الذاكرة بالانتباه قصير/طويل المدى (LSTAM): نموذج مدمج للميزات العالمية لتنبؤ عزوم المفاصل المشتركة في إعادة تأهيل الإنسان

مساعدة أذكى لشفاء الحركة

عندما يتعلم شخص المشي مجدداً بعد إصابة أو جراحة، يحتاج الأطباء إلى معرفة مدى إجهاد كل مفصل في الساق. تقليدياً، كان ذلك يتطلب معدات مخبرية ضخمة وقياسات دقيقة، وهو ما يصعب استخدامه في الحياة اليومية. تقدم هذه الدراسة نموذجاً حاسوبياً جديداً يمكنه تقدير تلك القوى الخفية عند المفاصل باستخدام حسّاسات خفيفة تُرتدى على الجسم، مما يفتح الباب أمام إعادة تأهيل أكثر عملية وشخصية.

القوى الخفية داخل خطواتنا اليومية

في كل مرة نخطو فيها، تولّد الورك والركبة والكاحل قوى دورانية تُسمى عزوم المفاصل. هذه القوى حاسمة لفهم ما إذا كانت الحركة آمنة أو فعالة أو تشكل خطراً لإصابة مستقبلية. لكن قياس عزوم المفاصل مباشرة صعب؛ عادة ما تعتمد المختبرات على كاميرات التقاط الحركة، وألواح قوى مدمجة في الأرض، ونماذج جسم مفصّلة. هذا يجعل العملية مكلفة ومقيدة بمراكز البحث، رغم حاجة الأطباء ومصممي الأجهزة الماسة لهذه المعلومات لضبط الدعامات والهيكليات الخارجية والأطراف الصناعية.

الاستماع إلى العضلات بدلاً من الأرضية

لتجاوز هذا القيد، اتجه الباحثون إلى إشارات يمكن قياسها على الجلد. تسجل حسّاسات صغيرة النشاط الكهربائي للعضلات (EMG السطحي) وتتتبّع كيفية انثناء المفاصل مع الزمن. استخدمت طرق التعلم الآلي السابقة هذه الإشارات للتنبؤ بعزوم المفاصل بنجاح إلى حد ما، لكنها واجهت مشكلة أساسية: البيانات الخام مليئة بتقلبات قصيرة الأمد وضوضاء ناجمة عن حركة الحساسات وانتفاضات عابرة لا تعكس نمط الحركة العام. النماذج التي تطارد هذه التقلبات الصغيرة قد تغفل الاتجاهات الأكبر والأكثر معنى التي تصف سلوك الورك عبر خطوات متعددة.

طريقة جديدة لرؤية الصورة الكبيرة في إشارات صاخبة

يقترح المؤلفون نموذجاً يسمونه الذاكرة بالانتباه قصير/طويل المدى (LSTAM)، مصمماً للتركيز على البنية بعيدة المدى للحركة مع تهميش التفاصيل المشتتة. أولاً، بدلاً من العمل فقط بالإشارات الزمنية الأصلية، يحوّل النموذج هذه الإشارات إلى منظور ترددي باستخدام أداة رياضية تشبه تقسيم الصوت إلى نطاقات جهير وحادّة. في هذا الشكل، تبرز أنماط التنسيق العضلي المستقرة، بينما تصبح الانفجارات القصيرة للضوضاء أقل أهمية. بعد ذلك، يتعلم مُشفّر تلقائي—نوع من ضاغط ذكي مبني من طبقات عصبية بسيطة ومرشحات الالتفاف—تمثيلاً أنقى ومنخفض الأبعاد يحفظ الأنماط المهمة ويطمس الاهتزازات المحلية غير الضرورية.

ذاكرة وتركيز للأجسام المتحركة

بعد تنظيف الإشارات وضغطها، تُغذى المعلومات إلى شبكة ذاكرة قصيرة/طويلة المدى، وهي نوع من النماذج التكرارية الجيدة في تتبّع تطور الأشياء عبر الزمن. وفوق ذلك، يضيف المؤلفون آلية انتباه، تتيح للنموذج أن «ينظر أقوى» تلقائياً إلى اللحظات ومكوّنات التردد الأكثر معلوماتية—مثل مراحل مفتاحية في خطوة عندما تتبدّل العضلات بين التشغيل والإيقاف—ويقلل الانتباه إلى الفترات غير المهمة. معاً، تحول هذه المراحل آثار الحساسات الخام والصاخبة إلى وصف مضغوط لحركة الشخص مناسب تماماً لتنبؤ عزوم مفصل الورك.

اختبار النموذج

قَيّم الفريق LSTAM مستخدماً مجموعة بيانات عامة تضم أربعة عشر مشاركاً سليماً يمشون على جهاز المشي، وعلى أرض مستوية، وعلى منحدرات بسرعات مختلفة. لكل شخص، تم تدريب النموذج على بيانات جلسة واحدة على جهاز المشي ثم طُلِب منه توقع عزوم الورك في التجارب المتبقية. عبر المشاركين، أنتج LSTAM تنبؤات تتطابق باستمرار مع العزوم المحسوبة مختبرياً، مع أخطاء أصغر واتفاق أعلى من عدة بدائل متقدمة، بما في ذلك شبكات LSTM التقليدية، ونماذج الالتفاف الزمنية، والنهج الحديثة المعتمدة على المحولات (transformers). أجرى المؤلفون أيضاً اختبارات «الإزالة» (ablation)، بإسقاط قطع محددة مثل خطوة التردد أو المُشفّر التلقائي أو الانتباه. كل إزالة أدت إلى تدهور الأداء، مما يبيّن أن المكوّنات الثلاثة جميعها مهمة لالتقاط الأنماط العامة في هذه الإشارات البيولوجية.

ماذا قد يعني هذا لرعاية التأهيل

بعبارات بسيطة، تُظهر هذه الدراسة أنه من الممكن تقدير القوى غير المرئية عند الورك باستخدام حفنة من حسّاسات العضلات وزوايا المفاصل فقط، دون معدات مخبرية ثقيلة، وأن ذلك يمكن أن يتم بدقة أكبر بتعليم النموذج أن يركّز على الاتجاهات طويلة الأمد بدلاً من الضوضاء العابرة. يمكن أن يساعد مثل هذا الأدوات المعالجين على مراقبة التعافي، وضبط برامج التمارين، أو التحكم في أجهزة إعادة التأهيل الذكية مثل الهياكل الخارجية والأطراف الصناعية بحيث تتحرك بانسجام مع عضلات المريض. ورغم أن الدراسة ركزت على البالغين الأصحّاء ومهام المشي، يمكن أن يدعم النهج نفسه مستقبلاً أنشطة ومجموعات مرضى أكثر تعقيداً، مما يجعل تقييم الحركة عالي الجودة أكثر توفراً خارج مختبرات الحركة المتخصصة.

الاستشهاد: Xiong, B., Guo, Y., Lou, J. et al. Long short-term attention memory (LSTAM): a global-feature-integrated model for joint moment prediction in human rehabilitation. Sci Rep 16, 13835 (2026). https://doi.org/10.1038/s41598-026-42722-6

الكلمات المفتاحية: تخطيط كهربية العضلات, تحليل المشي, تكنولوجيا إعادة التأهيل, التعلّم العميق, أجهزة استشعار قابلة للارتداء