КОМПЬЮТЕРЛІК КӨРУ ЖӘНЕ ТЕРЕҢ ОҚЫТУ МОДЕЛЬДЕРІ НЕГІЗІНДЕ ФИЗИКАЛЫҚ ЖАТТЫҒУЛАРДЫ НАҚТЫ УАҚЫТ РЕЖИМІНДЕ БАҚЫЛАУДЫҢ КОНЦЕПТУАЛДЫҚ НЕГІЗДЕРІ
Кілт сөздер:
адамның позасын анықтау; компьютерлік көру; терең оқыту; дене жаттығуларын бақылау; нақты уақыт жүйелері; буын бұрыштарын есептеу; YOLOv8-Pose; BlazePose; биомеханикалық талдауАңдатпа
Мақалада нақты уақыт режимінде физикалық жаттығуларды автоматты түрде бақылау және бағалаудағы қиындық қарастырылған. Бұл зерттеудің мақсаты - адамның дене бітімін анықтауға арналған заманауи терең оқыту модельдерінің (BlazePose, YOLOv8 - Pose, MoveNet және HRNet) тиімділігін салыстырмалы талдау және оларды жаттығу сапасын бағалау жүйесіне қосу мүмкіндіктерін анықтау. Жүйе RGB бейне ағынына негізделген және алдын ала өңдеу, дене бітімінің нүктелерін анықтау, буын бұрыштарын есептеу және жаттығуды жіктеу (дұрыс/дұрыс емес) кезеңдерінен тұрады. Тәжірибелік нәтижелерден HRNet моделінің ең жоғары дәлдік индексі бар екені анықталды, бірақ оның жоғары есептеу күрделілігінің нәтижесінде кідіріс мәні артады. BlazePose төмен ресурстарды қажет ететін құрылғыларда жоғары кадр жиілігін қамтамасыз ететіні көрсетілді. YOLOv8-Pose моделі дәлдік пен өнімділік арасындағы ең жақсы ымыраны көрсетті және нақты уақыт режиміндегі фитнес жүйелері үшін оңтайлы нұсқа ретінде ұсынылды. Буын бұрыштарын есептеуге негізделген биомеханикалық талдау әдісі жаттығуды орындау сапасын сандық бағалауға мүмкіндік беретіні дәлелденді. Жүйелі туралау ұпайы фитнес, спорттық жаттығулар және медициналық оңалту саласында қолданылуы мүмкін және 3D дене позасы модельдерін, сондай-ақ кеңістіктік-уақыттық нейрондық желілерді қосу арқылы одан әрі жақсартылуы мүмкін.
Әдебиеттер тізімі
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
Жүктеулер
Жарияланды
Дәйексөзді қалай келтіруге болады
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 Yassawi Journal of Engineering Science
Бұл жұмыс Creative Commons атрибуты бойынша лицензияланған. 4.0 Халықаралық лицензия.
