Детальная информация

Объектом исследования является процесс автоматической классификации поз йоги по изображениям пользователей. Цель работы — разработка интеллектуального чат-бота, способного в реальном времени анализировать асаны и предоставлять персонализированные рекомендации по корректности их выполнения. Методология включала выбор датасета Yoga-82, извлечение координат ключевых точек тела с использованием библиотеки MediaPipe Pose, векторизацию признаков, обучение трёх моделей (Bidirectional LSTM, CNN, MobileNetV2) и интеграцию наиболее эффективной из них (CNN) в Telegram-бота. Дополнительно проведены модульное и пользовательское тестирование, а также анализ метрик качества классификации. Результат — стабильная работа Telegram-бота с точностью классификации до 78% на тестовой выборке. Области применения: цифровое сопровождение занятий йогой, фитнес-приложения и персонализированные рекомендации в wellness-сервисах.

The object of this study is the process of automatic yoga pose classification based on user-submitted images. The goal of the research is to develop an intelligent chatbot capable of real-time analysis of asanas and providing personalized feedback on pose accuracy. The methodology involved using theYoga-82 dataset, extracting key body point coordinates via the MediaPipe Pose library, feature vectorization, training and evaluating three models (Bidirectional LSTM, CNN, and MobileNetV2), and integrating the most effective model (CNN) into a Telegram bot. Additional steps included modular and user testing, as well as performance evaluation using classification quality metrics. The result is a stable, high-accuracy (up to 78%) Telegram bot for pose classification. Applications include digital yoga assistants, fitness applications and personalized recommendations in wellness services.

• Разработка интеллектуального чат-бота для практик йоги.
  • Введение
  • 1. Анализ существующих решений в области цифровых инструментов для практик йоги
  • 2. Разработка архитектуры системы
  • 3. Реализация и экспериментальное сравнение моделей
  • 4. Реализация чат-бота для анализа и корректировки выполнения асан с использованием модели CNN
  • 5. Тестирование
  • Заключение
  • Список использованных источников
  • ПРИЛОЖЕНИЕ 1 ОБУЧЕНИЕ И ВАЛИДАЦИЯ МОДЕЛИ BIDIRECTIONAL LSTM
  • ПРИЛОЖЕНИЕ 2 ОБУЧЕНИЕ И ВАЛИДАЦИЯ МОДЕЛИ CNN
  • ПРИЛОЖЕНИЕ 3 ОБУЧЕНИЕ И ВАЛИДАЦИЯ МОДЕЛИ MOBILENET
  • ПРИЛОЖЕНИЕ 4 РЕАЛИЗАЦИЯ ЧАТ-БОТА
  • ПРИЛОЖЕНИЕ 5 МОДУЛЬНОЕ ТЕСТИРОВАНИЕ МОДЕЛИ CNN