បញ្ហា (The Problem)៖ ការធ្វើរោគវិនិច្ឆ័យវិបល្លាសចលនារបស់មនុស្ស ដូចជាជំងឺខួរក្បាលចំពោះទារក (Cerebral Palsy - CP) និងជំងឺផាកឃីនសុន (Parkinson's Disease - PD) ច្រើនតែពឹងផ្អែកលើការពិនិត្យផ្ទាល់ដោយគ្រូពេទ្យឯកទេស ដែលចំណាយពេលច្រើន និងមានធនធានតិចតួច។ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានេះដោយប្រើប្រាស់បច្ចេកវិទ្យាកុំព្យូទ័រវីដេអូដើម្បីតាមដាន និងវិភាគចលនាតាមបែបស្វ័យប្រវត្តិ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់បណ្ដាញសរសៃប្រសាទប្រភេទក្រាហ្វរួមបញ្ចូលជាមួយយន្តការយកចិត្តទុកដាក់ (Attention-informed Graph Neural Networks) ដើម្បីទាញយកលក្ខណៈពិសេសនៃឥរិយាបថពីវីដេអូកាមេរ៉ាធម្មតា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| SAFA-GCN (Spatial and Frequency Attention Based GCN) បណ្ដាញសរសៃប្រសាទក្រាហ្វប្រើប្រាស់យន្តការយកចិត្តទុកដាក់លើលំហនិងប្រេកង់ |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ដោយរួមបញ្ចូលទិន្នន័យនៃទម្រង់លំហនិងប្រេកង់នៃចលនា ព្រមទាំងមានសមត្ថភាពបង្ហាញពីមូលហេតុនៃការសម្រេចចិត្តរបស់ប្រព័ន្ធ (Interpretability) យ៉ាងច្បាស់លាស់។ | ត្រូវការការគណនាច្រើន និងស្មុគស្មាញជាងប្រព័ន្ធមូលដ្ឋាន ដោយសារដំណើរការបណ្ដាញពីរស្របគ្នា (Two-stream) និងការបូកបញ្ចូលទិន្នន័យកាត់ជាផ្នែកតូចៗ (Clipping-and-Fusion)។ | សម្រេចបានភាពត្រឹមត្រូវ (Accuracy) ៩៧,៣៧% និងពិន្ទុ F1 ៩០,៩១% សម្រាប់ការទស្សន៍ទាយជំងឺខួរក្បាល (CP) លើទិន្នន័យ RVI-38។ |
| SPA-PTA (Spatial Pyramidal Attention Network) បណ្ដាញកាត់បន្ថយទំហំលំហរូបភាពរាងពីរ៉ាមីតសម្រាប់ការវិភាគការញ័រ |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការតាមដានចលនាញ័រញាប់ៗ ជួយត្រងយកតែទិន្នន័យចាំបាច់ និងកាត់បន្ថយសំឡេងរំខាន (Noise)។ | មិនសូវមានប្រសិទ្ធភាពក្នុងការចាប់យកចលនាយឺតៗ (Low-frequency) ដូចជាចលនារបស់ទារកឡើយ។ | សម្រេចបានភាពត្រឹមត្រូវ ៩១,៣% សម្រាប់ការបែងចែកប្រភេទជំងឺញ័រផាកឃីនសុន (PT) និង ៧៦,៤% សម្រាប់វាយតម្លៃកម្រិតនៃការញ័រ។ |
| ST-GCN (Spatial Temporal Graph Convolutional Network) បណ្ដាញសរសៃប្រសាទក្រាហ្វវិភាគលំហនិងពេលវេលា |
ជាម៉ូដែលស្តង់ដារដ៏ល្អសម្រាប់រៀនពីទំនាក់ទំនងនៃរចនាសម្ព័ន្ធឆ្អឹងនិងពេលវេលា។ | មិនអាចវិភាគលើប្រេកង់នៃចលនាបាន ហើយដំណើរការធ្លាក់ចុះនៅពេលទិន្នន័យហ្វឹកហាត់មានទំហំតូច។ | ទទួលបានភាពត្រឹមត្រូវ ៨៩,៤៧% លើការទស្សន៍ទាយជំងឺ CP និង ៨៤,៦% លើការវិភាគជំងឺ PT។ |
| Ens-2 (Ensemble Machine Learning) ប្រព័ន្ធសិក្សាម៉ាស៊ីនរួមបញ្ចូលគ្នា (Machine Learning Ensemble) |
មានដំណើរការលឿន និងផ្តល់លទ្ធផលល្អប្រហាក់ប្រហែលនឹង Deep Learning នៅពេលទិន្នន័យមានចំនួនតិចតួច។ | ពឹងផ្អែកខ្លាំងលើការទាញយកលក្ខណៈពិសេសដោយផ្ទាល់ពីមនុស្ស (Manual feature engineering) និងមិនសូវមានស្ថិរភាពពេលបែងចែកសំណាកតេស្ត។ | ទទួលបានភាពត្រឹមត្រូវ ៩៧,៣៧% លើទិន្នន័យ RVI-38 តែធ្លាក់មកត្រឹម ៩២,១១% ពេលតេស្តដោយវិធី 3-fold CV។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ប្រព័ន្ធនេះទាមទារធនធានកុំព្យូទ័រក្នុងកម្រិតមធ្យមសម្រាប់ការហ្វឹកហាត់ម៉ូដែល ប៉ុន្តែអាចដំណើរការទាញយកលទ្ធផល (Inference) បានយ៉ាងលឿននៅលើកុំព្យូទ័រធម្មតា ដោយប្រើប្រាស់ត្រឹមតែកាមេរ៉ាទូទៅប៉ុណ្ណោះ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយផ្អែកលើទិន្នន័យវីដេអូពីមន្ទីរពេទ្យនៅចក្រភពអង់គ្លេស អឺរ៉ុប និងប្រទេសហូឡង់ (មានសំណាកទារក ៣៨នាក់ និងអ្នកជំងឺ ៥៥នាក់)។ សម្រាប់ប្រទេសកម្ពុជា កង្វះខាតភាពចម្រុះនៃជាតិសាសន៍ ការស្លៀកពាក់ និងពន្លឺបរិយាកាសនៅក្នុងទិន្នន័យដើមនេះ អាចធ្វើឱ្យប្រព័ន្ធបាត់បង់ភាពត្រឹមត្រូវនៅពេលយកមកអនុវត្តជាក់ស្តែងលើប្រជាជនក្នុងស្រុក។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់សម្រាប់ប្រទេសកម្ពុជា ដោយសារវាជាវិធីសាស្រ្តប្រើប្រាស់ត្រឹមតែកាមេរ៉ាធម្មតាដែលមានតម្លៃថោក និងមិនត្រូវការឧបករណ៍សេនស័រ (Wearable sensors) ថ្លៃៗ។
ជារួម ការដាក់ឱ្យដំណើរការប្រព័ន្ធបញ្កាញសរសៃប្រសាទក្រាហ្វផ្អែកលើវីដេអូនេះ អាចជួយពង្រីកលទ្ធភាពនៃការធ្វើរោគវិនិច្ឆ័យជំងឺសរសៃប្រសាទឱ្យបានទូលំទូលាយ និងកាត់បន្ថយសម្ពាធចំណាយនៅក្នុងប្រព័ន្ធសុខាភិបាលកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Graph Neural Networks (GNNs) | ជាប្រភេទបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់ដំណើរការទិន្នន័យដែលមានរចនាសម្ព័ន្ធជាក្រាហ្វ (មានចំណុច និងខ្សែតភ្ជាប់គ្នា) ដូចជារចនាសម្ព័ន្ធនៃគ្រោងឆ្អឹងមនុស្ស ដែលវាអាចសិក្សាពីទំនាក់ទំនងនិងកម្លាំងរវាងសន្លាក់នីមួយៗក្នុងលំហបានយ៉ាងមានប្រសិទ្ធភាព។ | ដូចជាការសិក្សាពីបណ្ដាញសង្គម ដែលយើងមិនត្រឹមតែមើលលើបុគ្គលម្នាក់ៗទេ តែយើងវិភាគស៊ីជម្រៅលើទំនាក់ទំនងនិងខ្សែបណ្ដាញរវាងពួកគេទាំងអស់គ្នា។ |
| Attention Mechanism | ជាបច្ចេកទេសក្នុងបញ្ញាសិប្បនិម្មិតដែលអនុញ្ញាតឱ្យប្រព័ន្ធកុំព្យូទ័រអាចថ្លឹងថ្លែង និងផ្ដោតការយកចិត្តទុកដាក់តែទៅលើលក្ខណៈពិសេស ឬផ្នែកសំខាន់ៗនៃទិន្នន័យ (ឧទាហរណ៍៖ ទីតាំងសន្លាក់កដៃ ឬជង្គង់ដែលញ័រខ្លាំង) ខណៈពេលផាត់ចោលនូវព័ត៌មានដែលមិនសូវសំខាន់។ | ដូចជាពេលយើងកំពុងស្ដាប់មិត្តភក្តិនិយាយក្នុងពិធីជប់លៀងដែលមានសម្លេងអ៊ូអរ ខួរក្បាលយើងផ្ដោតយកចិត្តទុកដាក់តែលើសម្លេងមិត្តភក្តិ និងមិនខ្វល់ពីសម្លេងរំខានជុំវិញខ្លួន។ |
| Fast Fourier Transform (FFT) | ជាក្បួនដោះស្រាយគណិតវិទ្យាដ៏មានឥទ្ធិពលសម្រាប់បំប្លែងទិន្នន័យសញ្ញាពីទម្រង់ពេលវេលា (Time domain) ទៅជាទម្រង់ប្រេកង់ (Frequency domain) ដែលជួយឱ្យប្រព័ន្ធងាយស្រួលចាប់យកល្បឿន ការញ័រញាប់ និងចង្វាក់នៃចលនារបស់អ្នកជំងឺ។ | ដូចជាការញែកពន្លឺព្រះអាទិត្យ (ទិន្នន័យចលនា) ឱ្យឆ្លងកាត់កញ្ចក់ព្រីស (FFT) ដើម្បីបំបែកចេញជាពណ៌ផ្សេងៗនៃឥន្ទធនូ (កម្រិតប្រេកង់) ដែលធ្វើឱ្យយើងងាយស្រួលមើលពណ៌នីមួយៗដាច់ពីគ្នា។ |
| Pose Estimation | គឺជាបច្ចេកវិទ្យាកុំព្យូទ័រទស្សនៈ (Computer Vision) ដែលអាចស្វែងរក គណនា និងតាមដានទីតាំងសន្លាក់សំខាន់ៗនៅលើរាងកាយមនុស្ស (ដូចជា កែងដៃ ជង្គង់ ក) ពីក្នុងរូបភាព ឬវីដេអូដោយស្វ័យប្រវត្តិ ដើម្បីបង្កើតជារចនាសម្ព័ន្ធគ្រោងឆ្អឹងឌីជីថលសម្រាប់យកទៅវិភាគបន្ត។ | ដូចជាការគូសចំណុចៗលើរូបថតមនុស្ស ហើយអូសបន្ទាត់ភ្ជាប់ចំណុចទាំងនោះដើម្បីបង្កើតជារូបមនុស្សឈើគូស (Stickman) ដែលកំពុងធ្វើចលនា។ |
| Eulerian Video Magnification (EVM) | ជាបច្ចេកទេសកែច្នៃសញ្ញាវីដេអូដែលជួយពង្រីក (Magnify) នូវបម្រែបម្រួលតូចៗដែលភ្នែកមនុស្សពិបាកនឹងមើលឃើញ ដូចជាការញ័រតិចៗរបស់កដៃអ្នកជំងឺ ដើម្បីពង្រីកសញ្ញាទាំងនោះឱ្យប្រព័ន្ធកុំព្យូទ័រអាចវិភាគរោគសញ្ញាជំងឺផាកឃីនសុនបានកាន់តែច្បាស់។ | ដូចជាការប្រើប្រាស់កែវពង្រីក ឬមីក្រូទស្សន៍ឆ្លាតវៃ ដើម្បីឆ្លុះបញ្ចេញឱ្យច្បាស់នូវចលនាញ័រតូចៗបំផុតនៅលើរាងកាយដែលយើងមើលនឹងភ្នែកទទេមិនឃើញ។ |
| Frequency-binning | គឺជាយុទ្ធសាស្ត្រក្នុងការប្រមូលផ្តុំនិងចាត់ថ្នាក់ទិន្នន័យប្រេកង់ទៅជាប្រអប់ (Bins) កម្រិតផ្សេងៗគ្នា ដោយរចនាឡើងដើម្បីរក្សាទុកនូវប្រេកង់សំខាន់ៗនៃចលនាទារក និងច្រោះចោលនូវព័ត៌មានរំខាន (High-frequency noise)។ | ដូចជាការចម្រោះយកគ្រាប់ខ្សាច់ ដោយប្រើកន្ត្រងដែលមានប្រហោងទំហំផ្សេងៗគ្នា ដើម្បីរើសយកតែគ្រាប់ខ្សាច់ដែលត្រូវការ និងត្រងចោលនូវគ្រាប់ក្រួសធំៗ។ |
| General Movements Assessment (GMA) | ជាវិធីសាស្ត្រគ្លីនិកសម្រាប់វាយតម្លៃកាយវិការសន្លាក់ និងចលនាទូទៅរបស់ទារកទើបនឹងកើត ដើម្បីព្យាករណ៍ពីហានិភ័យនៃបញ្ហាប្រព័ន្ធសរសៃប្រសាទ ឬជំងឺខួរក្បាល (Cerebral Palsy) នៅមុនពេលដែលរោគសញ្ញាជាក់លាក់លេចឡើងយ៉ាងច្បាស់។ | ដូចជាការទស្សន៍ទាយថាតើកូនរុក្ខជាតិនឹងធំធាត់លូតលាស់ដោយមានសុខភាពល្អឬអត់ តាមរយៈការសង្កេតមើលរបៀបដែលស្លឹកវារើបម្រះនៅពេលត្រូវពន្លឺព្រះអាទិត្យនាប៉ុន្មានសប្តាហ៍ដំបូង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
