تصنيف الساقطين وغير الساقطين لدى كبار السن باستخدام إشارة IMU الكهربائية لتحليل المشي والتعلّم العميق القابل للتفسير

لماذا الحفاظ على ثبات القدمين مهم

مع التقدّم في العمر، قد يؤدي زلة بسيطة إلى سقوط خطير، وتتراوح العواقب من كسور عظام إلى فقدان الاستقلالية. يعرف الأطباء أن نمط مشية الشخص يحمل دلائل مهمة على احتمالية تعرضه للسقوط، لكن كان من الصعب قياس هذه المؤشرات بدقة وتحويلها إلى تنبيهات عملية. تُظهر هذه الدراسة كيف أن أجهزة استشعار صغيرة توضع على القدمين، مجتمعة مع تقنيات الذكاء الاصطناعي الحديثة، لا تكتفي بفرز كبار السن إلى مجموعات عالية ومنخفضة المخاطر بدقة لافتة، بل تكشف أيضاً أي أجزاء من دورة المشي مرتبطة بالسقوط بأكبر قدر.

قراءة الحركة بأجهزة استشعار صغيرة

استند الباحثون إلى قاعدة بيانات عامة تضم 163 بالغاً تتراوح أعمارهم بين 70 و99 عاماً. ارتدى كل متطوع جهازاً خفيف الوزن يُدعى وحدة قياس القصور الذاتي (IMU) مربوطاً بإحدى قدميه أثناء المشي لمدة نحو 30 دقيقة. تسجل هذه الحساسات حركة القدم في ثلاثة أبعاد، تلتقط التسارع والدوران مئات المرات في الثانية. وُسّمت المشاركات وفقاً لما إذا كانوا قد سقطوا خلال السنة الماضية، وتم تجميعهم أيضاً حسب عقود العمر (السبعونيات، الثمانينيات، أو التسعونيات). من التسجيلات المستمرة، قطع الفريق البيانات إلى نوافذ قصيرة تغطي عدة خطوات، مكوّناً آلاف «اللقطات» الصغيرة لأنماط المشي لتغذية نماذجهم الحاسوبية.

تعليم الحواسيب لتمييز المشي المعرِّض للخطر

لتحويل آثار الحركة هذه إلى مجموعات مخاطر ذات معنى، قارَن الباحثون الأساليب التقليدية لتعلم الآلة مع نهج التعلّم العميق الأكثر تقدماً. أُعطيت الخوارزميات الكلاسيكية، مثل شجرات القرار والغابات العشوائية، إحصاءات موجزة لكل مقطع مشي، مثل المتوسط والتباين عبر الزمن. أما نماذج التعلّم العميق المسماة الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة وقصيرة الأمد (LSTMs)، فسمح لها بمعالجة إشارات الحساسات الخام المموجة مباشرة، متعلمة الأنماط بنفسها دون ميزات مصممة يدوياً. كان الهدف هو معرفة مدى قدرة كل مجموعة من الأساليب على تمييز كبار السن الذين سقطوا عن غيرهم، ومدى موثوقية فرزها للأشخاص حسب الفئات العمرية استناداً فقط إلى طريقة مشيهم.

كيف أدّت النماذج

عند خلط بيانات جميع المشاركين وتقسيمها إلى أجزاء تدريب واختبار، تفوقت نماذج التعلّم العميق بوضوح على النماذج التقليدية. صنفت شبكة CNN الساقطين وغير الساقطين بشكل صحيح نحو 96% من الوقت، وكانت LSTM قريبة عند 95%، بينما بلغت أفضل الطرق الكلاسيكية في أحسن الأحوال أواخر ثمانينات النسبة المئوية. حتى تحت اختبار أصعب، حيث دُرّبت النماذج على أفراد ثم قيّمت على أشخاص مختلفين تماماً، حققت CNN ما يقرب من 92% دقة لتصنيف تاريخ السقوط وما يقرب من 90% لتصنيف الفئة العمرية. كما استطاعت النماذج العميقة تمييز الأفراد بشكل جيد بشكل مفاجئ، مما يشير إلى أن مشية كل شخص قد تكون مميزة كالتوقيع عند عرضها عبر هذه الحساسات.

فتح «الصندوق الأسود» لقرارات الذكاء الاصطناعي

نقد شائع لأساليب الذكاء الاصطناعي القوية هو أنها غالباً ما تكون غامضة: قد تكون دقيقة لكنها قلما تشرح نفسها. لمواجهة ذلك، استخدم المؤلفون أداة تفسير تسمى LIME لفحص قرارات CNN في تصنيف تاريخ السقوط. بدلاً من سؤال أي الميزات الكلية كانت مهمة، فحصوا أي اللحظات داخل كل خطوة ساهمت أكثر في وسم الشخص كساقط أو غير ساقط. وجدوا أن النموذج ركز أساساً على طور الثبات—الفترة التي تكون فيها القدم على الأرض وتتحمل الوزن—وخاصة الأجزاء الوسطى والمتأخرة حين يتحرك الجسم للأمام ويستعد للدفع. لدى الأشخاص ذوي تاريخ السقوط، سيطرت الشذوذات خلال هذه المراحل على تفسير النموذج، بينما أظهر غير الساقطين مساهمة أكثر توازناً بين طور الثبات والطور المتأرجح (عندما تكون القدم في الهواء).

ماذا يعني هذا لمنع السقوط

لغير المتخصص، الرسالة الأساسية هي أن حساسات القدم الصغيرة وغير المزعجة إلى جانب خوارزميات ذكية يمكنها كشف عدم الاستقرار الطفيف في طريقة مشي الشخص قبل وقوع السقوط بوقت طويل—ويمكنها الإشارة إلى الجزء الدقيق من دورة الخطوة الذي ينشأ فيه الخطر. تُظهر الدراسة أن أنظمة التعلّم العميق قادرة بشكل موثوق على التمييز بين الساقطين وغير الساقطين وفصل أنماط المشي عبر الفئات العمرية، كل ذلك من بضع ثوانٍ من بيانات الحساس. وبقدر أهمية ذلك، من خلال إبراز المشاكل خلال المراحل التي يتحمل فيها الوزن، يقترح الأسلوب أهدافاً ملموسة للتمارين وإعادة التأهيل، مثل تحسين التوازن والقوة عندما تكون القدم على الأرض والجسم يتحرك فوقها. مع مزيد من الاختبار على مجموعات أوسع وعلى مدى الزمن، قد يتطور هذا النهج إلى أدوات قابلة للارتداء تراقب المشية بهدوء في الحياة اليومية وتقدم للمتخصصين تحذيرات مبكرة ومفهومة عندما يبدأ خطر سقوط كبير السن في الارتفاع.

الاستشهاد: Alqurashi, A., Alharthi, A., Alammar, M.M. et al. Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning. Sci Rep 16, 14353 (2026). https://doi.org/10.1038/s41598-026-44368-w

الكلمات المفتاحية: خطر السقوط, تحليل المشية, أجهزة استشعار قابلة للارتداء, التعلّم العميق, كبار السن