إطار عمل CRNN مدعوم بالإنترنت للأشياء للتعرّف الآمن على الأنشطة باستخدام مجسات قابلة للارتداء في التربية البدنية

لماذا يهم تتبُّع اللياقة بشكل أذكى

يستخدم معظمنا اليوم أجهزة تعدّ خطواتنا، وتتابع معدل ضربات القلب، وتقدّر حتى نومنا. لكن وراء تلك الرسوم البيانية الودية تكمن مشكلة صعبة: كيف يمكن لساعة معصم أو قميص مزود بالمجسات أن يحدد بثقة ما إذا كنت تمشي، أو تركض بسرعة، أو تقود دراجة، أو تمارس لعبة؟ تستكشف هذه الورقة طريقة جديدة لقراءة تدفقات البيانات من هذه الأجهزة بحيث تتعرّف على الأنشطة البدنية بدقة أكبر، مع تركيز خاص على كيف يمكن أن يحسّن ذلك التربية البدنية والتدريب الرياضي.

من المتتبِّعات البسيطة إلى صفوف الرياضة المتصلة

تجاوزت الأجهزة القابلة للارتداء مقياس الخطوات البسيط منذ زمن. تقيس أجهزة اليوم الحركة في ثلاثة أبعاد، ودوران الجسم، واتجاه البوصلة، ودرجة حرارة الجلد، وسلوك القلب، وترسل كل هذا عبر إنترنت الأشياء إلى حواسيب قوية. في المدارس ومراكز التدريب، يعني ذلك أن المدربين والمعلمين قد يتمكنون، من حيث المبدأ، من مراقبة العديد من الطلاب في وقت واحد، وتتبع مدى مجهودهم وكيف يتحركون. ومع ذلك، لا تزال معظم الأنظمة الحالية تكافح مع بيانات العالم الحقيقي المشوشة وغالبًا ما تضع تسميات خاطئة للأنشطة المعقدة، مما يحد من فائدتها في التدريب الدقيق أو التقييم العادل أو الوقاية من الإصابات.

عين رقمية جديدة على الحركة

يقترح المؤلفون إطار عمل للتعرّف على الأنشطة يعامل بيانات الأجهزة القابلة للارتداء كأنماط مكانية وزمنية معًا. يبنون على تصميم ذكاء اصطناعي هجين يُعرف بالشبكة العصبية الالتفافية التتابعية (CRNN). يبحث جزء من هذا النموذج عن أشكال ذات معنى عبر قنوات المجسات في كل لحظة—كيف تتطابق إشارات مقياس التسارع والجيروسكوب ومعدل ضربات القلب معًا. بينما ينظر جزء آخر على طول المحور الزمني ليتعلم كيف تتطور هذه الأنماط خلال ثوانٍ بينما يتحرك الشخص. من خلال الجمع بين هذين المنظورين، يمكن للنظام تمييز أنشطة قد تبدو متشابهة لفترة وجيزة لكنها تختلف في طريقة تطورها، مثل المشي السريع مقابل الركض الخفيف.

كيف ترى المنظومة وتتعلم

في الإعداد المقترح، يرتدي الطلاب (أو، في هذه الدراسة، أشخاص ممثلون في مجموعة بيانات عامة) عدة مجسات على الجسم. تسجل هذه المجسات معدل ضربات القلب ودرجة حرارة الجسم والتسارع والدوران والاتجاه المغناطيسي بعشرات القياسات في الثانية. تُنقح التدفقات الخام لإزالة الأعطال، وتُنعّم لتقليل الضوضاء، وتُقاس بحيث لا يهيمن مجس واحد على النموذج. تُقسم البيانات بعد ذلك إلى نوافذ زمنية قصيرة، تُوسم كل منها بالنشاط الرئيسي الذي يحدث خلال تلك الفترة. تشكّل هذه النوافذ مواد تدريب لـ CRNN، الذي يكتشف تلقائيًا الخصائص المفيدة دون قواعد مصممة يدويًا، ويتعلم تدريجيًا ربط كل مقطع قصير من الإشارات بنشاط مثل المشي أو الجري أو ركوب الدراجة أو اللعب.

اختبار المدرب الرقمي

لتقييم ما إذا كان نهجهم يحسّن التعرّف حقًا، يختبر المؤلفون النموذج على مجموعة بيانات مجسات قابلة للارتداء متاحة علنًا استخدمها باحثون آخرون. يقارنون CRNN بمجموعة من البدائل، من طرق كلاسيكية مثل آلات الدعم الناقل والغابات العشوائية إلى نماذج التعلم العميق الحديثة التي تستخدم أنماطًا مكانية فقط (الشبكات الالتفافية) أو أنماطًا زمنية فقط (الشبكات التتابعية والمحولات). عبر مجموعة واسعة من المقاييس—الدقة الإجمالية، ومدى صحة اكتشاف الأنشطة الحقيقية، وندرة الإنذارات الكاذبة—يأتي CRNN في المقدمة. يتعرف بشكل صحيح على النشاط في أكثر من 98 بالمئة من عينات الاختبار، ويحافظ على أداء قوي لكل نوع نشاط، ويفعل ذلك دون وقت حساب مفرط، مما يجعله معقولًا للمراقبة شبه اللحظية.

ما يعنيه هذا للتمارين والتدريس اليومي

تشير الدراسة إلى أن نماذج الذكاء الاصطناعي المصممة بعناية يمكن أن تحول الأجهزة القابلة للارتداء العادية إلى مراقبين أكثر موثوقية لحركتنا. بالنسبة للتربية البدنية، قد يعني ذلك سجلات موضوعية ومستمرة عن كيفية مشاركة الطلاب، ومدى شدة تمارينهم، وكيف تتغير تقنياتهم مع مرور الوقت، كل ذلك بينما تُعالج البيانات بأمان عبر بنية إنترنت الأشياء. وبينما جاءت النتائج الحالية من مجموعات بيانات معيارية بدلاً من تجارب صفية مباشرة، فإنها تظهر أن الجمع بين التعلم المكاني والزمني وصفة قوية لفك رموز النشاط البشري. مع مزيد من الاختبار في مدارس ومراكز تدريب حقيقية، يمكن لمثل هذه الأنظمة أن تمنح المدربين والمعلمين مساعدًا رقميًا موثوقًا—يراقب بهدوء ويتعلم، ويقدّم رؤى مدفوعة بالبيانات لمساعدة الأشخاص على الحركة بشكل أفضل والحفاظ على صحتهم.

الاستشهاد: Yuan, J., Zhang, Y. & Chen, B. An IoT-enabled CRNN framework for secure wearable sensor-based activity recognition in physical education. Sci Rep 16, 11953 (2026). https://doi.org/10.1038/s41598-026-42082-1

الكلمات المفتاحية: التعرّف على الأنشطة القابلة للارتداء, إنترنت الأشياء, تقنية التربية البدنية, المجسات والتعلم العميق, مراقبة اللياقة الذكية