سازمان بهداشت جهانی توانبخشی را یکی از چهار جز مهم مراقبت‌های سلامت می‌داند. با پیشرفت توانبخشی سازمان بهداشت جهانی یک تقسیم‌بندی سلامت، کارایی و ناتوانی را منتشر کرده است که ICF نام دارد. توجه به این تقسیم‌بندی‌ها کاربردهای توانبخشی را بسیار به روز کرده است. به ویژه با تاکید بر توانبخشی به کمک هوش مصنوعی و یادگیری ماشین با شبکه عصبی. در ادامه این مقاله از مجله فناوریهای توان افزا و پوشیدنی به مرور کاربردهای هوش مصنوعی در توانبخشی می‌پردازیم.
هوش مصنوعی یک فرآیند پرتکرار است که به توانایی ماشین برای درک اطلاعات، نگهداری آن در حافظه و به‌کارگیری آن در سامانه‌های گسترش‌پذیر اشاره دارد. هوش مصنوعی ترکیبی از اطلاعات مجازی و ماشین‌های پیشرفته است. یادگیری ماشین به فن ساخت الگوریتم‌هایی اشاره دارد که با تجربه رشد می‌کنند و بهبود می‌یابند.
همه‌گیری COVIN-19 خدمات سلامت را به شدت تحت تاثیر قرار داد. فاصله‌گذاری اجتماعی و سیاست‌های جداسازی برای کاهش خطر انتقال ویروس از جمله اقدامات انجام شده بود. در زمان همه‌گیری توانبخشی اهمیت ویژه‌ای یافت. توانبخشی برای حفظ قدرت بدنی و سلامت افراد دارای بیماری‌های مضمن و شدید بسیار حیاتی است.
کرونا و توانبخشی غیر حضوری
در زمان همه‌گیری اولویت درمان بیماری‌های شدید سبب عقب افتادن درمان بیماری‌های خفیف شد. تعویق توانبخشی اما گزینه خوبی نبود زیرا شرایط پیشرونده فیزیکی و روانی فرد سبب افزایش بار سیستم سلامت در آینده می‌شد.
بنابراین افراد امتیاز مراقبت‌های حضوری با فیزیوتراپ را از دست دادند. نتیجه درمان منفعل است. این یافته با توجه به مطالعات انجام شده با چت‌بات‌های هوشمند قابل اعتماد است. مطالعات نشان می‌دهد که در حالتی که چت به بات یک تصویر برای بیان واکنش‌ها و حرکات صورت داده شود، کاربر تجربه‌ای از صمیمیت خواهد داشت. به همین ترتیب استفاده از ربات‌های توانبخشی نیز تماس انسان‌ها با یکدیگر را کمرنگ خواهد کرد. در این صورت تعبیه شدن یک صفحه نمایش برای ماشین و برهم‌کنش با کاربر از طریق یک صورتک مهم است. به طور مثال اگر قرار است هوش مصنوعی به کاربر نوعی توصیه ارائه دهد، باید یک رابط کاربری برای افزایش مدت زمان برهم‌کنش با کاربر و همدلی با او هم وجود داشته باشد.
شبکه های عصبی مصنوعی چگونه کار می کنند؟
مغز انسان بسیار پیچیده است. در واقع مغز پیچیده‌ترین سامانه پردازش شناخته شده است. فرآیندهای مغزی انسان با یافتن مشابهی برای نورون‌ها و شبکه عصبی زیستی مغز مدلسازی می‌شوند. در مغز انسان در حدود صد میلیارد نورون وجود دارد که با مسیرهایی به یکدیگر متصل هستند و یک شبکه می‌سازند. این توصیف مبدا کلیه فناوریهای مصنوعی برای ساخت همتای مصنوعی شبکه عصبی مغز است.
شبکه عصبی مصنوعی در واقع یک مدل آماری است که مستقیما از شبکه نورونی زیستی ملهم شده است. شبکه‌های عصبی برای مدلسازی روابط غیرخطی بین ورودی و خروجی استفاده می‌شوند. شبکه‌های عصبی با یکسری یال وزن دار بین راس‌های شبکه تشکیل می‌شوند. وزن این یال‌ها در طی فرآیند یادگیری ماشین تغییر می‌کند.
ساختار شبکه های عصبی
به صورت ساختاری شبکه عصبی با چند لایه نورون مصنوعی ساخته می‌شود. هر نورون در واقع یک واحد محاسباتی برای دریافت یک ورودی و ایجاد یک خروجی است. همه نورون‌ها یک آستانه برای دریافت و انتقال پیام دارند.
در ساده‌ترین حالت لایه نخست لایه ورودی است. در کنار آن یک یا چند لایه میانی و نهفته وجود دارد که نهایتا به لایه خروجی می‌رسند. هر لایه می‌تواند شامل یک یا تعداد بیشتری نورون باشد.
مدل‌های شبکه‌های عصبی با افزایش لایه‌های میانی یا پنهان ویا با افزایش تعداد نورون‌های در لایه‌های شبکه، پیچیده می‌شوند. با افزایش این لایه‌ها قابلیت حل مساله در شبکه بهبود می‌یابند. افزایش پیچیدگی مدل معمولا به دقیق بودن مدل کمک می‌کند.
تغییرات لایه‌های میانی سبب تغییر در خروجی می‌شود. در واقع تغییرات این لایه‌ها نوعی نمایش گسترده است. در واقع معنایی که به سیگنال یک نورون نسبت می‌دهیم با معنایی که به کل شبکه نورونی نسبت داده می‌شود تفاوت دارد. این معنا همان نمایش گسترده است که از تغییرات نورون‌ها در لایه‌های پنهان ناشی می‌شود.
یک نکته مهم این است که شبکه‌های عصبی در عین فوق‌العاده بودن، پیچیده هم هستند. به همین نسبت توصیف و کارکرد پیچیده‌ای هم دارند. در صورتیکه الگوریتم شبکه عصبی یکی از انتخابات برای حل مساله باشد، باید این نکته را در نظر گرفت.
یادگیری ماشین و تحلیل داده در توانبخشی
هم اکنون بخش وسیعی از زندگی ما تحت تاثیر علوم داده است. در واقع همه چیز از جمله تصاویر صفحه نمایش تا تبلیغ گوشه صفحه و هر چیزی بین این دو رخ می‌دهد تحت تاثیر علوم داده است.
علوم داده نتایج کمی مورد نیاز برای توانبخشی را تولید می‌کند. این داده‌ها را درمانگران توانبخشی برای هدف گذاری برای بیمارانشان و کشف راه‌هایی برای کمک به بیماران استفاده می‌کنند. مسلما هر چه دقت بیشتری برای این تحلیل‌ها صرف شود، بیماران راضی‌تر خواهند بود.
مثالی از پژوهش های هوش مصنوعی
دانشیار پزشکی دانشگاه Shanghai Jiao Tong و بیمارستان Ruijin، Minos Niu و همکارانش با استفاده از هوش مصنوعی یک گراف دانش در مورد توانبخشی سکته مغزی ساختند. این گراف الگوریتم محور توصیه‌هایی در مورد درمان بیماران و مراقبت از آنان ارائه می‌دهد.
در حوزه کاربردهای اسکلتی-عضلانی هوش مصنوعی پتانسیل خود را در موضوعات مختلف فیزیوتراپی مانند خودکار سازی، دسته بندی و پیش‌بینی نشان داده است. این کار توسط دکتر Christopher Tack در بریتانیا انجام شده است.
هر دو پژوهش کاربردهای هوش مصنوعی به کاربردهای یادگیری ماشین برای کمک به متخصصین توانبخشی و دانشمندان در مدیریت کلان داده‌های مربوط به توانبخشی( که در حین توانبخشی جمع‌آوری شده است) اشاره دارد. این پژوهش‌های نهایتا به طراحی هوش مصنوعی تصمیم گیرنده ختم شده است. نتیجه این است که درمانگران با مراجعه به هوش مصنوعی و برنامه‌ریزی درمان خود، در کنار سایر روش‌های تصمیم گیری در مورد درمان، بهترین درمان را برای بیمار خود رقم خواهند زد.
آینده هوش مصنوعی در توانبخشی و رباتیک
روش‌های مختلفی برای بهره‌مندی از هوش مصنوعی در توانبخشی وجود دارد. هوش مصنوعی برای توانبخشی رباتیک، دید مصنوعی، رصد و سایر بخش‌های توانبخشی به کار گرفته شده است. سایر کاربردهای این علم می‌تواند در حوزه توانبخشی از راه دور، طراحی و عملی سازی سامانه‌های آن و سامانه‌هایی برای جمع‌آوری داده ظهور یابد. درکنار اتصال ۵G، هوش منصوعی را می‌توان گرداننده اصلی حوزه توانبخشی در آینده دانست. نکته مهم قیمت بالای این سامانه‌ها است که مانع گسترش آن می‌شود. در نهایت می‌توان با این فناوری پیشرفت بیمار را در هر مکان اعم از خانه، بیمارستان یا کلینیک ردگیری کرد.
هوش مصنوعی در آشپزخانه
تغییر توانبخشی فیزیکی با هوش مصنوعی: ۴ عامل موفقیت
منبع: linkedin
«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»
