تجزیه و تحلیل راه رفتن مبتنی بر هوش مصنوعی زمینه‌های مراقبت بهداشتی و امنیتی را پل می‌کند

به گزارش گروه دانشگاه خبرگزاری دانشجو، تجزیه و تحلیل الگوی راه رفتن فردی، یا راه رفتن، می‌تواند جزئیاتی را در مورد هویت آنها آشکار کند و تفاوت‌های بین افراد، گروه‌ها و حتی جمعیت‌ها را منعکس کند.

یک تیم بین‌المللی از محققان به رهبری کاین دانکنسون از دانشگاه آدلاید، دومینیک تیولیس، دکتر ویل رابرتسون و دکتر احسان عباس‌نژاد، مشخصات متنوعی از داده‌های راه رفتن بیش از ۷۰۰ نفر را تهیه کردند و مدل‌های هوش مصنوعی را برای یافتن آموزش دادند. شباهت‌ها

این تحقیق در مجله The Journal of the Royal Society Interface منتشر شد.

در حال حاضر کار در مورد چگونگی استفاده از روابط بین راه رفتن و حالت بیولوژیکی در مراقبت‌های بهداشتی و امنیت انجام شده است، اما تاکنون، این زمینه‌ها از روش‌های مختلفی استفاده می‌کردند.

کاین دانکنسون، سرپرست تیم تحقیق و کاندیدای پژوهشی از دانشکده پزشکی آدلاید، گفت: در مراقبت‌های بهداشتی، هدف استفاده از راه رفتن به عنوان یک نشانگر عملکردی شخصی برای کمک به مدیریت شرایط عصبی و اسکلتی عضلانی است و اقدامات به طور کلی با استفاده از ابزار‌های تخصصی متعدد و نمونه‌های کوچک جمعیت انجام می‌شود.

در امنیت، هدف استفاده از آن به عنوان یک بیومتریک برای کمک به تشخیص حضوری در تنظیمات پویا، مانند نظارت در فرودگاه ها، یا برای احراز هویت در خانه‌های هوشمند است.

تشخیص راه رفتن نیاز به مدل سازی در سطح فردی برای تشخیص ویژگی‌هایی دارد که بین افراد متفاوت است، اما در طول زمان در افراد ثابت می‌ماند.

از این رو، بیشتر مطالعات بر روی توسعه مدل‌های چند متغیره پیچیده مانند شبکه‌های عصبی عمیق تمرکز می‌کنند تا ویژگی‌های شناسایی راه رفتن را از ویژگی‌های مربوط به ظاهر بدن جدا کنند.

با توجه به اینکه روش‌های تجزیه و تحلیل راه رفتن در مراقبت‌های بهداشتی و امنیت مکمل به نظر می‌رسد، ترکیب نقاط قوت آنها می‌تواند مفید باشد.

برخی از داده‌های مورد مطالعه از شرکت‌کنندگان در هنگام عبور از صفحه‌ای در زمین، که به عنوان سکوی نیرو شناخته می‌شود، جمع‌آوری شد.

سکوی نیرو، مقدار و مکان نقطه نیرو در زمین را در پاسخ به نیروی اعمال شده از طریق پا‌ها اندازه‌گیری می‌کند، و سپس اطلاعات با استفاده از روش AI (XAI) قابل توضیح به نام آنالیز حساسیت انسداد و تقریب و پیش‌بینی منیفولد یکنواخت (UMAP) بررسی می‌شود.

پروفسور Thewlis، سرپرست مرکز تحقیقات ارتوپدی و تروما، گفت: هدف اول این مطالعه تعیین اینکه آیا عملکرد تشخیص راه رفتن بسته به مجموعه داده (های) مورد استفاده برای توسعه و ارزیابی مدل با استفاده از پیکربندی‌های مختلف از چهار مجموعه داده راه رفتن پلت فرم نیروی بزرگ از سراسر جهان متفاوت است یا خیر.

هدف دوم این بود که بررسی کنیم آیا ویژگی‌های جمعیت شناختی و شرایط تجربی به تعریف تنوع راه رفتن با استفاده از XAI کمک می‌کند یا خیر.

برای تحقق این اهداف، یک روش جدید تجزیه و تحلیل راه رفتن پیشنهاد شد که امکان توصیف همزمان تغییرات فردی، گروهی و مجموعه داده‌ها در الگو‌های راه رفتن را فراهم می‌کند.

آنچه آنها پیدا کردند مدل‌هایی بود که در هنگام یادگیری در معرض تنوع قرار می‌گرفتند و در شناسایی افراد در شرایط مختلف بسیار دقیق بودند.

دانشیار Thewlis گفت: ما دریافتیم که سکو‌های نیرو را می‌توان به عنوان ابزار مستقل با محدودیت‌های نسبتاً کمی در انتخاب نمونه و شرایط راه رفتن به کار گرفت تا امکان دستیابی به مجموعه داده‌های بزرگ در آزمایشگاه‌ها، کلینیک‌ها و احتمالاً محیط‌های متنوع‌تر را فراهم کند، که به نوبه خود می‌تواند «تصمیم گیری» داده‌های پیشرفته‌تر را تسهیل کند.

روند‌ها در عملکرد و بینش‌های XAI نشان داد که کفش، سرعت راه رفتن، توده بدن، جنسیت، قد و احتمالاً سایر عوامل وابسته به زمان برای تأثیرگذاری بر تنوع راه رفتن در سطوح مختلف، و سیستم‌های تشخیص راه رفتن مبتنی بر هوش مصنوعی که بر داده‌های پلت فرم نیرو متکی هستند تأثیر متقابل دارند. نوید قابل توجهی برای تجزیه و تحلیل شخصی نشان می‌دهد.