В.И. Янковский − магистрант,
кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана (Москва, Россия) SPIN-код: не представлен
E-mail: vlyankov@mail.ru
Н.Д. Тодосиев − магистрант,
кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана (Москва, Россия) SPIN-код: не представлен
E-mail: todosievnik@gmail.com
С.А. Щукин − магистрант,
кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана (Москва, Россия) SPIN-код: не представлен
E-mail: a.shch.2@yandex.com
Ю.Е. Гапанюк − доцент,
кафедра «Системы обработки информации и управления», МГТУ им. Н.Э. Баумана (Москва, Россия) SPIN-код: не представлен
E-mail: gapyu@bmstu.ru
Постановка проблемы. С развитием методов машинного обучения стало возможным отказаться от датчиков как основного источника информации, заменив их видеокамерой. Использование такого подхода полностью решает проблему стеснения движения человека, а также снижает финансовые затраты. Однако этот подход имеет и свои недостатки: возможность пропуска кадров из-за плохого сетевого соединения и отсутствие видимости в отдельных ракурсах.
Цель. Предложить модель на основе гибридной интеллектуальной информационной системы (ГИИС) для классификации и подсчета количества физических упражнений (на примере приседаний) в реальном времени с использованием видеокамеры и методов машинного обучения.
Результаты. Рассмотрена ГИИС распознавания движений физических упражнений Задача распознавания движений физического упражнения сведена к решению последовательности задач распознавания поз. Модуль подсознания реализован на основе модели PoseNet. Показано, что граничная модель сознания и подсознания представляет собой координаты поз, по которым определяется выполнение упражнения. Модуль сознания реализован на основе решающего дерева. Представлены резыльтаты экспериментов, подтверждающие преимущество дерева решений перед моделью на основе LSTM-сети.
Практическая значимость. Представленная модель на основе ГИИС позволяет реализовать систему распознавания движений физических упражнений в виде отдельных независимых моделей машинного обучения, что дает возможность заменять модели независимо друг от друга при условии сохранения интерфейса между ними в виде граничной модели сознания и подсознания.
- O'Reilly M.A., Whelan D.F., Ward T.E., Delahunt E., Caulfield B. Technology in Strength and Conditioning: Assessing Bodyweight Squat Technique with Wearable Sensors // Journal of Strength and Conditioning Research. 2017. V. 31. Р. 2303–2312.
- Черненький В.М., Терехов В.И., Гапанюк Ю.Е. Структура гибридной интеллектуальной информационной системы на основе метаграфов // Нейрокомпьютеры: разработка, применение. 2016. № 9. С. 3−14.
- Черненький В.М., Гапанюк Ю.Е., Ревунков Г.И., Терехов В.И., Каганов Ю.Т. Метаграфовый подход для описания гибридных интеллектуальных информационных систем // Прикладная информатика. 2017. Т. 12. № 3(69). С. 57–79.
- Shavit Y., Ferens R. Introduction to Camera Pose Estimation with Deep Learning. ArXiv, 2019. URL: https://arxiv.org/abs/1907.05272.
- Kritz M., Cronin J., Hume P.A. The Bodyweight Squat: A Movement Screen for the Squat Pattern. Strength and Conditioning Journal. 2009. V. 31. Р. 76−85.
- Rokach L., Maimon O. Data Mining with Decision Trees – Theory and Applications. 2nd Edition. Series in Machine Perception and Artificial Intelligence. 2014.
- Stikharnyi A., Orekhov A., Andreev A., Gapanyuk Y. The Hybrid Intelligent Information System for Music Classification. In: Kryzhanovsky B., Dunin-Barkowski W., Redko V., Tiumentsev Y. (eds) Advances in Neural Computation, Machine Learning, and Cognitive Research III. NEUROINFORMATICS 2019. Studies in Computational Intelligence. V. 856. Р. 71−77. Springer, Cham.
- Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P.S. A Comprehensive Survey on Graph Neural Networks. IEEE Transactions onNeural Networks and Learning Systems. March 2020. Р. 1−21. DOI: 10.1109/TNNLS.2020.2978386.
- Sherstinsky A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network. Physica D: Nonlinear Phenomena. 2020. V. 404. DOI: 10.1016/j.physd.2019.132306.
- Geron A. Hands-on machine learning with Scikit-Learn and Tensor Flow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2nd Edition. O'Reilly Media. 2019. 856 p.