Uzun kısa süreli dikkat belleği (LSTAM): insan rehabilitasyonunda eklem momenti tahmini için küresel özellik bütünleşimli bir model

İyileşen Hareketlere Daha Akıllı Destek

Bir kişi yaralanma veya ameliyattan sonra yeniden yürümeyi öğrenirken, doktorların bacağın her bir ekleminin ne kadar güç harcadığını bilmesi gerekir. Geleneksel olarak bunun için hantal laboratuvar ekipmanları ve dikkatli ölçümler gerekiyordu; bu da günlük kullanımda güçtü. Bu çalışma, hafif, vücuda takılan sensörlerle bu görünmeyen eklem kuvvetlerini tahmin edebilen yeni bir bilgisayar modelini tanıtıyor; bu da daha pratik, kişiselleştirilmiş rehabilitasyonun önünü açıyor.

Günlük Adımlarda Gizli Kuvvetler

Her adım attığımızda kalça, diz ve ayak bileği döndürme kuvvetleri üretir; bunlara eklem momentleri denir. Bu kuvvetler bir hareketin güvenli, verimli veya daha fazla yaralanma riski taşıyıp taşımadığını anlamak için kritik önemdedir. Ancak eklem momentlerini doğrudan ölçmek zordur; laboratuvarlar genellikle hareket yakalama kameraları, zemindeki kuvvet plakaları ve ayrıntılı vücut modellerine dayanır. Bu süreci pahalı ve büyük ölçüde araştırma merkezleriyle sınırlı hale getirir, oysa klinisyenler ve cihaz tasarımcıları bu bilgiyi destek, ekzoskeleton ve protez aygıtlarını ayarlamak için acilen ihtiyaç duyar.

Zemini Dinlemek Yerine Kasları Dinlemek

Bu sınırlamayı aşmak için araştırmacılar deride ölçülebilen sinyallere yöneldi. Küçük sensörler kaslardan gelen elektriksel aktiviteyi (yüzey EMG) kaydeder ve eklemlerin zaman içinde nasıl büküldüğünü takip eder. Önceki makine öğrenmesi yöntemleri bu sinyalleri kullanarak eklem momentlerini belli bir başarıyla tahmin etti, ancak temel bir sorunla mücadele ettiler: ham veriler kısa vadeli sarsıntılar, sensör hareketinden kaynaklanan gürültü ve genel hareket desenini yansıtmayan kısa kuvvet patlamalarıyla doludur. Bu küçük dalgalanmaların peşinden giden modeller, bir kişinin kalçasının birçok adım boyunca gerçekte nasıl davrandığını tanımlayan daha büyük, anlamlı eğilimleri kaçırabilir.

Gürültülü Sinyallerde Büyük Resmi Görmenin Yeni Yolu

Yazarlar uzun kısa süreli dikkat belleği ya da LSTAM adını verdikleri, hareketin uzun menzilli yapısına odaklanıp dikkat dağıtan detayları azaltmak üzere tasarlanmış bir model öneriyor. İlk olarak, model yalnızca orijinal zaman bazlı sinyallerle çalışmak yerine, bunları sesin bas ve tizlere ayrılmasına benzer bir matematiksel araçla frekans görünümüne çeviriyor. Bu formda, kas koordinasyonundaki sürekli desenler öne çıkar, kısa süreli gürültü patlamaları ise önemsizleşir. Ardından bir otoenkoder—basit sinir katmanları ve konvolüsyon filtrelerinden oluşan bir tür akıllı sıkıştırıcı—verileri daha temiz, düşük boyutlu bir biçimde temsil etmeyi öğrenir; önemli desenleri korur ve gereksiz yerel dalgalanmaları bulanıklaştırır.

Hareket Eden Bedenler İçin Bellek ve Odak

Sinyaller temizlenip sıkıştırıldıktan sonra bilgi, zaman içinde nasıl evrildiğini takip etmekte iyi olan tekrarlı bir model türü olan uzun kısa süreli bellek (LSTM) ağına beslenir. Bunun üzerine yazarlar bir dikkat mekanizması ekler; bu mekanizma modelin bir adımın kasların açılıp kapandığı kilit aşamalar gibi en bilgilendirici anlara ve frekans bileşenlerine otomatik olarak “daha fazla bakmasını” ve önemsiz aralıklara daha az dikkat etmesini sağlar. Birlikte bu aşamalar, ham, gürültülü sensör izlerini bir kişinin hareketinin hip eklem momentlerini tahmin etmeye uygun, kompakt bir tanımına dönüştürür.

Modeli Sınamaya Koymak

Ekip, LSTAM’i bir koşu bandı, düz zemin ve rampalarda farklı hızlarda yürüyen on dört sağlıklı gönüllünün yer aldığı açık bir veri setiyle değerlendirdi. Her kişi için model yalnızca bir koşu bandı oturumunun verileriyle eğitildi ve ardından kalan denemelerde kalça momentlerini tahmin etmesi istendi. Denekler arasında LSTAM, laboratuvarda hesaplanan eklem momentlerini yakından izleyen tahminler üretti; hata oranları daha küçük ve uyum daha yüksekti; bu sonuçlar standart LSTM ağları, zamansal konvolüsyon modelleri ve son zamanlarda geliştirilen dönüştürücü (transformer) tabanlı yaklaşımlar da dahil olmak üzere birçok gelişmiş alternatiften daha iyi performans gösterdi. Yazarlar ayrıca frekans adımı, otoenkoder veya dikkat gibi parçaları seçici olarak çıkaran “ablasyon” testleri gerçekleştirdiler. Her çıkarma performansı bozdu ve bu üç bileşenin biyolojik sinyallerdeki küresel desenleri yakalamak için önemli olduğunu gösterdi.

Bu Rehabilitasyon Bakımı İçin Ne Anlama Gelebilir

Düz ifadeyle, bu çalışma birkaç kas ve açı sensörü kullanarak ağır laboratuvar ekipmanı olmadan kalçadaki görünmez kuvvetleri tahmin etmenin mümkün olduğunu ve modeli kısa ömürlü gürültü yerine uzun vadeli eğilimlere dikkat etmeye öğreterek bunu daha doğru yapabildiğimizi gösteriyor. Böyle bir araç terapistlerin iyileşmeyi izlemesine, egzersiz programlarını ayarlamasına veya hastanın kendi kaslarıyla uyumlu hareket edecek şekilde exoskeleton ve protezler gibi akıllı rehabilitasyon cihazlarını kontrol etmesine yardımcı olabilir. Çalışma sağlıklı yetişkinlere ve yürüme görevlerine odaklansa da, aynı yaklaşım sonunda daha karmaşık etkinlikleri ve hasta gruplarını destekleyerek yüksek kaliteli hareket değerlendirmesini uzmanlaşmış hareket laboratuvarları dışına daha erişilebilir kılabilir.

Atıf: 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

Anahtar kelimeler: elektromiyografi, yürüme analizi, rehabilitasyon teknolojisi, derin öğrenme, giyilebilir sensörler