Az örökléses tanulási çerçevesi: az egyéni, kevéspéldányos járáskör-ciklus generálás és rekonstrukció

Yürüyüş Biçimimizin Önemi

Attığımız her adım beklediğimizden daha fazlasını ortaya koyar. Bir kişinin yürüyüş biçimi—gait—kimliğine, sağlığına, ruh haline ve hatta ne kadar yorgun olduğuna dair ipuçları verebilir. Ancak bu ince örüntüleri yakalamak genellikle çok veri ve uzun laboratuvar oturumları gerektirir. Bu makale, MetaGait adlı yeni bir yapay zeka yöntemini sunar; bu yöntem bir kişinin benzersiz yürüyüş tarzını sadece birkaç örnekten öğrenebilir ve klinikler, robotik ve sanal gerçeklikte kişiselleştirilmiş hareket analizini ve desteği çok daha uygulanabilir kılar.

Ortalama Yürüyüşlerden Bireysel Adımlara

Geleneksel yürüyüş modelleri insanların “ortalama” nasıl hareket ettiğini öğrenmede oldukça iyidir, fakat bizi birbirimizden ayıran tuhaflıklarla zorlanır. Geçmiş sistemler genellikle modeli belirli bir kişinin tarzına uyarlamak için her kişiden büyük veri kümelerine ihtiyaç duyuyordu; bu da maliyetli ve zaman alıcıydı. MetaGait bu zorluğu kişiselleştirmeyi kendisi bir öğrenme problemi olarak ele alarak çözer: yalnızca insanların nasıl yürüdüğünü öğrenmek yerine, yeni bir kişinin yürüyüşünü çok kısa sürede nasıl öğrenileceğini de öğrenir; bunun için çok az sayıda kaydedilmiş adım yeterlidir.

Birçok Yürüyüşçüden Öğrenmeyi Öğrenmek

Bunu başarmak için araştırmacılar meta-öğrenme olarak adlandırılan, sıklıkla “öğrenmeyi öğrenmek” diye tanımlanan bir strateji kullanırlar. Bacaklara takılan küçük hareket sensörleriyle farklı koşullarda yürüyen 200’den fazla kişiden toplanmış binlerce yürüyüş döngüsü içeren İnsan Yürüyüş Veritabanı’ndan yararlanırlar. MetaGait, “özne A’ya uyum sağla” veya “gürültülü veriden özne B’nin yürüyüşünü yeniden oluştur” gibi mini görevler üzerinde tekrar tekrar pratik yapar. Her mini görev için sistem, iç ayarlarını uyarlamak üzere birkaç kayıtlı yürüyüş döngüsünden oluşan küçük bir destek kümesi alır; ardından aynı kişiden yeni döngüler üzerinde test edilir. Bu tür çok sayıda görev boyunca MetaGait, bir ila beş örnek döngüyle yeni bir bireye hızla uyarlanabilecek bir iç başlangıç noktası keşfeder.

Zaman Bazlı Hareket İçin Akıllı Bir Motor

MetaGait’in merkezinde, zaman içinde gelişen dizileri işlemek için tasarlanmış bir tür sinir ağı olan zamansal konvolüsyonel ağ (temporal convolutional network) yer alır. Bu ağ, her adım için 100 zaman adımı boyunca, kaval üzerine monte edilmiş cihazlardan gelen ivmelenme ve dönme gibi sensör okumalarını alır. Bir modda, jenerasyon için kullanılır: bir kişiden alınmış birkaç temiz örnek verildiğinde, o kişinin tarzına uyan yeni, gerçekçi bir yürüyüş döngüsü üretir. Diğer bir modda ise rekonstrüksiyon için kullanılır: kısmen bozulmuş veya gürültülü bir yürüyüş sinyali ile birkaç temiz örnek verildiğinde, tam ve temiz döngüyü kurtarır. Meta-eğitim sırasında ağın parametreleri iç içe döngülerde ayarlanır, böylece yeni veriler üzerinde birkaç ince ayar adımı yapılması modeli taze bir özneye uzmanlaştırmak için yeterli olur.

Sınırlı Veride Sistemin Test Edilmesi

Takım MetaGait’i, modelin yeni bir kişiden üretme veya rekonstrüksiyon istenmeden önce sadece bir veya beş yürüyüş döngüsü gördüğü katı “few-shot” senaryolarında değerlendirir. Bunu iki yaygın kıstasa karşı kıyaslarlar: yalnızca o birkaç örnekle sıfırdan bir model eğitmek ve geniş bir veri havuzunda genel bir modeli önceden eğitip sonrasında ince ayar yapmak. Hareket dizileri için standart doğruluk ölçümlerini kullanarak, MetaGait hem üretim hem de rekonstrüksiyon için her iki kıstasa kıyasla tutarlı olarak daha doğru ve doğal görünen yürüyüş örüntüleri üretir. Eksik segmentleri doldurmakta ve gürültüyü gidermekte daha başarılı olmakla kalmaz, aynı zamanda bireysel stili korur.

Günlük Hayatta Ne Anlama Gelebilir

Uzman olmayanlar için çıkarılacak ana sonuç, MetaGait’in her kişiden çok az veriyle kişiselleştirilmiş yürüyüş modelleri oluşturabileceğini göstermesidir. Bu, robotik dış iskeletlerin veya protez bacakların daha hızlı uyarlanmasını hızlandırabilir, klinisyenlerin uzun test oturumlarına gerek duymadan yürüme problemlerini değerlendirmesine yardımcı olabilir ve kısa bir kalibrasyonun ardından kullanıcılarına benzeyen sanal karakterlerin oluşturulmasını sağlayabilir. Gelecekte eğitimi daha verimli hale getirmek ve gerçek dünya dağıtımlarında test etmek için daha fazla çalışma gerekse de, bu çalışma nasıl yürüdüğümüzün hızlı, doğru ve yüksek düzeyde kişiselleştirilmiş analizine yönelik umut verici bir yol göstermektedir.

Atıf: 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

Anahtar kelimeler: yürüyüş analizi, kişiselleştirilmiş hareket, meta öğrenme, giyilebilir sensörler, insan hareketi