АНАЛИЗ ТРЕНИРОВОЧНЫХ ДВИЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ КОМПЬЮТЕРНОГО ЗРЕНИЯ И ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ
Ключевые слова:
компьютерное зрение, оценка осанки, фитнес-упражнения, оценка в реальном времени, анализ движений, MediaPipe, системы обратной связи.Аннотация
В исследовании применялись методы аналитического обзора, систематического анализа и сравнительного синтеза. Источниками послужили современные работы по оценке осанки человека, анализу движений, дистанционному мониторингу физических упражнений и системам обратной связи в реальном времени. В результате анализа была выявлена четырехуровневая структура для оценки фитнес-упражнений в реальном времени: определение точек опоры тела, извлечение кинематических характеристик, оценка фазы движения и качества выполнения, а также предоставление пользователю интерпретируемой обратной связи. Также было установлено, что комбинированное использование геометрических, временных и качественных характеристик повышает надежность таких систем. Научная новизна работы заключается в представлении процесса оценки фитнес-упражнений не как совокупности отдельных алгоритмов, а как взаимосвязанного цифрового аналитического цикла. Практическая значимость этих подходов заключается в их применимости для домашних тренировок, онлайн-фитнес-платформ, мониторинга физической подготовки и начальной реабилитации.
Библиографические ссылки
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
Cao, Z., Simon, T., Wei, S.-E., & Sheikh, Y. (2017). Realtime multi-person 2D pose estimation using part affinity fields. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7291–7299. https://doi.org/10.1109/CVPR.2017.143
Ekambaram, D., & Ponnusamy, V. (2024). Real-time monitoring and assessment of rehabilitation exercises for low back pain through interactive dashboard pose analysis using Streamlit: A pilot study. Electronics, 13(18), 3782. https://doi.org/10.3390/electronics13183782
Gao, Z., Chen, J., Liu, Y., Jin, Y., & Tian, D. (2025). A systematic survey on human pose estimation: Upstream and downstream tasks, approaches, lightweight models, and prospects. Artificial Intelligence Review, 58, 68. https://doi.org/10.1007/s10462-024-11060-2
Heo, S., Choi, T., & Choi, W. (2026). Clinical validation of an on-device AI-driven real-time human pose estimation and exercise prescription program: Prospective single-arm quasi-experimental study. Healthcare, 14(4), 482. https://doi.org/10.3390/healthcare14040482
Hoang, M. L. (2024). Human pose estimation for rehabilitation by computer vision (pp. 110–128). https://doi.org/10.2174/9789815313055124010008
Kotte, H., Daiber, F., Kravčík, M., & Duong-Trung, N. (2024). FitSight: Tracking and feedback engine for personalized fitness training. Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization, 223–231. https://doi.org/10.1145/3627043.3659547
Naseer, A., Raza, A., Afzal, H., Smerat, A., Fitriyani, N. L., Gu, Y., & Syafrudin, M. (2025). Human pose estimation in physiotherapy fitness exercise correction using novel transfer learning approach. PeerJ Computer Science, 11, e2854. https://doi.org/10.7717/peerj-cs.2854
Rehabilitation Training Evaluation and Correction System Based on BlazePose. (2022). https://doi.org/10.1109/ECICE55674.2022.10042886
Samanta, A., Kotte, H., Handwerk, P., Mat Sanusi, K. A., Geisen, M., Kravčík, M., & Duong-Trung, N. (2024). IMPECT-POSE: A complete front-end and back-end architecture for pose tracking and feedback. Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization, 142–147. https://doi.org/10.1145/3631700.3664865
Sideridou, M., Kouidi, E., Hatzitaki, V., & Chouvarda, I. (2024). Towards automating personal exercise assessment and guidance with affordable mobile technology. https://doi.org/10.3390/s24072037
Stenum, J., Cherry-Allen, K. M., Pyles, C. O., Reetzke, R. D., Vignos, M. F., & Roemmich, R. T. (2021). Applications of pose estimation in human health and performance across the lifespan. Sensors, 21(21), 7315. https://doi.org/10.3390/s21217315
Tharatipyakul, A., Srikaewsiew, T., & Pongnumkul, S. (2024). Deep learning-based human body pose estimation in providing feedback for physical movement: A review. Heliyon, 10, e36589. https://doi.org/10.1016/j.heliyon.2024.e36589
Wang, J., & Zhang, Y. (2023). Design of real-time movement guidance system based on Blazepose on mobile terminal. Academic Journal of Science and Technology, 4(3), 162–164. https://doi.org/10.54097/ajst.v4i3.5050
Woo, Y., & Jeong, H. (2025). Exercise assessment based on human pose estimation and relative phase for real-time remote exercise system. IEEE Access, 13, 53203–53213. https://doi.org/10.1109/ACCESS.2025.3551834
Yang, H., Wang, Y., & Shi, Y. (2022). Rehabilitation training evaluation and correction system based on BlazePose. 27–30. https://doi.org/10.1109/ECICE55674.2022.10042886
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.
