ГИБРИДТІ КОМПЬЮТЕРЛІК КӨРУ ҚАБІЛЕТІНЕ НЕГІЗДЕЛГЕН ЖАТТЫҒУДЫ ТАНУ, ҚАЙТАЛАУДЫ САНАУ ЖӘНЕ КАЛОРИЯ ШЫҒЫНЫН БАҒАЛАУ ЖҮЙЕСІ
##plugins.pubIds.doi.readerDisplayName##:
https://doi.org/10.47526/3135-6877.193Кілт сөздер:
жаттығуларды тану, қайталауды санау, калория шығынын бағалау, дене бітімін талдау, компьютерлік көру, адамның қозғалысын тану, дене белсенділігін бақылауАңдатпа
Үйдегі жаттығулар, дене шынықтыру сабақтары және қашықтықтан оқытуды қолдау үшін жаттығуларды дәл бақылау өте маңызды; дегенмен, қайталауды қолмен санау көбінесе сенімсіз, ал калорияны бағалау көбінесе жеке және әрекетке тән вариацияларды көрсетпейтін жалпы формулаларға жеңілдетілген. Бұл зерттеуде монокулярлық бейнеден жаттығуларды тану, қайталауды санау және калория шығынын бағалау үшін гибридті компьютерлік көру жүйесін ұсынады. Ұсынылған жүйе маркерсіз қалып алуды, бағдарлық нүктеге негізделген жаттығу күйін жіктеуді, жаттығуды ескере отырып қайталауды санауды және пайдаланушы мен әрекет сипаттамаларын қамтитын машиналық оқытуға негізделген калория есептеу моделін біріктіреді. Ұсынылған алгоритмде дене бағдарлары бейне кадрлардан алынып, жаттығуды тануды қолдайтын құрылымдалған геометриялық ерекшеліктерге айналдырылады. Содан кейін қайталаулар саны қозғалысқа тән шыңдарды талдауды қолдана отырып, тегістелген буын бұрышының траекторияларынан бағаланады, ал калория шығыны қозғалысқа негізделген қарқындылықты реттеумен біріктірілген калибрленген регрессиялық модельді қолдана отырып анықталады. Соңғы жаттығуды бағалау моделі 0,8886 дәлдікке, 0,8950 теңгерімді дәлдікке және 0,8929 макро-F1 ұпайына қол жеткізді. Калорияны есептеу моделі орташа абсолютті қатені 2,1339, орташа квадраттық қатені 3,6202 және R² мәнін 0,9966 көрсетті. Бейнежазбаны толық өзін-өзі тексеру кезінде отжимание және приседания жаттығуларының типтік фрагменттері дұрыс танылды, қайталау саны сенімді болды және калория бағалаулары нақты қысқа мерзімді диапазондарда қалды. Бұл нәтижелер ұсынылған гибридті құрылым арнайы киілетін жабдықты немесе қозғалысты түсіру құрылғыларын қажет етпей, камераға негізделген жаттығуларды бақылау үшін түсіндірілетін және практикалық шешім ұсына алатынын көрсетеді
Әдебиеттер тізімі
Ainsworth, B. E., Haskell, W. L., Herrmann, S. D., Meckes, N., Bassett, D. R., Jr., Tudor-Locke, C., Greer, J. L., Vezina, J., Whitt-Glover, M. C., & Leon, A. S. (2011). 2011 compendium of physical activities: A second update of codes and MET values. Medicine & Science in Sports & Exercise, 43(8), 1575–1581. https://doi.org/10.1249/MSS.0b013e31821ece12
Badiola-Bengoa, A., & Mendez-Zorrilla, A. (2021). A systematic review of the application of camera-based human pose estimation in the field of sport and physical exercise. Sensors, 21(18), 5996. https://doi.org/10.3390/s21185996
Bazarevsky, V., Grishchenko, I., Raveendran, K., Zhu, T., Zhang, F., & Grundmann, M. (2020). BlazePose: On-device real-time body pose tracking. arXiv. https://doi.org/10.48550/arXiv.2006.10204
Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307–310. https://doi.org/10.1016/S0140-6736(86)90837-8
Brodersen, K. H., Ong, C. S., Stephan, K. E., & Buhmann, J. M. (2010). The balanced accuracy and its posterior distribution. In Proceedings of the 20th International Conference on Pattern Recognition (pp. 3121–3124). IEEE. https://doi.org/10.1109/ICPR.2010.764
Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21, 6. https://doi.org/10.1186/s12864-019-6413-7
Cornman, H. L., Stenum, J., Cowley, M., Zhang, Y., & Roemmich, R. T. (2021). Video-based quantification of human movement frequency using pose estimation: A pilot study. PLOS ONE, 16(12), e0261450. https://doi.org/10.1371/journal.pone.0261450
Erramchetty, S. K., Selvam, W. P., & Veerachamy, R. (2024). Human pose estimation using BlazePose. AIP Conference Proceedings, 2971(1), 040049. https://doi.org/10.1063/5.0196455
Hancock, J. T., & Khoshgoftaar, T. M. (2020). CatBoost for big data: An interdisciplinary review. Journal of Big Data, 7, 94. https://doi.org/10.1186/s40537-020-00369-8
Hussain, A., Zafar, K., Baig, A. R., Almakki, R., AlSuwaidan, L., & Khan, S. (2022). Sensor-based gym physical exercise recognition: Data acquisition and experiments. Sensors, 22(7), 2489. https://doi.org/10.3390/s22072489
Kaggle. (n.d.). Workout/exercises pose-landmark dataset [Data set]. Kaggle. https://www.kaggle.com/datasets
Kaggle. (2025). Predict calorie expenditure [Data set]. Kaggle Playground Series, Season 5, Episode 5. https://www.kaggle.com/competitions/playground-series-s5e5
Leone, A., Caroppo, A., Rescio, G., Manni, A., Siciliano, P., & Diraco, G. (2022). Ambient and wearable sensor technologies for energy expenditure quantification of ageing adults. Sensors, 22(13), 4893. https://doi.org/10.3390/s22134893
Lin, B.-S., Wang, L.-Y., Hwang, Y.-T., Chiang, P.-Y., & Chou, W.-J. (2021). Depth-camera based energy expenditure estimation system for physical activity using posture classification algorithm. Sensors, 21(12), 4216. https://doi.org/10.3390/s21124216
Lugaresi, C., Tang, J., Nash, H., McClanahan, C., Uboweja, E., Hays, M., Zhang, F., Chang, C.-L., Yong, M. G., Lee, J., Chang, W.-T., Hua, W., Georg, M., & Grundmann, M. (2019). MediaPipe: A framework for building perception pipelines. arXiv. https://doi.org/10.48550/arXiv.1906.08172
Mercadal-Baudart, C., Liu, C.-J., Farrell, G., Boyne, M., González Escribano, J., Smolic, A., & Simms, C. (2024). Exercise quantification from single camera view markerless 3D pose estimation. Heliyon, 10(6), e27596. https://doi.org/10.1016/j.heliyon.2024.e27596
Nathan, D., Klasnja, P., Vankipuram, M., Momboisse, T., Powell, C., & Raju, D. (2015). Estimating physical activity energy expenditure with the Kinect sensor in an exergaming environment. PLOS ONE, 10(5), e0127113. https://doi.org/10.1371/journal.pone.0127113
Nguyen, H.-C., Dang, D.-T., Ngo, T.-D., & Pham, D.-T. (2023). Deep learning for human activity recognition on 3D human skeleton: Survey and comparative study. Sensors, 23(11), 5121. https://doi.org/10.3390/s23115121
Perrett, T., Masullo, A., Damen, D., Burghardt, T., Craddock, I., & Mirmehdi, M. (2022). Personalized energy expenditure estimation: Visual sensing approach with deep learning. JMIR Formative Research, 6(9), e33606. https://doi.org/10.2196/33606
Postlmayr, A., Garg, B., Cosman, P., & Dey, S. (2024). PersonalPT: One-shot approach for skeletal-based repetitive action counting for physical therapy. Smart Health, 34, 100516. https://doi.org/10.1016/j.smhl.2024.100516
Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: Unbiased boosting with categorical features. In Advances in Neural Information Processing Systems 31 (pp. 6638–6648). Curran Associates. https://doi.org/10.48550/arXiv.1706.09516
Roggio, F., Trovato, B., Sortino, M., & Musumeci, G. (2024). A comprehensive analysis of the machine learning pose estimation models used in human movement and posture analyses: A narrative review. Heliyon, 10(21), e39977. https://doi.org/10.1016/j.heliyon.2024.e39977
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.
