Система контроля выполнения физических упражнений средствами гибридного интеллекта: признаковое пространство

Поступила: 22.01.2026

Принята к публикации: 25.02.2026

Ключевые слова: компьютерное зрение, оценка позы человека, нечеткая логика, гибридный интеллект, контроль выполнения физических упражнений

DOI: 10.55959/MSU/0137–0782–15–2026–50–2–71–83

Доступно в on-line версии с: 24.07.2026

Для цитирования статьи

Шергин И.А., Рыжов А.П. Система контроля выполнения физических упражнений средствами гибридного интеллекта: признаковое пространство // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2026. № 2. С. 71-83 https://doi.org/10.55959/MSU/0137–0782–15–2026–50–2–71–83.

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция-Некоммерчески») 4.0 Всемирная

Шергин И.А. (Московский государственный университет им. М.В. Ломоносова (МГУ))
Рыжов А.П. (Московский государственный университет им. М.В. Ломоносова (МГУ))

Аннотация

В статье описан процесс формирования признакового пространства для системы, которая позволяет осуществлять контроль выполнения физических упражнений и вырабатывать персональные рекомендации по корректировке их выполнения на основе правил, которыми оперирует эксперт-тренер. Для цифрового представления выполнения упражнений используются методы оценки позы человека (Human Pose Estimation, HPE). Признаковое пространство должно представлять данные HPE (координаты частей человеческого тела) в виде набора значений признаков для выработки рекомендаций (например, интенсивность выполнения упражнения, выносливость пользователя). Признаковое пространство играет центральную роль при разработке подобных систем: чем оно богаче, тем качественнее рекомендации могут быть реализованы.

Литература

World Health Organization. Nearly 1.8 billion adults at risk of disease from not doing enough physical activity. [Электронный ресурс] URL: https://www.who.int/news/item/26-06-2024-nearly-1.8-billion-adults-at-risk-of-disease-from-not-doing... (дата обращения 25.02.2026).
W a r b u r t o n D. E. R., N i c o l C., B r e d i n S. Health benefits of physical activity: the evidence // Canadian Medical Assoc. J. 2006. 174(6). P. 801–809.
Правительство РФ. Стратегия развития физической культуры и спорта в Российской Федерации на период до 2030 года. [Электронный ресурс] URL: https://storage.minsport.gov.ru/cms-uploads/cms/Aktualnaya_Strategiya_sporta_do_2030_goda_b7b1cb62e1... (дата обращения 25.02.2026).
L u Y. et al. Comparing the impact of personal trainer guidance to exercising with others: Determining the optimal approach // Heliyon. 2024. 10 (2). [Электронный ресурс] URL: https://www.cell.com/action/showPdf?pii=S2405-8440%2824%2900656-X (дата обращения 25.02.2026).
P h a l k e D. A., K o t i p a l l i V., R a n j a n P., P a w a r Y., B h a r a t P. Artificial intelligence in fitness: Pose estimation and movement correction // Cureus J. Comput. Sci. [Электронный ресурс] URL: https://colab.ws/articles/10.7759%2Fs44389-024-02701-2 (дата обращения 25.02.2026).
G a d h v i et al. PosePilot: An edge-AI solution for posture correction in physical exercises // Lecture Notes in Comput. Sci. Vol. 15938. Springer Nature, 2025. P. 208–219.
S i o w C. Z., C h i n W. H., K u b o t a N. Evaluating simple exercises with a fuzzy system based on human skeleton poses // Proc of the IEEE Intern. Conf. on Fuzzy Systems (FUZZ). IEEE, 2023. P. 1–6.
T h a r a t i p y a k u l A., P o n g n u m k u l S. Deep Learning-based Pose Estimation in Providing Feedback for Physical Movement: a Review. USA: National Center for Biotechnology Information, 2023.
C h e n S., Ya n g R. R. Pose trainer: Correcting exercise posture using pose estimation. [Электронный ресурс] URL: https://arxiv.org/abs/2006.11718 (дата обращения 25.02.2026).