در این متن قصد داریم به معرفی پروژه‌ای که توسط تیم «دکتر بهزادی‌پور»، استاد دانشکدۀ مهندسی مکانیک دانشگاه صنعتی شریف، در آزمایشگاه موفقیان انجام شده است، بپردازیم. این پروژه در راستای توانبخشی بیماران پارکینسونی از راه دور و به کمک هوش مصنوعی انجام شده است. یکی از افرادی که روی این پروژه کار کرده، «مهندس پارسا ریاضی» است که در ادامه، توضیحات ایشان را نیز جویا می شویم.
شرح کلی از زبان دکتر بهزادی‌پور
از سال ۹۶ پروژۀ بزرگی تحت عنوان «توانبخشی از راه دور» را در «مرکز موفقیان» شروع کردیم که تبدیل به یک طرح کلان ملی شد. در این طرح، قرار بود فناوری‌های واقعیت مجازی، اندازه‌گیری و تحلیل سینماتیک اندام (تحلیل حرکت) را به‌کار بگیریم تا فعالیت‌های توانبخشی را مانیتور و هدایت کنیم. بدین معنا که بیمار، بخشی از توانبخشی را که به‌صورت تمرین درمانی (شامل تمرینات حرکتی و شناختی) است، بتواند با این تکنولوژی‌ها در منزل در زمان دلخواه انجام دهد. بعد از انجام تمرینات توسط بیمار، گزارش عملکرد وی از طریق اینترنت برای درمانگر ارسال می‌شود تا او دستورالعمل جلسۀ بعدی را تنظیم کند و بدین ترتیب، نیازی به حضور صددرصدی بیمار در کلینیک نیست. هدف این طرح، صرفاً انجام تمرینات نبود و ارزیابی بهبود در عملکرد حرکتی و شناختی مانند تشخیص فضا و زمان، حافظه، تمرکز و ... نیز از اهداف دیگر این طرح به‌شمار می‌روند.
«سامانۀ سنا» اولین سامانه‌ای بود که در این راستا طراحی و توسعه داده شد. در این سامانه که شامل یک دوربین عمق‌سنج (کینکت) و چهار نیروسنج می‌شود، بیمار جلوی یک مانیتور قرار گرفته و تمرینات خواسته‌شده را انجام می‌دهد و سنسورها عملکرد او را گزارش می‌کنند. تا قبل از سال ۹۶ این طرح به‌صورت پایلوت در دو پایان‌نامۀ ارشد و دکتری مطرح شده بود و ما به‌دنبال استفاده از اطلاعات دوربین کینکت و سینماتیک اندام، خصوصاً در قسمت فوقانی بدن (دست، شانه و سر) بودیم؛ به‌گونه‌ای که آنالیز آن‌ها بتواند ما را در حرکات درمانی و تشخیصی یاری کند.
از آنجا که این دوربین‌ها برای بازی‌های ویدیویی کاربرد دارند، در پایان‌نامه‌های قبلی نرم‌افزار آن‌ها توسعه پیدا کرده بود و در این پروژه، اجرایی‌کردن و استفادۀ درمانی از این سامانه به‌صورت جدی پیگیری شد. این پروژه در واقع حاصل همکاری با دانشکدۀ توانبخشی دانشگاه علوم پزشکی ایران است. بدین منظور، تیمی شامل سه دانشجوی علوم اعصاب و یک دانشجوی ارشد کاردرمانی به‌اضافۀ چهار دانشجوی ارشد و یک دانشجوی دکتری طراحی کاربردی تشکیل شد. بخش توسعۀ سیستم و سنسور و طراحی نرم‌افزار با دانشجویان مهندسی و بخش مطالعۀ بیمار با دانشجویان پزشکی بود.
به‌طور کلی، وقتی یک روش درمانی روی انسان انجام می‌گیرد، باید حتما تأییدیه‌ای از کمیتۀ اخلاقی داشته باشد؛ زیرا روش جدیدی که قرار است روی انسان تست شود، ممکن است ریسک زیادی داشته باشد و به انسان‌ها صدمۀ جسمی و روحی وارد کند. این موارد، با جزییات در کمیتۀ اخلاقی علوم پزشکی مورد بررسی و تأیید قرار می‌گیرند. بنابراین برای بردن این سامانه به کلینیک حتماً باید کارآزمایی بالینی روی آن در فضای کنترل‌شده انجام می‌شد. بدین منظور یک تست کاملاً کنترل‌شده، برای تشخیص اینکه آیا بیماران مورد نظر شرایط ورود به این مطالعه و دریافت نوع جدید درمان را دارند یا خیر، روی صد بیمار انجام شد. سپس اثربخشی آن توسط تیم بالینی ارزیابی شد و پس از گرفتن تأییدیه، پروانۀ بهره‌برداری و تولید از سوی ادارۀ کل تجهیزات پزشکی به ما داده شد. هم‌اکنون سامانۀ سنا در چند استان و همچنین مرکز موفقیان درحال ارائه خدمات است. لازم به ذکر است که در شهر تهران امکان ارائۀ خدمات در منزل نیز وجود دارد.
در سال ۹۸ به این نتیجه رسیدیم که این سیستم به دلیل داشتن دوربین ثابت، بخشی از فعالیت‌های تمرینی با دامنۀ حرکتی بزرگ، اعم از راه رفتن، بالا و پایین‌رفتن از پله و ... را نمی‌تواند پوشش دهد؛ بنابراین یک فناوری جدید که به‌وسیلۀ حسگرهایی می‌توانست دامنۀ حرکتی زیاد را اندازه‌گیری کند، وارد مجموعۀ درمانی کردیم که تحت عنوان سامانۀ «سپنتا» معرفی گردید. در این سامانه از فناوری IMU (Inertial Measurement Unit)، شامل یک شتاب‌سنج و ژیروسکوپ سه‌محوره، استفاده شد که اطلاعات سرعت و شتاب زاویه‌ای را می‌خوانَد و برای گوشی اندروید ارسال می‌کند. سپس این اطلاعات، توسط اپلیکیشنِ توسعه‌یافته، تحلیل و گزارش می‌شوند. در این سامانه نیز همانند سامانۀ قبلی، پس از انجام فعالیت با استفاده از سیگنال‌های سنسور، تشخیص داده می‌شود که آیا بیمار فعالیت را درست انجام داده است یا خیر و بازخورد مناسب به او می‌دهیم تا اگر نیاز است اصلاح شود و جلسات درمانی را ادامه دهیم.
هم‌اکنون مطالعات بالینی و تست‌های نهایی روی این سامانه انجام شده و در مرحلۀ درخواست استانداردسازی از ادارۀ کل تجهیزات پزشکی است. درنهایت نیز ما نیاز به یک تیم باانگیزه و توانمند در زمینۀ تجاری‌سازی برای ارائۀ این محصول آزمایشگاهی و تحقیقاتی به مراکز درمانی داریم.
لازم به ذکر است که درطول این پروژۀ تحقیقاتی تا به اینجای کار، حدود پنج الی شش پروژۀ کارشناسی معطوف به مرحلۀ تشخیص از روی سیگنال‌های سرعت و شتاب زاویه‌ای تعریف شده است. در ادامه نیز در صورت برخورد به مسئله‌ای که پتانسیل تبدیل به پروژه را داشته باشد، آن مسئله به دانشجویان علاقه‌مند معرفی خواهد شد.
توضیح کلی راجع به سامانۀ سپنتا
بیماری پارکینسون یک بیماری تحلیل عصبی، تخریبی و پیش‌رونده است که در اثر کمبود دوپامین در مغز ایجاد می‌شود. با گذشت زمان، به دلیل آنکه در این بیماری عضلات خودبه‌خود و بدون فرمان مغز عمل می‌کنند، فرد قابلیت حفظ تعادل و انجام فعالیت‌های روزمره را از دست می‌دهد. این بیماری یک بیماری طولانی‌مدت است و بر اثر گذر زمان عضلات، بیشتر تحلیل می‌روند و فرد به‌تدریج دیگر نمی‌تواند بایستد. بدین منظور برای جلوگیری از بدترشدن و کمترکردن شیب روند بیماری، انجام فعالیت‌های حرکتی به‌عنوان بهینه‌ترین راه حل برای این بیماران توصیه می‌شود. رفت‌وآمد، وجود همراه در کنار بیمار و همچنین نبود فضای کافی در کلینیک‌ها از جمله مشکلات توانبخشی در این مراکز است. این مشکلات موجب شد تا توانبخشی از راه دور در منزل بیمار، توسط تیم «سامانۀ پوشیدنی سپنتا»، در مرکز موفقیان مورد توجه قرار گرفته و پروژه‌هایی برای توسعۀ این سامانه تعریف شود.
در ابتدا، نسخۀ اولیۀ این سامانه در قالب یک لباس و تحت عنوان سامانۀ پوشیدنی طراحی شد. این سامانه دارای ده حسگر IMU (شامل شتاب‌سنج، ژیروسکوپ و مغناطیس‌سنج سه‌محوره) بود که با استفاده از سیم‌هایی به برد مرکزی در روی لباس اتصال پیدا می‌کردند. در ادامه داده‌های دریافتی از طریق لباس، به پایگاه داده‌ای که تشکیل شده بود، ارسال و ذخیره می‌شدند. با توسعۀ این پروژه، این سامانه در حال حاضر شامل دو حسگر بی‌سیم و بلوتوثی و یک اپلیکیشن اندرویدی است. برای توانبخشی از راه دور نیاز بود هنگامی که بیمار، تمرینات خاصی را که درمانگر برای او تعیین کرده، انجام می‌دهد، سامانه به او بازخورد داده و نتایج را برای پزشک بالینی او ارسال کند. همچنین این سامانه باید با استفاده از داده‌های حسگرهای اینرسی و اپلیکیشن توسعه‌یافته، قادر به ارزیابی و تشخیص درست فعالیتی که انجام می‌شود باشد (Human Activity Recognition). زنجیرۀ تشخیص فعالیت سامانۀ پوشیدنی با استفاده از داده‌برداری، پیش‌پردازش و طبقه‌بندی داده‌ها شکل می‌گیرد؛ به این صورت که داده‌برداری با استفاده از سامانۀ باسیم (لباس) یا بی‌سیم، پیش‌پردازش با استفاده از فیلترینگ (حذف داده‌های پرت یا نویزی، سیگنال‌های تقطیع‌شده در اثر قطعی سیم یا بلوتوث و ...) و طبقه‌بندی نیز با کمک یک مدل یادگیرندۀ هوش مصنوعی که دارای تشخیص با دقت بالاست، انجام می‌شود.
به‌طور کلی هوش مصنوعی (AI) تکنولوژی‌ای است که دارای همان ویژگی‌های هوش طبیعی انسان مانند استدلال، تعامل و تفکر است و توانمندسازی آن به وسیلۀ یادگیری ماشین (ML) انجام می‌شود. در یادگیری ماشین، شبکه یادگیری را از خودش آغاز کرده و مرتباً سعی در بهبود رفتار خود دارد. یکی از الگوریتم‌های خاص یادگیری ماشین، شبکه‌های عصبی (ANN) است. در این الگوریتم، شبیه به شبکه‌های عصبی درون مغز ما که از تعداد بسیاری نورون تشکیل شده‌اند، شبکه، ارتباط بین چندین دسته از داده (همانند نورون‌ها در مغز) را آموزش دیده و سپس با استفاده از آن می‌تواند موارد مشابه را تشخیص دهد. این روش به دلیل نزیک‌بودن به ساختار پیچیدۀ مغز انسان روش دقیق‌تر و کاربردی‌تری نسبت به روش‌های دیگر یادیگری ماشین به‌حساب می‌آید.
یادگیری عمیق (Deep Learning) زیرمجموعه‌ای از یادگیری ماشین در هوش مصنوعی است که از شبکه‌هایی با قابلیت یادگیری از داده‌های بدون ساختار، به شیوه‌ای که انسان روی آن نظارت و دخالت ندارد، استفاده می‌کند. برای آموزش چنین شبکه‌هایی به حجم بزرگی از داده نیاز است؛ اما در مقابل، هنگام پردازش داده‌ها می‌توانند آن‌ها را با پاسخ دریافت‌شده از یک سری سؤالات باینری درست یا غلط شامل محاسبات پیچیده ریاضی طبقه‌بندی کنند و میزان دقت تشخیص را بسیار بالا ببرند. در ابتدای کار، در پروژه‌های مختلف این تیم از شبکه‌های سادۀ یادگیری ماشین (KNN، NM، SVM) استفاده می‌شد تا اپلیکیشن با استفاده از این داده‌ها بتواند داده‌های جدید را پیش‌بینی کند و در لحظه، به بیمار بازخورد بدهد؛ اما در این مدل‌ها؛ بازخورد در لحظه دارای صحت خوبی نبود. بنابراین به سراغ مدل‌های عمیق پیشرفته با ساختارهای نوآورانه رفتند. آخرین پروژه‌ای که در آن از مدل‌های یادگیری عمیق استفاده شده، یک ساختار موازی از روش‌هایLSTM و CNN (دو روش از روش‌های یادگیری عمیق) است که همان‌طور که گفته شد، توسط مهندس پارسا ریاضی انجام شده است. مهم‌ترین هدف در کار ایشان ارتقای مرحلۀ طبقه‌بندی، از مدل سادۀ یادگیری ماشین به مدل یادگیری عمیق بوده که موجب بهبود تشخیص در لحظه شده و خطا را تا میزان زیادی کاهش داده است. این سامانه در حال حاضر آمادۀ تست‌های نهایی و تجاری‌سازی‌شدن است.
مصاحبه با مهندس پارسا ریاضی
- چه کسانی پروژۀ توانبخشی از راه دور را شروع کردند؟
این طرح از سال ۹۷-۹۸ در مرکز موفقیان، تحت نظر دکتر بهزادی‌پور، در قالب تیم پژوهشی سپنتا، شروع به کار کرد. سپس پروژه‌های متعددی روی آن تعریف شد و همچنان ادامه دارد.
- شما در این پروژه با چه چالش‌هایی رو‌به‌رو بودید؟
در این پروژه، تشخیص فعالیتی که فرد از راه دور انجام می‌داد، به وسیلۀ دو سنسور و دیتای عددی، به دلیل نداشتن تصویر، کار سختی بود. بنابراین به مدل‌های یاد‌گیرنده از جمله یادگیری ماشین و یادگیری عمیق، نیاز داشتیم که زیر‌مجموعۀ تکنولوژی هوش مصنوعی هستند.
- سامانۀ پوشیدنی اولیه چه کاربردی داشت؟
بیشترین کاربرد این لباس، جمع‌آوری دیتا برای مدل‌های یادگیری ماشین بود. برای داده‌برداری، در ابتدای کار از دوازده نمونه، (سه فرد دارای پارکینسون و نُه فرد سالم) خواسته شد که ۳۴ فعالیت متفاوت را انجام دهند و از آن‌ها داده‌برداری شد.
- فعالیت‌های طراحی‌شده چگونه و بر چه اساسی بودند؟
این فعالیت‌ها بر‌اساس پروتکل داده‌برداری به دو قسمت تقسیم می‌شدند؛ چهارده فعالیت شامل کار‌های روزمره (ADL) مثل راه‌رفتن، نشستن و برخاستن و ... و بیست فعالیت مخصوص افراد دارای بیماری پارکینسون (LSVT_BIG) با دامنۀ حرکتی زیاد که برای تحریک عضلات بود. تعداد و نوع فعالیت‌های تعریف‌شده بر‌اساس ادبیات و مقالات و همچنین تحت نظر پزشک بالینی و فیزیوتراپیست انتخاب شده بودند.
- این سامانۀ پوشیدنی به چه صورتی طراحی شد؟
دوخت و طراحی لباس، انتخاب سنسورها و محل قرارگیری هر‌کدام از آن‌ها، توسط تیم سامانۀ پوشیدنی سپنتا در مرکز موفقیان، تحت نظر دکتر بهزادی‌پور، صورت گرفت.
- سنسورها و اجزای دیگر چگونه روی لباس تعبیه شدند؟
این لباس دارای یک برد مرکزی و دو سنسور بزرگ و کوچک روی هر شاخه از بدن (دست‌ها، پا‌ها و کمر) و در مجموع ده سنسور است که از انتهای هر سنسور بزرگ با سیم به برد مرکزی وصل شده و توسط پروتکل وای‌فای به یک آی‌پی خاص در کامپیوتر ست می‌شود.
- چه زمانی به این نتیجه رسیدید که این سامانۀ پوشیدنی پاسخگوی نیاز‌ها نیست و به‌سمت مدل بی‌سیم رفتید؟
پس از داده‌برداری و انجام تست‌های مختلف متوجه شدیم که تعداد ده سنسور برای کاربرد تجاری و همچنین برای بیماری که در خانه است، زیاد هستند. بنابراین دانشجو‌ها در تحقیقات و پروژه‌های خود به‌دنبال دست‌یابی به بهترین آرایش دوتایی سنسور و بهینه‌سازی هزینه‌ها بودند. در نهایت محل قرارگیری سنسورها، یکی بر روی مچ دست و دیگری بر روی ران پا، انتخاب شد.
- سیستم بی‌سیم نسبت به سامانۀ پوشیدنی چه مزایایی دارد؟
این لباس علاوه بر محدودیت حرکتی که برای افراد ایجاد می‌کرد، گاهی هنگام پوشیدن، سیم‌هایش قطع می‌شد و عیب‌یابی آن بسیار زمان‌بر بود. انتقال دیتای سنسورهای لباس، از طریق وای‌فای و توسط کامپیوتر انجام می‌شد؛ اما این دیتاها در سیستم وایرلس از بلوتوث و بر روی گوشی، با کمک اپ ساخته‌شده، راحت‌تر قابل دسترسی بودند. قیمت هر سنسور وایرلس حدود ۳۷ دلار بود که در مجموع از هزینۀ لباس کمتر می‌شد.
- چگونه داده‌برداری با سیستم بی‌سیم، صورت می‌گرفت؟
در ابتدا برای جلوگیری از ایجاد داده‌های پرت، فعالیت‌های مختلف به‌صورت کلی به افراد آموزش داده می‌شد. سپس سنسورها یکی بر روی مچ دست و دیگری ده سانتی‌متر بالای زانو، قرار می‌گرفتند. بعد، فعالیت توسط فرد انجام می‌شد و دیتاها از طریق بلوتوث برای یک اپ به گوشی ارسال و به فرمت CSV ذخیره می‌شدند. زمان تقریبی داده‌برداری برای هر فرد یک ساعت بود. همچنین این سیستم می‌توانست حداقل دو ساعت با فرکانس ۱۰۰ هرتز داده‌برداری کند.
- دیتای مورد استفاده برای آموزش شبکه و تحلیل شامل چه چیزهایی بودند؟
سنسورهای سیستم بی‌سیم، دارای IMU هستند که پارامترهای مختلفی را اندازه‌گیری و گزارش می‌کنند؛ اما در اینجا از دیتای سرعت زاویه‌ای (Gyro) در سه محور و شتاب خطی (Acc) در سه محور استفاده می‌شد و اپلیکیشنی که آقای احسان پرتوی طراحی کرده بودند، آن‌ها را در حافظۀ گوشی اندروید ذخیره می‌کرد.
- آیا خود شما نیز داده‌برداری انجام دادید؟ چرا؟
بله. با افزایش و تنوع سناریو‌ها (فعالیت‌ها) باید دیتای بیشتری برای آموزش به شبکه داده می‌شد. بنابراین تیم ما بیش از ۸۰ فرد را داده‌برداری کرد که شامل افراد سالم، جوان، مسن (بالای ۴۰ سال) و بیماران پارکینسونی بود و خود من به شخصه از حدود ۳۰ نفر داده‌برداری کردم.
- شما از چه مدلی استفاده کردید؟
من از مدل یادگیری عمیق برای افزایش دقت شبکه استفاده کردم (LSTM & CNN). با استفاده از این مدل و پس‌پردازش، دقت نتایج به ۸۵ درصد رسید که برای این تعداد فعالیت، نتیجۀ خوبی است؛ اما برخی فعالیت‌ها در ماهیت بسیار به هم شبیه بودند که این موضوع، دقت شبکه را پایین می آورد. چالشی که در این مدل وجود داشت آن بود که همچنان علاوه بر داده‌برداری، نیاز به افزایش تعداد داده‌ها بود. بنابراین من شش روش افزایش داده را بررسی کردم و در نهایت حجم پایگاه داده را تا حدود سه برابر افزایش دادم که منجر به دقت ۹۵ درصد در تشخیص شبه لحظه (با تأخیر) و ۸۹ درصد در تشخیص در لحظه بود. سپس از دیتای ورودی شانزده ویژگی استخراج شد که از آن‌ها در جهت تشخیص نوع فعالیت استفاده می‌شد.
- روش‌های افزایش داده چه فوایدی داشت و شامل چه چیزهایی بود؟
روش‌های افزایش داده به پایگاه داده تنوع می‌بخشید و باعث تقویت شبکه می‌شد که شامل افزایش طول سیگنال در حوزۀ زمان، افزایش دامنۀ سیگنال، ترکیب خطی دو پنجره، یاد‌گرفتن دیتا و ساختن دیتای جدید توسط یک دیتا یا گروهی از آن‌ها و ... بود.
- اپلیکیشنی که بیمار از آن استفاده می‌کند، چگونه کار می‌کند؟
در اپلیکیشن، فعالیت‌ها زیر نظر پزشک انتخاب، پکیج‌بندی و بر روی گوشی ست می‌شوند. هنگامی که بیمار حرکتی را انجام می‌دهد، اپ با استفاده از آموزشی که دیده است، تشخیص می‌دهد که فرد فعالیت را درست انجام داده است یا نه. سپس نتایج را برای پزشک بالینی فرد می‌فرستد تا او روند درمان را بدون حضور بیمار مشاهده کند.
- آیا این سامانۀ توانبخشی از راه دور می‌تواند به بهبود بیماران نیز کمک کند؟
این فعالیت‌های حرکتی بیشتر در جهت پیشگیری از بدترشدن وضعیت فرد هستند و وضعیت فرد را پایدار می‌کنند؛ زیرا فعالیت‌های با شدت بالا موجب می‌شود که عضله به فعالیت عادت کرده و از بدترشدن اوضاع آن و تحلیل‌رفتن آن جلوگیری می‌کنند. برخی از بیماران نیز گزارش کرده‌اند که این حرکات باعث بهبود حال روحی و جسمی‌شان شده است.
- آیا کار مشابهی نیز برای توانبخشی از راه دور انجام شده است؟
بله. در کار قبلی، فرد رو‌به‌روی دوربین کینکت می‌نشست و بر روی صفحۀ مانیتور رو‌به‌روی او، بازی‌ای که توسط پزشک انتخاب شده بود، قرار می‌گرفت. این بازی به‌گونه‌ای بود که در طی آن، فرد حرکاتی انجام می‌داد که باید عضلات خود را به عمل وامی‌داشت تا بازی به‌درستی انجام شود. دوربین کینکت مختصات بدن را شناسایی می‌کرد و تشخیص می‌داد که بازی درست انجام شده است یا نه و در نهایت، نتیجۀ بازی را برای پزشک بالینی می‌فرستاد. این سامانه به دلیل تأثیر مثبت درمانی که داشته، مورد توجه مراکز درمانی قرار گرفته و در حال ورود به فرایند تجاری‌سازی است.
- آیا سامانۀ سپنتا تجاری‌سازی شده است؟
در حال حاضر این سامانه مراحل استانداردسازی و گرفتن مدارک لازم از ادارۀ کل تجهیزات پزشکی را طی می‌کند و اسم تجاری آن نیز، «سامانۀ توانبخشی از راه دور سپنتا» است.
