تطبيق خوارزمية PoseConv3D في التعرف على حركات تدريبات التشجيع

تدريب أذكى لرياضة سريعة الوتيرة

أصبح التشجيع الرياضي اليوم أكثر من مجرد حماسة على جانب الملعب؛ فهو رياضة جماعية بهلوانية تتطلب الكثير، حيث قد تعني الأخطاء البسيطة في التوقيت أو الوضعية الفرق بين تنفيذ آمن وحاد لسقوط خطير. ومع ذلك، لا يزال معظم التدريب يعتمد على العين المجردة وإعادة تشغيل الفيديوهات ببطء. يقدم هذا البحث نظام ذكاء اصطناعي قادرًا على مشاهدة روتينات التشجيع إطارًا تلو الآخر، وفهم وضعيات جسد الرياضيين، والتعرف تلقائيًا على الحركات المنفذة وصعوبتها، ما يفتح الباب لتدريب أكثر أمانًا ودقة وتخصيصًا.

لماذا يشكل التشجيع تحديًا خاصًا

لقد درست الرؤية الحاسوبية العديد من الرياضات والأنشطة اليومية من قبل، لكن التشجيع يدفع الطرق الحالية إلى حدودها. يدور الرياضيون عدة مرات في الثانية، يقلبون أجسادهم في الهواء، ويبنون أهرامات متعددة الأشخاص حيث تتداخل الأجساد وتغطي رؤيتها للكاميرا. الحركات التي تبدو متشابهة مكانيًا—مثل تموجات الذراعين والركلات العالية—قد تختلف أساسًا في إيقاعها، وهذا ما تتجاهله الخوارزميات القياسية إلى حد كبير. ونتيجة لذلك، تسيء أنظمة التعرف على الحركة الشائعة قراءة مواقع المفاصل الرئيسة، وتفقد تتبع الأفراد في الحركات الجماعية، وتخلط بين حركات تتشارك مسارات حركة متشابهة، مما يؤدي إلى دقة منخفضة وردود فعل غير موثوقة في صالات التدريب الحقيقية.

تحويل الفيديوهات إلى هياكل عظمية رقمية نظيفة

يبني النظام الجديد على شبكة تلافيف ثلاثية الأبعاد مبنية على الوضعية تسمى PoseConv3D، التي تعمل ليس على النقاط البكسلية الخام بل على هياكل "شبيهة بالعصا" (stick figure) المستخرجة من الفيديو. الابتكار الأول هو خطوة تصحيح ديناميكية تنظف هذه الهياكل العظمية. عندما يكون كاشف الوضعية الأساسي غير متأكد من مفصل—مثل معصم يطمس خلال دوران—يتنبأ النظام بمساره الأكثر احتمالًا عبر الزمن باستخدام منحنيات سلسة تحترم حركة الإطارات المجاورة. هذا يقلل من الاهتزاز والانجراف في مواقع المفاصل بأكثر من 40%، مما يمنح خوارزمية التعلم صورة أوضح بكثير عن كيفية تحرك جسد كل رياضي فعليًا أثناء الدورات السريعة والانتقالات الهوائية.

رؤية التفاصيل الصغيرة ونمط الفريق الكبير معًا

بعد تنظيف الهياكل العظمية، يحلل النظام الحركة على مقاييس متعددة في آن واحد. يركز فرع معالجة واحد على التفاصيل الدقيقة مثل طقة سريعة في المعصم أو دفع الكاحل، بينما ينظر فرع آخر إلى أنماط أوسع مثل القوس sweeping للساق أو ارتفاع منسق لعدد من الرياضيين في رفع. من خلال دمج هذه الرؤى، يفهم النموذج بشكل أفضل كيف تسهم التعديلات الصغيرة في تكوينات كبيرة على مستوى الفريق. أظهرت الاختبارات على مجموعة بيانات مخصصة للتشجيع من جامعة سنترال فلوريدا—أكثر من 500 مقطع تدريب ومنافسة بدقة عالية مع حركات ومستويات صعوبة موسومة بعناية—أن هذا النهج متعدد المقاييس يحسن بشكل ملحوظ التعرف على الحركات المعقدة والمتسقة للغاية.

تعليم النظام "سماع" الإيقاع

أحد المميزات البارزة في العمل هو أن الخوارزمية لا تكتفي بمشاهدة كيف يتحرك الرياضيون في الفضاء؛ بل تتعلم أيضًا متى يتحركون. يحسب الباحثون سرعة تحرك كل مفصل من إطار إلى آخر ويحولون هذه التغيرات إلى أنماط إيقاعية، تمامًا مثل تحويل الموسيقى إلى طيف من الإيقاعات. ثم تبرز وحدة انتباه خاصة اللحظات في تسلسل الحركة التي تطابق توقيعات إيقاعية رئيسية. يتيح هذا للنظام تمييز الحركات التي تتبع مسارات متطابقة تقريبًا لكنها تتكشف بسرعات مختلفة، ما يقلص الخلط بين الحركات المموجة والركلات المتزامنة من حوالي محاولة واحدة من كل ست محاولات إلى بضع محاولات من كل مئة.

من التعرف إلى شريك تدريب في الوقت الحقيقي

في نهاية خط المعالجة، ينتج النظام مخرجين معًا: نوع حركة التشجيع المنفذة ودرجة صعوبة مُقدَّرة تتوافق مع قواعد المنافسات. يعمل بسرعة تقارب 90 إطارًا في الثانية، متجاوزًا بسهولة السرعة المطلوبة للتغذية الراجعة في الوقت الحقيقي. تصل الدقة الكلية إلى نحو 93%، متفوقة على عدة طرق حديثة بفوارق كبيرة. بالنسبة للرياضيين والمدرّبين، يعني هذا مساعدًا آليًا يمكنه الإشارة مباشرة إلى تموجات غير متزامنة في التوقيت أو هبوطات غير مستقرة أو فجوات في تزامن الفريق أثناء حدوثها، مع تتبع التقدم في مهارات أكثر صعوبة—مما يوفر خطوة قوية نحو تدريب تشجيع يعتمد على البيانات، أكثر أمانًا ودقة.

الاستشهاد: Li, Q. Application of PoseConv3D algorithm in cheerleading training action recognition. Sci Rep 16, 12265 (2026). https://doi.org/10.1038/s41598-026-43019-4

الكلمات المفتاحية: التشجيع الرياضي, التعرف على الحركة, تقدير الوضعية, تحليلات الرياضة, التعلُّم العميق