بهبود دسترسی از طریق یادگیری ماشین، مروری بر فناوری‌های مرتبط با نقص‌های بینایی و شنوایی

نقص‌های حسی مانند کم‌شنوایی و نقص بینایی، چالش‌های قابل‌توجهی برای میلیون‌ها نفر در سراسر جهان ایجاد می‌کنند. بر اساس گزارش سازمان بهداشت جهانی (WHO)، بیش از 466 میلیون نفر در جهان از کم‌شنوایی ناتوان‌کننده رنج می‌برند و بیش از 2.2 میلیارد نفر با نقص بینایی زندگی می‌کنند که حداقل یک میلیارد مورد آن قابل پیشگیری یا درمان است. این اختلالات نه‌تنها بر کیفیت زندگی افراد تأثیر می‌گذارند، بلکه هزینه‌های اجتماعی و اقتصادی قابل‌توجهی مانند کاهش بهره‌وری و افزایش هزینه‌های مراقبت‌های بهداشتی را به دنبال دارند.

فناوری‌های کمکی مبتنی بر یادگیری ماشین (Machine Learning) در حال تحول نحوه مواجهه با این نقص‌های حسی هستند و راه‌حل‌های نوآورانه‌ای برای بهبود دسترسی و استقلال افراد مبتلا ارائه می‌دهند. این مقاله مروری جامع بر الگوریتم‌های یادگیری ماشین طراحی‌شده برای افزایش دسترسی افراد با نقص‌های شنوایی و بینایی ارائه می‌دهد. برای افراد با نقص شنوایی، مدل‌های پیشرفته مانند ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest)، و پرسپترون چندلایه (MLP) بررسی شده‌اند. برای افراد با نقص بینایی، چارچوب‌های تشخیص اشیا در زمان واقعی مانند YOLO (You Only Look Once)، SSD (Single Shot MultiBox Detector)، و RetinaNet ارزیابی شده‌اند. این مقاله همچنین به کاربردهای مبتنی بر هوش مصنوعی مولد (Generative AI) برای هر دو گروه می‌پردازد.

 

پیشینه و اهمیت موضوع

فناوری‌های کمکی برای افراد با نقص‌های حسی از دهه‌ها پیش وجود داشته‌اند. برای افراد کم‌شنوا، ابزارهایی مانند سمعک‌ها و زیرنویس‌های بلادرنگ توسعه یافته‌اند، در حالی که برای افراد با نقص بینایی، ابزارهایی مانند عصای سفید، سگ‌های راهنما، و نمایشگرهای بریل معرفی شده‌اند. با این حال، این فناوری‌های سنتی اغلب با محدودیت‌هایی مانند عدم انعطاف‌پذیری، نیاز به تنظیم دستی، و ناتوانی در یادگیری از تعاملات کاربر مواجه هستند.

یادگیری ماشین به‌عنوان شاخه‌ای از هوش مصنوعی، امکان پردازش داده‌های پیچیده و شناسایی الگوهای پنهان را فراهم کرده است. در حوزه شنوایی‌شناسی، الگوریتم‌های یادگیری ماشین می‌توانند سیگنال‌های صوتی را تحلیل کنند تا گفتار را از نویز پس‌زمینه جدا کنند یا الگوهای مرتبط با کم‌شنوایی را تشخیص دهند. در حوزه بینایی، فناوری‌های مبتنی بر یادگیری عمیق (Deep Learning) مانند تشخیص اشیا و پردازش زبان طبیعی (NLP) می‌توانند اطلاعات بصری را به توضیحات صوتی تبدیل کنند یا به کاربران در ناوبری کمک کنند. این پیشرفت‌ها امکان ایجاد ابزارهای هوشمندتر و پاسخ‌گوتر را فراهم کرده‌اند که می‌توانند نیازهای فردی کاربران را برآورده کنند.

 

روش‌های یادگیری ماشین برای نقص شنوایی

الگوریتم‌های مورد استفاده

برای افراد با نقص شنوایی، چندین الگوریتم یادگیری ماشین برای بهبود دسترسی آزمایش شده‌اند:

ماشین بردار پشتیبان (SVM): این الگوریتم برای طبقه‌بندی سیگنال‌های صوتی و تشخیص الگوهای گفتاری در محیط‌های پر سر و صدا استفاده می‌شود. SVM به‌ویژه در شناسایی گفتار در حضور نویز سفید گاوسی افزودنی (AWGN) مؤثر است.

جنگل تصادفی (Random Forest): این الگوریتم برای تحلیل داده‌های پیچیده صوتی و تشخیص انواع کم‌شنوایی (هدایت‌کننده، حسی‌عصبی، یا ترکیبی) استفاده می‌شود. جنگل تصادفی به دلیل مقاومت در برابر بیش‌برازش (Overfitting) مناسب است.

پرسپترون چندلایه (MLP): این مدل شبکه عصبی برای پردازش سیگنال‌های گفتاری و بهبود کیفیت صدا در سمعک‌های هوشمند استفاده می‌شود. MLP می‌تواند روابط غیرخطی بین داده‌های صوتی را مدل‌سازی کند.

 

کاربردها

کاربردهای این الگوریتم‌ها شامل موارد زیر است:

زیرنویس بلادرنگ: سیستم‌هایی مانند Google Live Transcribe از یادگیری ماشین برای تبدیل گفتار به متن در زمان واقعی استفاده می‌کنند، که برای افراد کم‌شنوا در محیط‌های آموزشی یا اجتماعی مفید است.

سمعک‌های هوشمند: سمعک‌های مجهز به هوش مصنوعی می‌توانند نویز پس‌زمینه را از گفتار انسان جدا کنند و تنظیمات را بر اساس محیط کاربر به‌صورت خودکار تغییر دهند.

تشخیص زبان اشاره: سیستم‌های مبتنی بر یادگیری عمیق، مانند سیستمی که توسط Lee و همکاران توسعه یافته، از واحدهای اندازه‌گیری اینرسی (IMU) برای تشخیص حرکات زبان اشاره آمریکایی (ASL) با دقت 99.81% استفاده می‌کنند.

 

روش‌های یادگیری ماشین برای نقص بینایی

چارچوب‌های تشخیص اشیا

برای افراد با نقص بینایی، چارچوب‌های تشخیص اشیا در زمان واقعی نقش کلیدی در بهبود دسترسی ایفا می‌کنند:

YOLO (You Only Look Once): این چارچوب برای تشخیص سریع اشیا در تصاویر یا ویدئوها استفاده می‌شود و برای کمک به ناوبری و شناسایی اشیا در محیط‌های داخلی و خارجی مناسب است.

SSD (Single Shot MultiBox Detector): این مدل برای تشخیص اشیا با سرعت بالا و دقت مناسب طراحی شده است و در برنامه‌هایی مانند عینک‌های هوشمند استفاده می‌شود.

RetinaNet: این چارچوب با تمرکز بر تشخیص اشیا با اندازه‌های مختلف، برای ارائه توضیحات صوتی از محیط اطراف به کاربران نابینا استفاده می‌شود.

 

کاربردها

کاربردهای این فناوری‌ها شامل موارد زیر است:

عینک‌های هوشمند: ابزارهایی مانند Envision Glasses از دوربین‌های پیشرفته و синтез речи بلادرنگ برای ارائه اطلاعات زمینه‌ای به کاربران نابینا استفاده می‌کنند.

برنامه‌های موبایل: برنامه‌هایی مانند Seeing AI از Microsoft از دید کامپیوتری و NLP برای شناسایی اشیا، متن، افراد، و صحنه‌ها استفاده می‌کنند و توضیحات صوتی ارائه می‌دهند.

ناوبری کمکی: سیستم‌های مبتنی بر هوش مصنوعی، مانند Access Map، به کاربران نابینا کمک می‌کنند تا مکان‌های قابل‌دسترس را پیدا کنند و از موانع اجتناب کنند.

 

کاربردهای هوش مصنوعی مولد

هوش مصنوعی مولد (Generative AI) نیز در بهبود دسترسی برای افراد با نقص‌های حسی نقش مهمی ایفا می‌کند:

تولید زیرنویس و توضیحات صوتی: سیستم‌های مولد می‌توانند توضیحات صوتی برای تصاویر یا ویدئوها تولید کنند، که برای کاربران نابینا مفید است.

ترجمه زبان اشاره: مدل‌های مولد می‌توانند حرکات زبان اشاره را به متن یا گفتار تبدیل کنند، که ارتباط بین افراد کم‌شنوا و دیگران را تسهیل می‌کند.

شخصی‌سازی: این سیستم‌ها می‌توانند با یادگیری ترجیحات کاربر، تجربه‌ای شخصی‌سازی‌شده ارائه دهند، مانند تنظیم سطح خوانایی یا ساده‌سازی رابط‌های کاربری.

 

نتایج و ارزیابی

آزمایش‌ها

برای ارزیابی عملکرد این فناوری‌ها، آزمایش‌هایی با داده‌های واقعی از افراد با نقص‌های شنوایی و بینایی انجام شد. معیارهای ارزیابی شامل موارد زیر بودند:

دقت تشخیص: توانایی سیستم در شناسایی صحیح اشیا، گفتار، یا الگوهای مرتبط با نقص‌های حسی.

سرعت پردازش: زمان مورد نیاز برای ارائه نتایج در زمان واقعی.

رضایت کاربر: میزان پذیرش و راحتی کاربران در استفاده از این فناوری‌ها.

 

نتایج کلیدی

نتایج نشان داد که:

دقت بالا: الگوریتم‌های SVM و جنگل تصادفی دقت بالای 90% در تشخیص الگوهای صوتی داشتند، در حالی که YOLO و RetinaNet دقت 95% در تشخیص اشیا ارائه کردند.

سرعت مناسب: سیستم‌های تشخیص اشیا و زیرنویس بلادرنگ زمان پردازش کمتر از 1 ثانیه داشتند، که برای استفاده در زمان واقعی مناسب است.

رضایت کاربر: کاربران گزارش دادند که این فناوری‌ها استقلال و کیفیت زندگی آن‌ها را بهبود بخشیده‌اند.

 

مقایسه با روش‌های سنتی

در مقایسه با فناوری‌های سنتی مانند سمعک‌های آنالوگ یا عصای سفید، سیستم‌های مبتنی بر یادگیری ماشین انعطاف‌پذیری و دقت بیشتری ارائه می‌دهند. این سیستم‌ها می‌توانند به‌صورت خودکار با نیازهای کاربر سازگار شوند و اطلاعات زمینه‌ای بیشتری فراهم کنند.

 

چالش‌ها و محدودیت‌ها

با وجود پیشرفت‌های چشمگیر، چالش‌هایی وجود دارد:

هزینه و دسترسی‌پذیری: فناوری‌های پیشرفته مانند عینک‌های هوشمند یا سمعک‌های مجهز به هوش مصنوعی ممکن است برای بسیاری از کاربران گران باشند.

حریم خصوصی و تعصب: استفاده از داده‌های حساس در الگوریتم‌های یادگیری ماشین می‌تواند نگرانی‌های حریم خصوصی ایجاد کند. همچنین، مجموعه داده‌های غیرمتنوع ممکن است به تعصب الگوریتمی منجر شود.

تطبیق فرهنگی و زبانی: بسیاری از فناوری‌ها برای زبان‌ها یا فرهنگ‌های خاص طراحی نشده‌اند، که می‌تواند دسترسی‌پذیری را محدود کند.

 

نتیجه‌گیری

فناوری‌های مبتنی بر یادگیری ماشین در حال تحول نحوه دسترسی افراد با نقص‌های شنوایی و بینایی به اطلاعات و محیط اطرافشان هستند. الگوریتم‌هایی مانند SVM، جنگل تصادفی، و YOLO امکان ارائه راه‌حل‌های هوشمند و شخصی‌سازی‌شده را فراهم کرده‌اند که استقلال و کیفیت زندگی این افراد را بهبود می‌بخشند. با این حال، برای اطمینان از دسترسی عادلانه، باید چالش‌هایی مانند هزینه، حریم خصوصی، و تطبیق فرهنگی برطرف شوند. تحقیقات آینده باید بر توسعه فناوری‌های مقرون‌به‌صرفه و فراگیر تمرکز کند تا همه افراد با نقص‌های حسی بتوانند از مزایای این پیشرفت‌ها بهره‌مند شوند.

منتشر شده در: IEEE Journals & Magazine
منبع: IEEE Xplore