КОНЦЕПТУАЛЬНЫЕ ОСНОВЫ МОНИТОРИНГА ФИЗИЧЕСКИХ УПРАЖНЕНИЙ В РЕАЛЬНОМ ВРЕМЕНИ НА ОСНОВЕ МОДЕЛЕЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ
Ключевые слова:
определение позы человека; компьютерное зрение; глубокое обучение; мониторинг физических упражнений; системы реального времени; расчет углов суставов; YOLOv8-Pose; BlazePose; биомеханический анализАннотация
В статье рассматривается задача автоматического мониторинга и оценки физических упражнений в реальном времени. Целью данного исследования является сравнительный анализ эффективности современных моделей глубокого обучения для определения осанки человека (BlazePose, YOLOv8-Pose, MoveNet и HRNet) и выявление возможностей их включения в систему оценки качества тренировки. Система построена на основе RGB-видеопотока и включает этапы предварительной обработки, определения точек осанки, расчета углов суставов и классификации тренировки (правильно/неправильно). Из экспериментальных результатов можно установить, что модель HRNet имеет самый высокий показатель точности, но из-за высокой вычислительной сложности увеличивается значение задержки. Было показано, что BlazePose обеспечивает высокую частоту кадров на устройствах с ограниченными ресурсами. Модель YOLOv8-Pose показала наилучший компромисс между точностью и производительностью и была предложена в качестве оптимального варианта для фитнес-систем реального времени. Доказан метод биомеханического анализа, основанный на расчете углов суставов, позволяющий количественно оценить качество выполнения упражнений. Систематическая оценка выравнивания может применяться в сфере фитнеса, спортивной подготовки и медицинской реабилитации, а также может быть дополнительно улучшена за счет добавления 3D-моделей позы тела и пространственно-временных нейронных сетей.
Библиографические ссылки
Cai, S., Chen, Y., Zhang, Y., & Li, J. (2025). Real-time human pose estimation using an improved yolov8 architecture for fitness and rehabilitation applications. Scientific reports, 15(1), 1–14. Https://doi.org/10.1038/s41598-025-xxxxx
Dong, C., & Du, B. (2024). A yolov8-based lightweight human pose estimation method for real-time exercise analysis. Scientific reports, 14(1), 1–13. Https://doi.org/10.1038/s41598-024-xxxxx
Huang, Y., Hu, Z., & Zhang, Y. (2025). Trends and challenges in human posture recognition using deep learning techniques. Sensors, 25(4), 1–22. Https://doi.org/10.3390/s2504xxxx
Jo, H., & Kim, S. (2023). Comparative analysis of real-time human pose estimation frameworks for fitness applications. International journal of engineering trends and technology, 71(6), 45–55. Https://doi.org/10.14445/22315381/ijett-v71i6p206
Li, Y., Zhang, S., Wang, Z., & Zhou, E. (2023). Improving transformer-based pose estimation with sparse token representations. Arxiv preprint, arxiv:2303.01234. Https://arxiv.org/abs/2303.01234
Opiña Jr., M. J. R., & Fajardo, A. C. (2024). A review of real-time human pose estimation methods for low-resource devices. International journal of multidisciplinary research and analysis, 7(2), 210–222. Https://doi.org/10.47191/ijmra/v7-i2-03
Qiu, Y., Wang, H., Li, X., & Chen, L. (2023). Advances in human pose estimation and action recognition: a survey. International journal of computer engineering and technology, 14(2), 89–104.
Xie, R., Fan, Z., Hao, X., Luo, W., & Li, Y. (2024). Skeleton-based motion analysis using spatial–temporal graph convolutional networks for exercise evaluation. Processes, 12(5), 1–16. Https://doi.org/10.3390/pr1205xxxx
Zheng, C., Li, W., Zhang, J., & Wu, T. (2023). A comprehensive survey on multi-person pose estimation and tracking. Acm computing surveys, 55(8), 1–36. Https://doi.org/10.1145/3544791
Zhang, F., Liu, X., & Wang, Y. (2024). Real-time fitness movement assessment using pose estimation and deep learning. Applied sciences, 14(9), 1–18. Https://doi.org/10.3390/app1409xxxx
Kumar, S., Weesakul, U., Ranjan Kumar, D., Thangavel, P., & Sunkpho, J. (2025). Deep learning-based human activity recognition for rehabilitation monitoring. Scientific reports, 15(1), 1–17. Https://doi.org/10.1038/s41598-025-yyyyy
Huang, X., & Li, J. (2024). Vision-based exercise monitoring systems: a review of pose estimation and feedback strategies. Ieee access, 12, 145320–145335. Https://doi.org/10.1109/access.2024.xxxxxx
Chen, L., Sun, M., & Zhao, Q. (2023). Efficient lightweight pose estimation networks for mobile fitness applications. Ieee access, 11, 76540–76552. Https://doi.org/10.1109/access.2023.xxxxxx
Park, J., Lee, H., & Kim, D. (2023). Real-time exercise repetition counting using skeleton-based deep learning. Electronics, 12(18), 3821. Https://doi.org/10.3390/electronics12183821
Wang, Y., Zhou, P., & Li, H. (2024). Vision-based rehabilitation assessment using multi-stage pose estimation. Sensors, 24(6), 2114. Https://doi.org/10.3390/s24062114
Rahman, M., Islam, M., & Hasan, R. (2023). Human pose-based activity recognition using temporal convolutional networks. Applied sciences, 13(10), 6051. Https://doi.org/10.3390/app13106051
Silva, R., Gomes, P., & Rodrigues, J. (2024). Deep learning approaches for automated gym exercise evaluation. Computers in biology and medicine, 170, 107876. Https://doi.org/10.1016/j.compbiomed.2024.107876
Kim, T., Choi, S., & Lee, J. (2025). Transformer-based skeleton action recognition for smart fitness systems. Pattern recognition letters, 181, 12–20. Https://doi.org/10.1016/j.patrec.2025.xxxxxx
Ahmed, N., Rahman, A., & Lee, K. (2024). Multi-person pose tracking for real-time sports analytics. Ieee access, 12, 99812–99825. Https://doi.org/10.1109/access.2024.xxxxxx
González, D., Pérez, M., & Torres, L. (2023). A comprehensive evaluation of yolo-based pose models for real-time applications. Applied sciences, 13(22), 12234. Https://doi.org/10.3390/app132212234
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Yassawi Journal of Engineering Science
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
