Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Тема выпускной квалификационной работы: «Контроль правильности выполнения физических упражнений с помощью нейронной сети». Работа посвящена разработке алгоритмов на основе машинного обучения, классифицирующих выполнение ряда статических и динамических упражнений как правильные или неправильные на основе примеров правильного выполнения и распространенных ошибок. Данные об упражнениях представлены в виде фотографий и видео, которые преобразуются в многомерные временные ряды с помощью pose estimation. Задачи, решаемые в ходе работы: Обзор методов pose estimation и классификации. Создание подходящих наборов данных для статических и динамических упражнений. Разработка алгоритмов классификации правильности на основе машинного обучения. Анализ созданных классификаторов. Работа проводилась на языке python с использованием библиотек TensorFlow, SciPy и CatBoost. В качестве системы оценки позы использовался MediaPipe BlazePose. В результате работы было создано 4 классификатора для: планки, стойки на голове, приседаний и отжиманий с точностью от 94% до 97%. Планируется дальнейшая работа по улучшению производительности и интеграции классификаторов в пользовательское приложение.
The subject of the graduate qualification work is «Controlling the correctness of physical exercises using neural networks». This work focuses on the development of machine learning based algorithms that classify execution of a range of static and dynamic exercises as correct or incorrect based on examples of correct execution and common mistakes. Exercise data is presented in the form of photos and videos, which are converted to multivariate time series data using pose estimation. The research set the following goals: A review of pose estimation and classification methods. Creation of suitable datasets for static and dynamic exercises. Development of machine learning based correctness classification algorithms. Analysis of the created classifiers. The work was conducted using python with the help of libraries such as TensorFlow, SciPy and CatBoost. MediaPipe BlazePose was used as a pose estimation system.The work resulted in 4 classifiers for: plank, headstand, squats, and pushups, with accuracy ranging from 94% to 97%. Further works improving the performance and integrating classifiers into an application are planned.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Usage statistics
Access count: 9
Last 30 days: 2 Detailed usage statistics |