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.

1. 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.
2. 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.
3. 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.
4. Shavit Y., Ferens R. Introduction to Camera Pose Estimation with Deep Learning. ArXiv, 2019. URL: https://arxiv.org/abs/1907.05272.
5. 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.
6. Rokach L., Maimon O. Data Mining with Decision Trees – Theory and Applications. 2nd Edition. Series in Machine Perception and Artificial Intelligence. 2014.
7. 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.
8. 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.
9. 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.
10. 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.