يحافظ النظام العامل على دقة تزيد عن 94 بالمئة، حتى عند مواجهة انتقالات فوضوية في العالم الحقيقي بين الحركات وتباينات في طريقة ارتداء الأشخاص لأجهزتهم. تبقى أوقات الاستجابة، من الاستشعار إلى القرار النهائي، في الغالب أقل من عشر ثانية واحدة، وهو ما يناسب التغذية الراجعة الحية ومراقبة السلامة.

ماذا يعني هذا للرياضيين اليوميين

بعبارة بسيطة، تُظهر هذه الدراسة كيف يمكن للأجهزة الرياضية المستقبلية أن تكون أكثر ذكاءً وأكثر أمانًا. من خلال حشر نموذج تعلّم مبسط لكنه قادر في الجهاز نفسه، يمكن للنظام بسرعة التعرف على ما تفعله والتمييز بين تمارين متشابهة، مما يفتح الباب لتدريب أكثر دقة وتحذيرات مبكرة حول التقنية الخطرة. في الوقت نفسه، من خلال تشفير البيانات من الطرف إلى الطرف والموازنة بعناية متى تُستخدم أدوات خصوصية أقوى في السحابة، يساعد ذلك في إبقاء سجلات تفصيلية لحركاتك ونشاط قلبك بعيدًا عن الأيادي الخاطئة. بينما يشير المؤلفون إلى أن هناك حاجة لمزيد من أنواع التمارين، وشخصنة أفضل، وحماية أقوى لتحليل البيانات على نطاق واسع، يمثل إطارهم خطوة متينة نحو رفقاء رياضيين مدعومين بالذكاء الاصطناعي يراقبون الأداء والسلامة دون التضحية بالخصوصية.

الاستشهاد: Zhang, SZ., Yang, HZ. & Gao, Y. IoT framework for sports activity safety monitoring based on wearable sensors and CRNN spatiotemporal analysis. Sci Rep 16, 11441 (2026). https://doi.org/10.1038/s41598-026-41195-x

الكلمات المفتاحية: مستشعرات قابلة للارتداء, مراقبة الرياضة, الذكاء الاصطناعي على الحافة, التعرّف على النشاط, خصوصية البيانات