מסגרת מטא-למידה ליצירה ושחזור מותאמים אישית של מחזורי הליכה במצבי דגימה מועטים

מדוע האופן שבו אנחנו הולכים חשוב

כל צעד שאנחנו עושים חושף יותר ממה שנדמה. דרך ההליכה של אדם — הגייט שלו — יכולה לרמוז על זהותו, מצבו הבריאותי, מצבו הרגשי ואפילו עייפותו. עם זאת, לכידת הדפוסים העדינים האלה בדרך כלל דורשת הרבה נתונים וסשנים ארוכים במעבדה. מאמר זה מציג את MetaGait, שיטה מבוססת בינה מלאכותית שיכולה ללמוד את סגנון ההליכה הייחודי של אדם מכמה דוגמאות מועטות בלבד, מה שהופך ניתוח ותמיכה תנועתית מותאמת אישית לפרקטיים יותר במרפאות, ברובוטיקה ובמציאות מדומה.

ממהלך ממוצע לצעדים אישיים

מודלים קלאסיים של הליכה מצטיינים בלמידת ה"ממוצע" של התנועה האנושית, אך מתקשים עם הניואנסים שעושים כל אחד מאיתנו ייחודי. מערכות קודמות בדרך כלל דרשו מאגרי נתונים גדולים מכל אדם כדי למתן את המודל לסגנונו הספציפי, מה שיקר ודרש זמן רב. MetaGait מתמודד עם האתגר הזה על ידי התייחסות לפרסונליזציה כבעיית למידה בפני עצמה: במקום רק ללמוד איך אנשים הולכים, הוא לומד איך ללמוד במהירות את ההליכה של אדם חדש, תוך שימוש בכמות מועטה של צעדים מוקלטים.

ללמוד איך ללמוד מהרבים

כדי להשיג זאת, החוקרים משתמשים באסטרטגיה הנקראת מטא-למידה, שמתוארת לעתים כ"לימוד על לימוד". הם מתבססים על מאגר נתוני ההליכה האנושית, הכולל אלפי מחזורים של הליכה שצולמו על ידי חיישני תנועה קטנים המוצמדים לרגליים של למעלה מ-200 אנשים בהליכות בתנאים משתנים. MetaGait מתרגל שוב ושוב על מיני-משימות כגון "להתאים לנבדק A" או "לשחזר את הליכת נבדק B מתוך נתונים רעשיים". לכל מיני-משימה המערכת מקבלת ערכת תמיכה זעירה — מספר מצומצם של מחזורים מוקלטים — כדי לכוונן את ההגדרות הפנימיות שלה, ואז נבחנת על מחזורים חדשים מאותו אדם. על פני רבות כאלו משימות, MetaGait מפתח נקודת התחלה פנימית שניתן לכווננה במהירות לאדם חדש עם רק דוגמא אחת עד חמש מחזורים.

מנוע חכם לתנועה מבוססת זמן

במרכז MetaGait נמצא רשת קונבולוציה טמפורלית, סוג של רשת עצבית המיועדת לטיפול ברצפים המתפרשים לאורך זמן. רשת זו מקבלת קריאות חיישנים — כגון תאוצה וסיבוב מהמכשירים המוצמדים לשוקיים — על פני 100 צעדים בזמן לכל צעד. במצב אחד היא משמשת ליצירה: בהתבסס על מספר דוגמאות נקיות מאדם, היא מייצרת מחזור הליכה חדש וריאלי שתואם את סגנונו של אותו אדם. במצב אחר היא משמשת לשחזור: בהתבסס על אות הליכה חלקית או רעשית בתוספת כמה דוגמאות נקיות, היא משחזרת את המחזור המלא והנקי. במהלך אימון המטא, פרמטרי הרשת מותאמים בלולאות מקוננות כך שמספר קטן של צעדי כוונון על נתונים חדשים יספיק להתמחות על נבדק חדש.

בדיקת המערכת על נתונים מוגבלים

הצוות מעריך את MetaGait בתרחישי "כמה־שוטים" מחמירים, שבהם המודל רואה רק מחזור הליכה אחד או חמישה מאדם חדש לפני שנדרש לייצר או לשחזר נוספים. הם משווים אותו לשתי שיטות בסיס נפוצות: אימון מודל מאפס רק על אותן דוגמאות מועטות, ואימון מקדים של מודל כללי על מאגר גדול של נתונים ואז כוונונו. בעזרת מדדי דיוק סטנדרטיים לרצפי תנועה, MetaGait מייצר בעקביות דפוסי הליכה מדויקים וטבעיים יותר מאשר כל אחת מהשיטות הבסיסיות, הן למשימה של יצירה והן לשחזור. הוא לא רק משלימים קטעים חסרים ומסירים רעש בצורה טובה יותר, אלא עושה זאת תוך שמירה על הסגנון האישי.

מה זה עשוי להגיד על השגרה היומיומית

ללא צורך בידע מקצועי, המסקנה המרכזית היא כי MetaGait מראה שניתן לבנות מודלים מותאמים אישית של הליכה עם מעט מאוד נתונים מכל אדם. הדבר יכול לזרז את כוונון השלד החיצוני הרובוטי או הפרוטזה, לסייע למטפלים להעריך בעיות הליכה בלי סשנים ארוכים של בדיקה, ולאפשר דמויות וירטואליות שזזות כמשתמשיהן לאחר כיול קצר. אמנם נדרש מחקר עתידי כדי לשפר את יעילות האימון ולבחון שימושים בפריסה שדה אמיתית, אך המחקר הזה מציג נתיב מבטיח לניתוח מהיר, מדויק ובעל התאמה אישית גבוהה של דרך ההליכה שלנו.

ציטוט: Yadav, R.K., Nandi, A., Sharma, D.A.K. et al. A meta learning framework for few shot personalized gait cycle generation and reconstruction. Sci Rep 16, 5506 (2026). https://doi.org/10.1038/s41598-026-35121-4

מילות מפתח: אנליזת הליכה, תנועה מותאמת אישית, מטא-למידה, חיישנים לבישים, תנועת אדם