BİLGİSAYARLI GÖRÜ KULLANILARAK ANTRENMAN HAREKETLERİNİN ANALİZİ VE ETKİNLİKLERİNİN DEĞERLENDİRİLMESİ
Anahtar Kelimeler:
bilgisayarlı görü, duruş değerlendirmesi, fitness egzersizleri, gerçek zamanlı değerlendirme, hareket analizi, MediaPipe, geri bildirim sistemleri.Özet
Çalışmada, insan duruşunun değerlendirilmesi, hareket analizi, uzaktan egzersiz izleme ve gerçek zamanlı geri bildirim sistemlerine yönelik güncel yaklaşımları incelemek amacıyla analitik inceleme, sistematik analiz ve karşılaştırmalı sentez yöntemleri kullanılmıştır. İncelenen kaynaklar, gerçek zamanlı fitness egzersizi değerlendirmesi için dört düzeyli bir çerçevenin belirlenmesine olanak sağlamıştır. Bu çerçeve; vücut destek noktalarının belirlenmesini, kinematik özelliklerin çıkarılmasını, hareket evreleri ile genel performans kalitesinin değerlendirilmesini ve kullanıcıya yorumlanabilir geri bildirim sunulmasını içermektedir. Analiz ayrıca, geometrik, zamansal ve nitel özelliklerin bütünleştirilmesinin bu tür değerlendirme sistemlerinin güvenilirliğini ve dayanıklılığını önemli ölçüde artırdığını göstermiştir. Çalışmanın bilimsel yeniliği, fitness egzersizi değerlendirme sürecini birbirinden bağımsız algoritmaların bir toplamı olarak değil, her aşamanın bir sonrakini desteklediği bütüncül ve birbiriyle bağlantılı bir dijital analitik döngü olarak sunmasında yatmaktadır. Önerilen yaklaşımların pratik önemi ise bunların evde yapılan egzersizlerde, çevrim içi fitness platformlarında, sürekli fitness izleme sistemlerinde ve rehabilitasyon ile iyileşme programlarının başlangıç aşamalarında uygulanabilme potansiyeliyle belirlenmektedir.
Referanslar
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
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2026 Yassawi Journal of Engineering Science
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
