Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
100
Lista 2024
Status:
Warianty tytułu:
System monitorowania ruchu człowieka do klasyfikacji ćwiczeń siłowych oraz weryfikacji ich techniki wykonania
Autorzy: Wójcik Beata, Błaszczykowski Michał, Wąsik Edmund
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2024
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 3
Wolumen/Tom: 57
Strony: 823 - 838
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Otwarte czasopismo
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 20 sierpnia 2024
Abstrakty: angielski | polski
Human movement analysis is critical to optimizing sports training and influencing exercise intensity and effectiveness. In the age of modern technology, more and more advanced systems are emerging to support coaches and expand the range of analysis performed. This article aims to verify that artificial intelligence, together with machine learning algorithms, can accurately classify exercises in a dynamic gym environment and effectively assess the correctness of their performance. For the initial analysis of movement, the Google MediaPipe Pose model was used, which was responsible for detecting the human silhouette and determining the coordinates of the position of critical joints. Based on these coordinates, the angles between each joint were calculated, and then their sequences were further analyzed. The sequences were analyzed using the following three algorithms: support vector machine (SVM), dense neural network, and LSTM recurrent network. As a result, the system based on recurrent LSTM networks achieved the best prediction efficiency of approximately 98%, enabling accurate exercise classification. Subsequently, verification of the activities' correctness was also carried out, and the system, based on recursive LSTM networks, again achieved the best efficiency, this time equal to 96% on average for all exercises. On this basis, it was concluded that the discussed approach enables practical analysis of human movement, which can significantly improve training methods and facilitate coaching work.
Analiza ruchu człowieka jest kluczowym aspektem optymalizacji treningów sportowych, wpływającym na intensywność oraz efektywność wykonywanych ćwiczeń. W dobie nowoczesnych technologii, pojawiają się coraz bardziej zaawansowane systemy wspierające trenerów, a także poszerzające gamę przeprowadzanych analiz. Niniejszy artykuł ma na celu zweryfikowanie, czy sztuczna inteligencja wraz z algorytmami uczenia maszynowego jest w stanie precyzyjnie klasyfikować ćwiczenia w dynamicznym środowisku siłowni, a także skutecznie oceniać poprawność ich wykonania. Do wstępnej analizy ruchu wykorzystany został model Google MediaPipe Pose, odpowiedzialny za wykrywanie sylwetki człowieka oraz wyznaczanie współrzędnych położenia kluczowych stawów. Na podstawie tych współrzędnych obliczone zostały kąty pomiędzy poszczególnymi stawami, a następnie ich sekwencje poddane zostały dalszej analizie. Wspomniane sekwencje, przeanalizowane zostały za pomocą trzech następujących algorytmów: maszyny wektorów nośnych (SVM), gęstej sieci neuronowej oraz sieci rekurencyjnej LSTM. W rezultacie, system opierający się na rekurencyjnych sieciach LSTM osiągnął najlepszą skuteczność predykcji równą w przybliżeniu 98%, umożliwiając precyzyjną klasyfikację ćwiczeń. Następnie, przeprowadzona została również weryfikacja poprawności wykonywanych aktywności, a system bazujący na sieciach rekurencyjnych LSTM, ponownie osiągnął najlepszą skuteczność, tym razem wynoszącą 96% średnio dla wszystkich ćwiczeń. Na tej podstawie stwierdzono, że omawiane podejście umożliwia efektywną analizę ruchu człowieka, co może znacząco usprawnić metody treningowe oraz ułatwić pracę trenerską