يولد جسم الإنسان باستمرار مجموعة متنوعة من الإشارات التي يمكن قياسها من خارج الجسم بأجهزة يمكن ارتداؤها. يمكن أن تشير هذه الإشارات الحيوية-التي تتراوح من معدل ضربات القلب إلى حالة النوم ومستويات الأكسجين في الدم-إلى ما إذا كان شخص ما يعاني من تقلبات مزاجية أو يمكن استخدامه لتشخيص مجموعة متنوعة من اضطرابات الجسم أو الدماغ.
يمكن أن تكون رخيصة نسبيا لجمع الكثير من بيانات الإشارة الحيوية. يمكن للباحثين تنظيم دراسة وطلب من المشاركين استخدام جهاز يمكن ارتداؤه على غرار ساعة ذكية لبضعة أيام. ومع ذلك ، لتدريس خوارزمية التعلم الآلي لإيجاد علاقة بين الإشارة الحيوية المحددة والاضطراب الصحي ، تحتاج أولاً إلى تعليم الخوارزمية للتعرف على هذا الاضطراب. هذا هو المكان الذي يأتي فيه مهندسو الكمبيوتر مثلي.
تدعم العديد من الساعات الذكية التجارية ، مثل تلك التي كتبها Apple و AliveCor و Google و Samsung حاليًا اكتشاف الرجفان الأذيني. الرجفان الأذيني هو نوع شائع من إيقاع القلب غير المنتظم ، وتركه دون علاج يمكن أن يؤدي إلى ضربة. تتمثل إحدى طرق اكتشاف الرجفان الأذيني تلقائيًا في تدريب خوارزمية التعلم الآلي للتعرف على ما يبدو عليه الرجفان الأذيني في البيانات.
يتطلب نهج التعلم الآلي هذا مجموعات بيانات الإشارة الحيوية الكبيرة حيث يتم تصنيف مثيلات الرجفان الأذيني. يمكن أن تستخدم الخوارزمية الحالات المسمى لتعلم التعرف على علاقة بين الرجفان الحيوي والرجفان الأذيني.
يمكن أن تكون عملية وضع العلامات باهظة الثمن لأنها تتطلب خبراء ، مثل أطباء القلب ، من خلال مرور ملايين نقاط البيانات وتسمية كل مثيل من الرجفان الأذيني. تمتد نفس المشكلة إلى العديد من الإشارات الحيوية والاضطرابات الأخرى.
لحل هذه المشكلة ، قام الباحثون بتطوير طرق جديدة لتدريب خوارزميات التعلم الآلي مع عدد أقل من الملصقات. من خلال التدريب الأول على نموذج التعلم الآلي لملء فراغات بيانات الإشارة الحيوية غير المقيدة على نطاق واسع ، يتم تحضير نموذج التعلم الآلي لتعلم العلاقة بين الإشارة الحيوية واضطراب أقل من الملصقات. وهذا ما يسمى ما قبل. يساعد PRETROINING حتى أن نموذج التعلم الآلي على تعلم علاقة بين الإشارة الحيوية واضطراب عندما يتم تجهيزه على إشارة حيوية غير ذات صلة تمامًا.
تم العثور على الإشارات الحيوية في جميع أنحاء الجسم وتقديم معلومات حول وظائف جسدية مختلفة. كل من هذه هي الإشارة الحيوية التي تقيس إشارة فسيولوجية محددة بطريقة غير موسعة. إلوي جينجار
تحديات العمل مع الإشارات الحيوية
قد يكون العثور على العلاقات بين الإشارات الحيوية والاضطرابات أمرًا صعبًا بسبب الضوضاء ، أو البيانات غير ذات الصلة ، والاختلافات بين الإشارات الحيوية للأشخاص ، ولأن العلاقة بين الإشارة الحيوية والاضطراب قد لا تكون واضحة.
أولاً ، تحتوي الإشارات الحيوية على الكثير من الضوضاء. على سبيل المثال ، عندما ترتدي ساعة ذكية أثناء الركض ، ستتحرك الساعة. هذا يتسبب في تسجيل المستشعر لعملية الإشارة الحيوية في مواقع مختلفة أثناء التشغيل. نظرًا لأن المواقع تختلف باختلاف التشغيل ، فقد يكون التقلبات في قيمة الإشارة الحيوية الآن بسبب الاختلافات في موقع التسجيل بدلاً من العمليات الفسيولوجية.
ثانياً ، تعتبر الإشارات الحيوية للجميع فريدة من نوعها. غالبًا ما يختلف موقع الأوردة ، على سبيل المثال ، بين الناس. هذا يعني أنه حتى إذا تم ارتداء الساعات الذكية في نفس المكان بالضبط على معصمي الجميع ، يتم تسجيل التوقيع الحيوي المتعلق بتلك الأوردة بشكل مختلف من شخص إلى آخر. ستؤدي نفس الإشارة الأساسية ، مثل معدل ضربات القلب لشخص ما ، إلى قيم مختلفة من الإشارات الحيوية.
يمكن أن تكون الإشارة الأساسية نفسها فريدة من نوعها للأشخاص أو مجموعات من الناس. يبلغ معدل ضربات القلب المريح للشخص العادي حوالي 60 إلى 80 نبضة في الدقيقة ، ولكن يمكن للرياضيين أن يستريحوا معدلات ضربات القلب تصل إلى 30-40 نبضة في الدقيقة.
أخيرًا ، غالبًا ما تكون العلاقة بين الإشارة الحيوية والاضطراب معقدة. هذا يعني أن الاضطراب ليس واضحًا على الفور من النظر إلى الإشارة الحيوية.
تسمح خوارزميات التعلم الآلي للباحثين بالتعلم من البيانات وحساب التعقيد والضوضاء وتغير الأشخاص. باستخدام مجموعات بيانات الإشارة الحيوية الكبيرة ، فإن خوارزميات التعلم الآلي قادرة على إيجاد علاقات واضحة تنطبق على الجميع.
تعلم ملء الفراغات
يمكن للباحثين استخدام بيانات الإشارة الحيوية غير المسماة كاحماء لخوارزمية التعلم الآلي. هذا الاحماء ، أو التدريب المسبق ، يحدد خوارزمية التعلم الآلي لإيجاد علاقة بين الإشارة الحيوية واضطراب. هذا يشبه إلى حد ما المشي حول حديقة للحصول على وضع الأرض قبل العمل على طريق للركض.
هناك العديد من الطرق لتسريع خوارزمية التعلم الآلي. في بحثي مع باحث Dolby Laboratories Lie Lu والبحث السابق ، يتم تعليم خوارزمية التعلم الآلي لملء الفراغات.
للقيام بذلك ، نأخذ التوقيع الحيوي وننشئ ثغرات ذات طول معين-على سبيل المثال ، ثانية واحدة. نعلم بعد ذلك خوارزمية التعلم الآلي لملء القطعة المفقودة من الإشارة الحيوية. هذا ممكن لأن خوارزمية التعلم الآلي ترى ما يبدو عليه الإشارة الحيوية قبل وبعد الفجوة.
إذا كان معدل ضربات القلب للشخص حوالي 60 نبضة في الدقيقة قبل الفجوة ، فمن المحتمل أن يكون هناك نبضات في الفجوة الثانية. في هذه الحالة ، نقوم بتدريب خوارزمية التعلم الآلي للتنبؤ بموعد حدوث نبضات القلب.
بمجرد قيامنا بتدريب خوارزمية التعلم الآلي للقيام بذلك ، ستجد علاقة بين معدل ضربات القلب لشخص ما وعندما يحدث النبض التالي. يمكننا الآن تدريب خوارزمية التعلم الآلي مع هذه العلاقة بين معدل ضربات القلب الطبيعي والتوقيع الحيوي الذي تم تعلمه بالفعل. هذا يجعل من السهل على الخوارزمية تعلم العلاقة بين معدل ضربات القلب والرجفان الأذيني. نظرًا لأن الرجفان الأذيني يتميز بضربة نبضات سريعة وغير منتظمة ، والخوارزمية أصبحت جيدة الآن في التنبؤ بموعد حدوث نبضات القلب ، يمكن أن تتعلم بسرعة اكتشاف هذه المخالفات.
التعلم الآلي قبل التدريب على ملء الفراغات من التوقيع الحيوي للقلب. إلوي جينجار
يمكن تعميم فكرة ملء الفراغات على الإشارات الحيوية الأخرى أيضًا. لقد أظهرت الأبحاث السابقة ، وأكدت عملنا ، أن تدريج نموذج على الإشارة الحيوية دون أي علامات يسمح له بتعلم علاقات مفيدة سريريًا من الإشارات الحيوية الأخرى مع بعض الملصقات. هذا الاختصار يعني أن الباحثين يمكنهم أن يسبق لهم الإشارات الحيوية التي يسهل جمعها واستخدام نموذج التعلم الآلي على تلك التي يصعب جمعها وتسمية.
تطور الكشف عن الاضطراب بشكل أسرع
من خلال تحسين التدريب ، يمكن للباحثين جعل خوارزميات التعلم الآلي أفضل وأكثر كفاءة في اكتشاف الأمراض والاضطرابات. التحسينات المسبقة تقلل من التكلفة والوقت الذي يقضيه خبراء وضع العلامات.
ومن الأمثلة الحديثة على خوارزميات التعلم الآلي المستخدمة للكشف المبكر أن فقدان Google لميزة ساعة النبض الذكية. يمكن أن يساعد الحقل الناشئ في تدريب الإشارة الحيوية في تمكين تطوير ميزات مماثلة بشكل أسرع باستخدام مجموعة واسعة من الإشارات الحيوية ومجموعة واسعة من الاضطرابات.
مع وجود أنواع متزايدة من الإشارات الحيوية والمزيد من البيانات ، قد يكون الباحثون قادرين على اكتشاف العلاقات التي تحسن بشكل كبير الكشف المبكر عن الأمراض والاضطرابات. تم العثور على العديد من الأمراض والاضطرابات في وقت سابق ، وكلما كانت خطة العلاج أفضل للمرضى.
يتم إعادة نشر هذه المقالة من المحادثة ، وهي مؤسسة إخبارية مستقلة غير ربحية تجلب لك الحقائق والتحليلات الجديرة بالثقة لمساعدتك على فهم عالمنا المعقد. كتبه: Eloy Geenjaar ، معهد جورجيا للتكنولوجيا
اقرأ المزيد:
يتلقى Eloy Geenjaar تمويلًا من المعهد الوطني للصحة والمؤسسة الوطنية للعلوم ، وأجرى أبحاث الإشارة الحيوية خلال فترة تدريب في Dolby Laboratories.