تخصص در تحلیل حرکات بدن دیگر نیازمند آموزش مدلهای مجزا برای هر نقطه از بدن نیست. اگر توسعهدهنده گجتهای پوشیدنی هستید، اکنون میتوانید یک مدل واحد را روی مچ دست، کمر یا مگایین اجرا کنید و نتایج یکسانی بگیرید.
در ۲۰ ژوئیه ۲۰۲۶، Yang AI Lab از مدل Inertia-1 پردهبرداری کرد؛ یک مدل بنیادی (Foundation Model) جهانی که اتکای صنعت به مدلهای سفارشی برای هر مودالتیِ حسگری را میشکند. طبق گزارش منتشر شده در yang-ai-lab.github.io، این مدل اجازه میدهد یک بازنمایی واحد، حرکات انسانی را فارغ از محل قرارگیری حسگر رمزگشایی کند.
تاریخچه مدلسازی حرکت، میدانی پراکنده بوده است. اکثر سامانهها برای یک دستگاه مچی در مقابل یک دستگاه کمربندی، به آموزشهای جداگانه نیاز داشتند؛ زیرا مجموعهدادهها در نرخ نمونهبرداری، طول پنجره و فرمت سیگنال با هم اختلاف داشتند. همانطور که در تحلیلهای پیشین ما دربارهی استانداردسازی دادههای زیستسنجی اشاره کردیم، این نبودِ هماهنگی باعث میشد یافتههای یک چیدمان بهندرت به چیدمان دیگر منتقل شود.
Inertia-1 بر اساس مستندات این آزمایشگاه، از یک خط لوله سه مرحلهای استفاده میکند. ابتدا، مدل تحت پیشآموزش (Pretraining) خودنظارتی در مقیاس وسیع روی بیش از ۱۸ میلیون ساعت دادههای شتابسنج از گروههای جهانی قرار میگیرد. دوم، این بازنمایی با کمترین میزان تنظیم دقیق (Fine-tuning)، به دستگاههای جدید یا نرخهای نمونهبرداری متفاوت منتقل میشود. در نهایت، مدل در وظایفی متنوع، از ردیابی تناسب اندام تا غربالگریهای بالینی سلامت، مستقر میشود.
مشخصات فنی و یافتهها
تطبیقپذیری این مدل مدیون چندین انتخاب معماری و دادهای است:
- انعطاف در جایگذاری: مدلی که روی دادههای مچ دست پیشآموزش دیده، میتواند روی نقاط دیگر بدن مانند قفسه سینه، کمر یا مچ پا متمرکز شود و بدون آموزش مجدد، عملکرد خود را حفظ کند.
- تلفیق حسگرها: اگرچه مدل با شتابسنجها کار میکند، اما افزودن جریانهای ژیروسکوپ و مغناطیسسنج، خوشههای حرکتی پاکتر و دقت بالاتری ایجاد میکند.
- پنجرهبندی بهینه: این پژوهش نشان داد که پنجرههای ۳۰ تا ۶۰ ثانیهای، بهترین توازن را بین ثبت زمینه (Context) و حفظ تیزی سیگنال برقرار میکنند.
- نرخ نمونهبرداری: در حالی که نرخ ۱ هرتز برای تشخیص فعالیتهای کلی کافی است، سیگنالهای سلامتی دقیقتر به نرخهای بالاتر نیاز دارند.
پیامدهای میدانی
برای جامعه فنی، Inertia-1 این فرض را میشکند که مدلهای حرکتی باید برای سختافزار یا آناتومی خاصی تخصصی شوند. بر اساس یافتههای این پژوهش، مدلسازی در حوزه زمان (Time-domain)، نشانههای گامبرداری و سلامت را بهتر از بازسازی در حوزه فرکانس حفظ میکند و نقشهای برای مدلهای بنیادی آینده در گجتهای پوشیدنی ارائه میدهد.
این رویکرد در واقع با حرکات انسانی مانند یک زبان جهانی برخورد میکند. توسعهدهندگان دیگر مجبور نیستند برای هزاران مورد کاربرد مختلف، هزاران مدل کوچک بسازند؛ بلکه میتوانند از یک ستون فقرات (Backbone) واحد استفاده کرده و آن را برای پیامدهای بالینی یا تناسب اندام مورد نیاز خود تنظیم کنند.
اکنون پژوهشگران میتوانند بررسی کنند که این بازنمایی واحد چگونه با اختلالات حرکتی خاص یا سختافزارهای حسگری سهمحوره جدید سازگار میشود.
گام بعدی شما
- بررسی مستندات Yang AI برای پیادهسازی لایههای انتقال روی سختافزارهای لبه (Edge).
- ارزیابی مدلهای فعلی خود در برابر معیار «حفظ سیگنال در حوزه زمان» بهجای تبدیل فوریه.
- آزمایش اثر افزودن دادههای ژیروسکوپ بر دقت خوشهبندی حرکتی در پروژههای جاری.
اما تأثیر این مدل بر کاهش مصرف انرژی در پردازشهای لبه حتی حیاتیتر است — به تحلیل ما دربارهی معماریهای بهینه برای NPU مراجعه کنید.
گفتگو