في ظل التطورات المتزايدة في مجالات الذكاء الاصطناعي (AI)، استطاعت دراسة جديدة أن تبرز الإمكانيات الكبيرة للتعلم العميق (Deep Learning) في توقع وضعيات الجسم البشرية خلال أنشطة التحميل الديناميكية. حيث تم استخدام نماذج عميقة متعددة منها نموذج الشبكة العصبية BERT (Bidirectional Encoder Representations from Transformers) وتكنولوجيا الذاكرة القصيرة والطويلة المعكوسة (BLSTM) لتحقيق ذلك.

شملت الدراسة مجموعة بيانات مكونة من 3D لتحليل الحركة الكاملة لمجموعة مكونة من 20 فرداً من الرجال الأصحاء، الذين أجروا 204 مهمة تحميل من مواقع مختلفة. تم تدريب النموذج بناءً على مجموعة مدخلات تضمنت موضع اليد وأوزان الجسم وتقنيات الرفع المختلفة، مما أتاح للنموذج التنبؤ بمواضع الجسم بدقة عالية خلال المهام.

أحد الجوانب الفريدة لهذه الدراسة هو استخدام دالة تكلفة جديدة تهدف إلى تحسين دقة التوقعات من خلال الحفاظ على أطوال مقاطع الجسم ثابتة، مما أدى إلى تقليل خطأ التنبؤ بنحو 8% للنموذج المتعلق بالذراعين و21% لنموذج الساقين.

عند مقارنة الأداء بين النموذجين، أظهرت النتائج أن نموذج المحول (Transformer) كان أكثر دقة بنسبة 58% مقارنة بنموذج BLSTM، حيث سجلت دقة قياس الجذر الأساسي لخطأ المربع (RMSE) حوالي 41.4 ملليمتر.

تقدم هذه الدراسة رؤى قيمة حول كيفية الاستفادة من الشبكات العصبية في التقاط علاقات السلاسل الزمنية في الإطارات الحركية ثلاثية الأبعاد، مما يسهم في تحسين الاستراتيجيات المعتمدة في التعامل مع المواد يدويًا ودراسة الديناميات الحركية بشكل أعمق.