Abstract
Точный мониторинг физических упражнений важен для домашних тренировок, уроков физкультуры и дистанционной поддержки тренировок; однако ручной подсчет повторений часто ненадежен, а оценка калорий часто упрощается до общих формул, которые не отражают индивидуальные и специфические для вида деятельности вариации. В этом исследовании предлагается гибридная система на основе машинного зрения для распознавания упражнений, подсчета повторений и оценки расхода калорий по монокулярному видео. Предложенная система сочетает в себе извлечение поз без маркеров, классификацию состояний упражнений на основе ориентиров, подсчет повторений с учетом упражнений и модель расчета калорий на основе машинного обучения, учитывающую дескрипторы пользователя и вида деятельности. В предлагаемом алгоритме ориентиры тела извлекаются из видеокадров и преобразуются в структурированные геометрические признаки, поддерживающие распознавание упражнений. Затем количество повторений оценивается по сглаженным траекториям углов суставов с использованием анализа пиков, специфичных для движения, а расход калорий определяется с помощью калиброванной регрессионной модели в сочетании с корректировкой интенсивности на основе движения. Итоговая модель оценки физических упражнений достигла точности 0,8886, сбалансированной точности 0,8950 и показателя макро-F1 0,8929. Модель расчета калорий показала среднюю абсолютную ошибку 2,1339, среднеквадратичную ошибку 3,6202 и значение R² 0,9966. В ходе сквозного самотестирования видеозаписи были корректно распознаны репрезентативные фрагменты отжиманий и приседаний, количество повторений было правдоподобным, а оценки калорий оставались в пределах реалистичных кратковременных диапазонов. Эти результаты показывают, что предложенная гибридная структура может обеспечить интерпретируемое и практически применимое решение для мониторинга физических упражнений с помощью камеры без необходимости использования специального носимого оборудования или устройств захвата движений