זיכרון קשב לטווחים ארוכים-קצרים (LSTAM): מודל משולב תכונה גלובלית לחיזוי מומנטים מפרקים משותף בשיקום אנושי

עזרה חכמה יותר להחלמת תנועה

כשמישהו לומד ללכת מחדש אחרי פציעה או ניתוח, הרופאים צריכים לדעת כמה קשה כל מפרק ברגל עובד. מסורתית, זה דרש ציוד מעבדה כבד ומדידות מדוקדקות, שקשה להשתמש בהן בחיי היומיום. מחקר זה מציג מודל מחשב חדש שיכול לאמוד את הכוחות הנעלמים הללו במפרקים בעזרת חיישנים קלים הנלבשים על הגוף, מה שפותח אפשרויות לשיקום פרקטי ומותאם אישית.

כוחות נסתרים בתוך צעדות יומיומיות

בכל פעם שאנו עושים צעד, הירך, הברך והקרסול מייצרים כוחות סיבוביים שנקראים מומנטים מפרקיים. כוחות אלה חשובים להבנת האם תנועה היא בטוחה, יעילה או מסכנת פציעה נוספת. אבל מומנטים מפרקיים קשים למדידה ישירה; מעבדות בדרך כלל מסתמכות על מצלמות תלת־ממד, לוחות כוח ברצפה ודגמי גוף מפורטים. זה הופך את התהליך ליקר ולמוקד בעיקר במרכזי מחקר, אף על פי שעבור קלינאים ומהנדסי מכשירים המידע הזה נחוץ להתאמת סד, אקסוסקלטון וגפיים תותבות.

להקשיב לשרירים במקום לרצפה

כדי לעקוף את המגבלה הזו, החוקרים פנו לאותות שניתן למדוד על העור. חיישנים קטנים רושמים פעילות חשמלית מהשרירים (EMG שטחי) ועוקבים אחרי האופן שבו המפרקים נשברים לאורך הזמן. שיטות למידת מכונה קודמות השתמשו באותות אלה כדי לחזות מומנטים מפרקיים בהצלחה חלקית, אך הן נאבקו בבעיה מרכזית: הנתונים הגולמיים מלאים ברעידות קצרות־טווח, רעש מתנועת החיישן וקפיצות רגעיות שאינן משקפות את דפוס התנועה הכולל. מודלים שרודפים אחרי תנודות קטנות אלה עלולים לפספס את הטרנדים הרחבים והמשמעותיים שמתארים איך הירך באמת מתנהגת לאורך מספר צעדים.

דרך חדשה לראות את התמונה הכוללת באותות רועשים

המחברים מציעים מודל שהם מכנים זיכרון קשב לטווחים ארוכים־קצרים, או LSTAM, שנועד להתמקד במבנה ארוך־הטווח של התנועה תוך דיכוי הפרטים המסיחי דעת. תחילה, במקום לעבוד רק עם האותות בזמן המקורי, המודל ממיר אותם לתצורת תדרים באמצעות כלי מתמטי הדומה לפירוק קול לתדרים נמוכים וגבוהים. בצורה זו, דפוסים יציבים בקואורדינציית השרירים בולטים יותר, בעוד זעזועים רגעיים של רעש נעשים פחות חשובים. לאחר מכן, אוטואנקודר — סוג מדחס חכם הבנוי שכבות עצביות פשוטות וססיפי קונבולוציה — לומד לייצג את הנתונים בצורה נקייה ומממדת נמוכה שעדיין שומרת על דפוסים חשובים ומטשטשת זיגזגים מקומיים מיותרים.

זיכרון ומיקוד לגופים בתנועה

לאחר שהאותות נוקו ונדחסו, המידע מוזן לרשת זיכרון לטווחים ארוכים וקצרים, סוג של מודל חוזר שמומחה במעקב אחרי התפתחות לאורך זמן. על גבי זה מוסיפים המחברים מנגנון תשומת־לב, שמאפשר למודל "להתמקד יותר" אוטומטית ברגעים וברמרכיבי תדר המידע־עשירים — למשל שלבים מרכזיים בצעד שבהם שרירים נדלקים או נכבים — ולשקול פחות אינטרוולים בלתי־חשובים. יחד, שלבים אלה ממירים רישומי חיישנים גולמיים ורעשים לתיאור קומפקטי של תנועת האדם, המתאים היטב לחיזוי מומנטי ירך.

הצבה של המודל למבחן

הצוות העריך את LSTAM באמצעות מאגר נתונים ציבורי של ארבעה־עשר מתנדבים בריאים שהלכו על הליכון, על משטח שטוח ועל שיפועים במהירויות שונות רבות. עבור כל אדם, המודל אומן על נתונים ממושב הליכון יחיד ואז נדרש לחזות מומנטי ירך בניסויים הנותרים. עבור הנבדקים, LSTAM ייצר באופן עקבי תחזיות שעוקבות אחרי מומנטים מחושבים במעבדה באופן צמוד, עם שגיאות קטנות יותר והסכמה גבוהה יותר מאשר מספר שיטות מתקדמות אחרות, כולל רשתות LSTM סטנדרטיות, מודלי קונבולוציה טמפורליים ושיטות מבוססות טרנספורמרים אחרונים. המחברים גם ביצעו ניסויי "אבלה" שבהם הסירו באופן סלקטיבי רכיבים כמו שלב התדר, האוטואנקודר או מנגנון התשומת־לב. כל הסרה הורידה את הביצועים, מה שמראה שכל שלושת המרכיבים היו חשובים ללכידת הדפוסים הגלובליים באותות ביולוגיים אלה.

מה זה יכול להעניק לטיפול השיקומי

במלים פשוטות, עבודה זו מראה שאפשר לאמוד כוחות בלתי נראים בירך באמצעות כמה חיישני שריר וזווית בלבד, ללא ציוד מעבדה כבד, ולבצע זאת בדיוק גבוה יותר על ידי לימוד המודל להתרכז בטרנדים ארוכי־טווח במקום ברעשים קצרת־זמן. כלי כזה יכול לסייע למתרפאים לעקוב אחרי ההחלמה, להתאים תוכניות תרגול או לשלוט במכשירי שיקום חכמים כגון אקסוסקלטונים וגפיים תותבות כך שינועו בהרמוניה עם שרירי המטופל. אף על פי שהמחקר התמקד במבוגרים בריאים ובמשימות הליכה, הגישה עצמה עשויה לתמוך בסופו של דבר בפעילויות מורכבות יותר ובקבוצות מטופלים שונות, והופכת הערכת תנועה איכותית לנגישה יותר מחוץ למעבדות תנועה מיוחדות.

ציטוט: 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

מילות מפתח: אלקטרומיוגרפיה, ניתוח צעד, טכנולוגיית שיקום, למידה עמוקה, חיישנים נלבשים