به گزارش روابط عمومی دانشکده فناوری های نوین پزشکی، ایمان علیدادیانی؛ دانشجوی دکترای تخصصی هوش مصنوعی در نشست گروه آموزشی هوش مصنوعی در علوم پزشکی به بحث تشخیص احساسات و حرکات انسان توسط ماشین پرداخت.

وی گفت: موضوع اصلی تشخیص احساس و حرکت انسان، تمایز بینپاسچر(Posture) وجستچر(Gesture) است؛  منظور از پاسچر، حالت کلی بدن مانند نشستن یا ایستادن بوده در حالی که جستچر به حرکات هدفمند و دارای معنای خاص مانند تکان دادن دست، اشاره می‌کند.

علیدادیانی با بیان این پرسش که چگونه می‌توان به ماشین یاد داد تا این حرکات و حالت‌ها را تشخیص داده و تفسیر کند؟، افزود: این فناوری می تواند در حوزه های توانبخشی مانند نظارت بر حرکات بیمار و پیشرفت او و روانشناسی به منظور تشخیص احساسات و اختلات روانی و همچنین امنیت و تشخیص دروغ کاربرد داشته باشد.

وی با اشاره به اهمیت تشخیص سیگنال‌های عضلانی در این فناوری، ادامه داد: ایجاد یک روش سریع و دقیق برای تشخیص این سیگنال‌ها مهم است زیرا سیگنال‌های عضلانی ولتاژ بالاتری نسبت به سیگنال‌های مغزی دارند و در نتیجه، تشخیص آن‌ها آسان‌تر است.

این دانشجوی دکترای تخصصی هوش مصنوعی یادآور شد: هر حرکت عضله، یک سیگنال ولتاژ منحصر به فرد ایجاد می‌کند و یکی از این روش های تشخیص آن استفاده از سیگنال‌های الکترومایوگرافی سطحی (sEMG) است که شامل قرار دادن سنسورها بر روی سطح پوست برای دریافت سیگنال‌های الکتریکی ناشی از فعالیت عضلات می شود.

وی با اشاره به چالش «نویز» در سیگنال های حرکتی، گفت: با تکرار حرکات و جمع‌آوری داده‌های بیشتر، می توان اثر نویز را کاهش داد تا دقت تشخیص افزایش ‌یابد.

علیدادیانی با بیان اینکه سیگنال‌های عضلانی در مقایسه با روش‌های مبتنی بر دوربین، به نور حساس نیستند، افزود: می‌توان از سیگنال‌های عضلات ب برای کنترل دست مصنوعی بدون نیاز به دوربین یا تصاویر استفاده کرد؛ در واقع ماشین یاد می‌گیرد که چگونه سیگنال‌های مختلف عضلات را با حرکات مچ دست مرتبط کند. سپس، می‌توان این برآیند را برای تولید حرکات مشابه در شرایط مختلف به کار برد.

این پژوشگر هوش مصنوعی یادآور شد: مدلی که برای سیگنال‌های عضلانی طراحی شده، می‌تواند برای سایر انواع سیگنال‌ها مانند سیگنال‌های چشم یا مغز نیز استفاده شود.

وی گفت: در دنیای واقعی این فناوری علاوه بر اندام های مصنوعی کاربردهای گسترده‌ای در زمینه‌های مختلف دارد، از جمله کاردرمانی برای کمک به افراد برای انجام فعالیت‌های روزمره با استفاده از سیگنال‌های عضلانی وکنترل بازی‌ها با سیگنال مغزی به منظور کنترل شخصیت‌ها در بازی‌های کامپیوتری با استفاده از سیگنال‌های مغزی به‌ویژه برای افراد دارای معلولیت هستند.

علیدادیانی ادامه داد: ارتباط با کامپیوتر در اتاق عمل یعنی کنترل کامپیوتر با حرکات دست (بدون لمس) در اتاق عمل برای جلوگیری از انتقال عفونت و همچنین کاهش خطاهای انسانی در جراحی‌های رباتیک از دیگر کاربردهای فناوری تشخیص حرکات با هوش مصنوعی هستند.

وی در ادامه اظهار کرد: برای دستیابی به این فناوری استفاده از مدل‌های یادگیری سبک  (Light weight deep learning) به جای استفاده از شبکه‌های عصبی عمیق (Deep Learning)توصیه می‌شود؛ چون مقرون به صرفه تر و کم حجم تر از مدل های سنگین تر است.

این دانشجوی دکترای تخصصی هوض مصنوعی ادامه داد: در روش‌های سنتی یادگیری عمیق، برای طبقه‌بندی حرکات مختلف مثلاً حرکات دست و انگشتان)نیاز به شبکه‌های عصبی بسیار بزرگ با پارامترهای فراوان است و این شبکه‌ها به حافظه و توان پردازشی زیادی نیاز دارند.

وی گفت: در تشخیص حرکات با هوش مصنوعی اینکه اطلاعات از سیگنال‌های مختلف در مقیاس‌های متفاوت جمع‌آوری و ترکیب شوند، بسیار مهم است که اصطلاحاً به آن فیوژن چند مقیاسی (Multi-Scale Fusion) گفته می شود؛ همچنین  با استفاده از مکانیسم‌های توجه (Attention-Based) ، بخش‌های مهم‌تر اطلاعات در سیگنال‌ها باید شناسایی و وزن‌دهی ‌شوند.

وی افزود: نکته مهم دیگر پیکربندی کار بر اساس معماری Inception Net است. در این معماری، فیلترها با اندازه‌های مختلف (مولتی‌اسکیل) بر روی داده‌ها اعمال شده تا ویژگی‌های مختلف شامل جزئیات ریز و ویژگی‌های کلی استخراج شوند.