ارزیابی خودکار تمرینات سالمندان با یک دوربین: نتایج یک سیستم یادگیری عمیق و پیامدهای بالینی

عنوان

ارزیابی خودکار تمرینات سالمندان با تصویر تک‌دوربینه: نتایج یک سیستم یادگیری عمیق و پیامدهای بالینی

مقدمه

حفظ فعالیت بدنی منظم نقش محوری در نگهداری استقلال عملکردی سالمندان دارد. با این حال در مراکز مراقبت طولانی‌مدت و خانه‌های سالمندان، اغلب امکان ارائه نظارت فردی و پیگیری دقیق تمرینات برای همه ساکنان فراهم نیست. در همین بستر، فناوری‌های خودکار برای پایش کیفیت و ایمنی جلسات تمرینی مطرح شده‌اند تا بدون افزایش بار کاری کادر درمانی، بازخورد و اطلاعات عینی روی عملکرد ارائه کنند.

مقاله‌ای که در نشریه PLOS Digital Health منتشر شده است، سیستمی مبتنی بر یادگیری عمیق را شرح می‌دهد که با استفاده از یک دوربین استاندارد ویدئویی، قادر به تشخیص نوع تمرین و برآورد مسیرهای زاویه‌ای مفاصل در سالمندان است. این اطلاعات سپس به شاخص‌های عملکردی تمرین مانند مدت، تعداد تکرار، تغییرپذیری حرکت و دامنه حرکتی تبدیل می‌شود. هدف این مقاله درک دقت و قابلیت کاربرد چنین سیستمی در محیط‌های مراقبتی و بررسی محدودیت‌های فعلی آن است.

خلاصه سریع برای خواننده

• یک سیستم مبتنی بر یادگیری عمیق از تصاویر تک‌دوربینه برای تشخیص تمرین و برآورد زوایای مفصل توسعه یافته است.
• آزمایش روی ۷ ساکن خانه سالمندان (سنین ۶۵ تا ۹۴) با مرجع حسگرهای اینرسی Xsens انجام شد.
• دقت تشخیص تمرین بسیار بالا بود (F1@۵۰ برابر ۰.۹۲) و خطای میانگین زاویه مفصلی حدود ۷.۷ درجه گزارش شد.
• شاخص‌های عملکردی تمرین از قبیل مدت و تعداد تکرار با همبستگی قوی نسبت به مرجع هماهنگ بودند، ولی اندازه‌گیری متغیرپذیری و دامنه حرکت بین تمرین‌ها متفاوت بود.
• این روش پتانسیل نظارت غیرمستقیم و کم‌هزینه بر اجرای تمرینات سالمندان را دارد، اما نیاز به اعتبارسنجی در نمونه‌های بزرگ‌تر و متنوع‌تر و بررسی مسائل عملیاتی و اخلاقی دارد.

چکیده یافته‌ها و روش‌ها

روش کلی

محققان مدلی بر پایه یادگیری عمیق طراحی کردند که ابتدا از هر فریم ویدئو، اسکلت دو‌بعدی را استخراج می‌کرد. سپس توالی این اسکلت‌ها به یک شبکه عصبی کانولوشنی زمانی داده شد تا هم نوع تمرین را شناسایی کند و هم زاویه سه‌بعدی مفاصل را تخمین بزند. شش تمرین توانبخشی رایج انتخاب شد و ساکنانِ هفت خانه سالمندان در سنین ۶۵ تا ۹۴ سال، این تمرین‌ها را مقابل یک دوربین اجرا کردند. برای داشتن داده مرجع، هر شرکت‌کننده ۱۷ حسگر اینرسی پوشید که سیستم Xsens MVN Awinda را تشکیل می‌داد و زوایای مفاصل را به عنوان «زمین حقیقت» ثبت کرد.

معیارهای ارزیابی

برای ارزیابی الگوریتم از چند معیار استفاده شد:

• F1@50 برای سنجش دقت جداسازی و تشخیص نوع تمرین (رقم گزارش‌شده ۰.۹۲ ± ۰.۰۴).
• MPJAE یا میانگین خطای زاویه‌ای هر مفصل برای ارزیابی دقت برآورد زوایا (حدود ۷.۷° ± ۰.۹۱).
• همبستگی پیرسون بین شاخص‌های عملکردی تمرین (EPMها) استخراج‌شده از ویدئو و داده‌های مرجع برای مواردی مانند مدت، تعداد تکرار، تغییرپذیری حرکت و دامنه حرکتی. همبستگی برای مدت برابر ۰.۹۳ و برای تعداد تکرار ۰.۸۶ گزارش شد. برای تغییرپذیری و دامنه حرکتی مقادیر بین ۰.۳ تا ۰.۹ بسته به تمرین متفاوت بود.

نتایج اصلی

الگوریتم توانست با دقت بالایی نوع تمرین را از ویدئو تشخیص دهد و برآوردهای زاویه‌ای مفاصل در سطحی نزدیک به مقادیر مرجع قرار داشت. دقت در تشخیص مدت زمان و تعداد تکرار به‌صورت قوی با داده‌های حسگر همخوانی داشت، که برای سنجش میزان تبعیت از برنامه تمرینی و ثبت عملکرد روزمره اهمیت دارد. اندازه‌گیری‌هایی مانند تغییرپذیری حرکت و دامنه حرکتی بین تمرین‌ها نوسان بیشتری نشان دادند که نشان‌دهنده حساسیت این شاخص‌ها به نوع حرکت، زاویه‌دید دوربین و ویژگی‌های فردی شرکت‌کنندگان است.

چه چیزهایی این مطالعه به ما می‌گوید؟

این کار نشان می‌دهد که پایش و ارزیابی کمی کیفیت تمرینات سالمندان از طریق یک جریان ویدیویی ساده امکان‌پذیر است و می‌تواند نتایجی نزدیک به سیستم‌های حرفه‌ای مبتنی بر حسگرهای پوشیدنی ارائه دهد. این یافته گامی مهم به سمت امکان‌پذیر ساختن برنامه‌های تمرینی خودگردان و با نظارت کمتر در محیط‌های مراقبتی است، البته با محدودیت‌های مشخص که در بخش محدودیت‌ها توضیح داده شده‌اند.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• حجم نمونه کوچک: تنها ۷ شرکت‌کننده در یک محیط مراقبتی محدود مورد بررسی قرار گرفتند. نتایج در گروه‌های جمعیتی وسیع‌تر یا افراد با شرایط بالینی متفاوت ممکن است تفاوت کند.
• تنوع تمرین و مفاصل محدود: مطالعه تمرکز بر شش تمرین توانبخشی و ۹ مفصل تنه و اندام‌های تحتانی داشت. کاربرد سیستم برای تمرین‌های پیچیده‌تر، حرکات بالاتنه یا فعالیت‌های عملکردی روزمره نیاز به ارزیابی جداگانه دارد.
• شرایط ضبط کنترل‌شده: ضبط ویدئو احتمالاً در شرایطی نسبتاً استاندارد و کنترل‌شده انجام شده است. نور نامناسب، پوشش‌های متفاوت، ازدحام افراد و موانع می‌توانند کیفیت اسکلت‌سازی و دقت برآورد را کاهش دهند.
• نسبت به حسگرهای مرجع: حسگرهای Xsens به‌عنوان مرجع در نظر گرفته شدند، اما آن‌ها هم محدودیت‌ها و خطاهای خاص خود را دارند؛ بنابراین «خطای نسبت به مرجع» لزوماً به معنی خطای مطلق بی‌نیاز از بررسی بیشتر نیست.
• قابلیت تعمیم و تعادل جمعیتی: شرکت‌کنندگان در رنج سنی بالاتر و ساکن خانه سالمندان بودند؛ نتایج در سالمندان فعال جامعه، افراد مبتلا به ناتوانی حرکتی شدید یا جمعیت‌های فرهنگی و بدنی متفاوت نیاز به اعتبارسنجی دارد.
• مسائل اخلاقی و حریم خصوصی: استفاده مداوم از دوربین در فضاهای مراقبتی نگرانی‌های مربوط به حریم خصوصی، پذیرش فردی و مقررات حفاظت داده را مطرح می‌کند که در این مطالعه به صورت فنی بررسی نشدند.

تفصیل فنی برای خوانندگان حرفه‌ای

استخراج اسکلت و برآورد زوایا

سیستم از الگوریتم‌های استخراج اسکلت دو‌بعدی برای هر فریم استفاده می‌کند تا نقاط کلیدی بدنی را تعیین نماید. توالی این نقاط سپس به یک شبکه کانولوشن زمانی داده می‌شود که ارتباط زمانی بین فریم‌ها را مدنظر قرار می‌دهد و خروجی آن شامل برچسب تمرین و برآورد زوایای سه‌بعدی مفاصل است. برآورد سه‌بعدی از داده‌های دو‌بعدی مشکلات هم‌اشکال و عمق را دارد و نیاز به یادگیری از مجموعه داده‌های آموزش و بازآموزی دقیق دارد.

اعتبارسنجی و ارزیابی

از شیوه اعتبارسازی leave-one-subject-out استفاده شد؛ یعنی در هر بار اجرا مدل با داده‌های همه شرکت‌کنندگان به جز یکی آموزش داده شد و سپس روی آن فرد که در آموزش حضور نداشت آزمایش شد. این روش تا حدودی توانایی تعمیم بین افراد را سنجش می‌کند، ولی برای تعمیم به محیط‌ها یا جمعیت‌های کاملاً متفاوت کافی نیست.

کاربردهای بالینی بالقوه

چند کاربرد عملی که این فناوری می‌تواند در آن مفید باشد:

• پایش کیفیت جلسات تمرینی در مراکز مراقبت با تعداد محدود کادر درمانی و اطلاع‌رسانی خودکار در موارد نیاز به بازنگری برنامه.
• ثبت عینی میزان تبعیت از برنامه‌های تمرینی روزانه و ذخیره اطلاعات برای مرور دوره‌ای توسط فیزیوتراپ.
• شناسایی روندهای نزولی عملکردی یا کاهش دامنه حرکت که می‌تواند زنگ هشداری برای ارزیابی بالینی باشد.
• به‌کارگیری در مطالعات بالینی و برنامه‌های توانبخشی برای جمع‌آوری داده‌های کمی و استانداردتر درباره عملکردی که تا پیش از این به صورت کیفی ثبت می‌شد.

ملاحظات عملی در پیاده‌سازی

برای استفاده در محیط واقعی باید چند نکته مدنظر قرار گیرد:

• قرارگیری مناسب دوربین و تنظیمات نور و کادر برای کاهش خطا.
• تست قبلی روی جمعیت محلی برای تنظیم مدل و بررسی حساسیت آن نسبت به لباس، الگوهای حرکت و اقلیم فرهنگی.
• یکپارچه‌سازی با روند کاری مراکز مراقبتی به طوری که داده‌ها برای تیم درمانی قابل دسترس و قابل تفسیر باشند.
• پروتکل‌های حفظ حریم خصوصی و ذخیره‌سازی امن و رمزنگاری شده داده‌ها مطابق قوانین محلی.

نظر تحریریه پزشک سایت

تحریریه پزشک سایت این مطالعه را گامی امیدوارکننده در جهت استفاده از روش‌های کم‌هزینه و در دسترس برای پایش عملکرد حرکتی سالمندان می‌داند. دقت بالای تشخیص نوع تمرین و همبستگی قوی برای مدت و تعداد تکرار، نشان می‌دهد که این ابزار می‌تواند در جمع‌آوری داده‌های عینی کمک‌کننده باشد. با این حال، به دلیل اندازه کوچک نمونه و شرایط کنترل‌شده آزمایش، هنوز راه زیادی تا پذیرش بالینی گسترده و جایگزینی یا کاهش نقش فیزیوتراپ وجود دارد. ترجیحاً این فناوری باید به عنوان ابزار کمکی برای افزایش کارایی و استانداردسازی ارزیابی‌ها به کار رود و نه جایگزینی تصمیم‌گیری بالینی انسانی.

محدوده‌های آینده تحقیق

برای تبدیل این رویکرد به یک راهکار کاربردی، مطالعات بعدی باید شامل موارد زیر باشد:

• افزایش اندازه نمونه و تنوع جمعیتی از لحاظ سن، جنس، قومیت و سطح عملکردی.
• آزمون در محیط‌های واقع‌بینانه‌تر با شرایط نوری و فضای متفاوت.
• گسترش مجموعه حرکات به فعالیت‌های عملکردی روزمره و تمرینات بالاتنه.
• ارزیابی پذیرش کاربران، تاثیر روانی ضبط ویدئو و ملاحظات حریم خصوصی.
• یکپارچه‌سازی بازخورد بلادرنگ و آزمون اینکه آیا بازخوردهای ارائه‌شده به فرد باعث بهبود کیفیت حرکت می‌شود یا خیر.

این یافته برای بیمار چه معنایی دارد؟

برای سالمندی که در خانه سالمندان تمرین می‌کند، این تحقیق نشان می‌دهد احتمالاً در آینده نزدیک راه‌هایی برای نظارت دقیق‌تر و کم‌هزینه‌تر بر کیفیت تمرینات وجود خواهد داشت. از دید بیمار و خانواده، این فناوری می‌تواند به موارد زیر کمک کند:

• ثبت دقیق‌تر مدت و تعداد تکرار تمرینات و ارائه بازخورد مستند به تیم درمانی.
• کاهش نیاز به حضور مداوم نیروی انسانی برای پایش ساده اجرا و تمرکز نیروی انسانی بر موارد پیچیده‌تر.
• آگاهی‌بخشی نسبت به افت یا تغییر تدریجی عملکرد که می‌تواند باعث ارجاع به ارزیابی بالینی زودتر شود.

با این حال لازم است تاکید شود که این ابزار در وضعیت فعلی جایگزین مشاوره یا تصمیم‌گیری‌های درمانی توسط پزشک یا فیزیوتراپ نمی‌شود و صرفاً می‌تواند مکمل اطلاعات مورد نیاز تیم درمان باشد.

چه زمانی باید با پزشک مشورت کرد؟

• اگر در حین یا بعد از تمرین درد جدید، تیر کشیدن، یا تورم موضعی ایجاد شد.
• اگر مشاهده می‌کنید کاهش ناگهانی در توانایی حرکتی یا تعادل رخ داده، یا خطر افتادن افزایش یافته است.
• اگر سالمندی علائم قلبی مانند درد قفسه سینه، تنگی نفس یا سبکی سر را هنگام انجام فعالیت نشان دهد.
• در صورت داشتن شرایط پیچیده پزشکی (مثلاً پس از جراحی اخیر، لخته خون، یا مشکلات عصبی شدید) قبل از شروع یا تغییر برنامه تمرینی.
• اگر خانواده یا مراقبان نسبت به تغییرات عملکردی یا عدم‌پاسخ به برنامه‌ تمرینی نگرانی دارند.

پرسش‌های رایج

آیا این سیستم می‌تواند به جای فیزیوتراپ کار کند؟

خیر. در این مرحله سیستم می‌تواند اطلاعات کمی و کمک‌کننده فراهم کند، اما تصمیم‌گیری درمانی و طراحی برنامه‌های پیچیده هنوز به تبحر فیزیوتراپ نیاز دارد.

آیا ضبط ویدئو برای همه سالمندان مناسب است؟

ممکن است برخی افراد به دلیل حریم خصوصی یا شرایط خاص فیزیکی تمایل یا امکان ضبط نداشته باشند. پذیرش فردی و ملاحظات قانونی باید بررسی شود.

آیا دقت سیستم برای همه تمرین‌ها یکسان است؟

نه. مطالعه نشان داد دقت در اندازه‌گیری‌هایی مانند مدت و تعداد تکرار خوب است، اما دقت در اندازه‌گیری تغییرپذیری و دامنه حرکتی بین تمرین‌ها و مفاصل مختلف متفاوت است.

آیا می‌توان سیستم را در خانه‌های سالمندان نصب کرد؟

از نظر فنی بله، اما پیش از پیاده‌سازی باید آزمون محلی، آموزش کارکنان، پروتکل‌های حریم خصوصی و روشهای نگهداری داده تدوین و اجرا شوند.

آیا این روش برای پیگیری بلندمدت وضعیت سالمندی مناسب است؟

پتانسیل آن وجود دارد، به شرطی که داده‌ها به صورت پایدار، امن و با استانداردهای کمّی قابل مقایسه جمع‌آوری شوند و تغییرات فردی و محیطی در تفسیر نتایج لحاظ گردد.

جمع‌بندی کاربردی

تحقیق مورد بررسی نشان می‌دهد که یک الگوریتم یادگیری عمیق می‌تواند از طریق یک دوربین ساده، نوع تمرین را تشخیص دهد و زوایای مفاصل را با خطای میانگین حدود ۷.۷ درجه برآورد کند. شاخص‌های پایه‌ای عملکردی مانند مدت زمان و تعداد تکرار با همبستگی بالایی نسبت به مرجع حسگرها منطبق بودند. این موضوع نویدبخش است و می‌تواند ابزار کمکی مفیدی برای پایش اجرای برنامه‌های تمرینی در محیط‌های مراقبتی باشد؛ اما محدودیت‌هایی مانند نمونه کوچک، شرایط کنترل‌شده آزمایشی، و نیاز به بررسی مسائل حریم خصوصی و پذیرش اجتماعی مانع از استفاده گسترده بالینی در این مرحله هستند.

منبع

مقاله مرجع: PLOS Digital Health ۲۰۲۶. “Deep learning-based physical exercise assessment of older adults using single-camera videos”. DOI: https://doi.org/10.1371/journal.pdig.0001576

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.