شبكة التفاف متعددة المقاييس مدمجة بسلسلة كتل للتعرّف الدقيق والتتبع الآمن للحركات عالية الصعوبة في تدريبات الإيروبيكس

تدريب أذكى للحركات المعقدة

قد تبدو حركات الإيروبيكس المتقدمة سلسة وبلا مجهود، لكن المدربين يعلمون مدى صعوبة الحكم على الدورانات السريعة والقفزات والتوازنات بالعين المجردة، أو الحفاظ على أمان بيانات التدريب عندما تكون مقاطع الفيديو وسجلات المستشعرات مخزنة على أجهزة متعددة. تقدم هذه الدراسة نظامًا يراقب حركات الإيروبيكس المعقدة تلقائيًا ويحفظ السجلات مقاومةً للتلاعب، بهدف مساعدة المعلمين والرياضيين وبرامج الرياضة على تتبع التقدم بطريقة أكثر عدلاً وأمانًا.

لماذا يصعب قياس الحركات الصعبة

تتضمن روتينات الإيروبيكس تأرجحات كبيرة للأذرع والساقين، وتغيرات سريعة في الوضعيات، وتسلسلات مترابطة بإحكام. في الصالات الرياضية الحقيقية والقاعات المدرسية، يعني هذا حركة مغبشة، وكتل الأجسام التي تحجب بعضها البعض، وإضاءة غير متجانسة. غالبًا ما تفوت أدوات الرؤية الحاسوبية الحالية تفاصيل مهمة، خاصة في أسرع الحركات والأصعب منها، وتعتمد العديد من البرامج حتى الآن على تسجيل الدرجات أو الملاحظات يدويًا. في الوقت نفسه، قد تُجمع بيانات التدريب على هواتف وكاميرات ومستشعرات منتشرة في أماكن مختلفة، مما يصعب الحفاظ على تماسك السجلات، وتتبع من عدّل ماذا، أو حماية خصوصية الرياضيين عبر الزمن.

حل من مستويين للعين والسجلات

يتعامل الباحثون مع هذه المشكلات من جانبين في آن واحد. أولًا، يبنون نموذج تعلم عميق ينظر إلى كل من إطارات الفيديو وإلى إشارة لاسلكية تُسمى معلومات حالة القناة، التي تلتقط كيف تُزعج حركة الشخص موجات الواي فاي شبيهًا بالتموجات في البركة. عبر تغذية هذين المصدرين إلى شبكة التفاف مصممة خصيصًا مع آلية انتباه مزدوجة، يتعلم النظام التركيز على اللحظات والمناطق الأكثر معلوماتية لكل حركة. ثانيًا، يضيفون طبقة سلسلة كتل تسجل بصمات ضاغطة للبيانات ونتائج التعرف، مع من وصل إليها وتحت أي دور. يقصد بهذا الفصل بين الحوسبة خارج السلسلة وتسجيل السجل على السلسلة إبقاء التعرف سريعًا مع جعل تاريخ بيانات التدريب أصعب في التغيير.

كيف يرى المراقب الذكي الحركة

داخل شبكة التعرف، تنظر فروع التلافيف المتعددة إلى نفس الحركة على مقاييس مختلفة، من بقع محلية صغيرة إلى مناطق أكبر من الجسم. ثم تعيد وحدات الانتباه وزن هذه الميزات، معززةً القنوات والمناطق التي تهم للفصل بين الحركات المتشابهة، مثل زاوية القدم عند الهبوط أو مسار الذراع أثناء الدوران. يرتبط تيار الفيديو مع تيار الإشارة اللاسلكية، الذي يمر عبر مرشحات ونموذج زمني بحيث تتزامن التغيرات السريعة في قوة الإشارة مع الإطارات التي يتحرك فيها الجسم بأقصى سرعة. عبر دمج هذين المصدرين، يحافظ النظام على اتزانه حتى عندما يكون المشهد محجوبًا جزئيًا أو الإضاءة ضعيفة، لأن قناة اللاسلك لا تزال "تشعر" بالحركة.

الحفاظ على نزاهة وسائط التدريب والتحكم بها

جزء سلسلة الكتل من الإطار مصمم كسجل موثوق بدلًا من مُحرك حوسبة ثقيل. عندما تصل بيانات إيروبيكس جديدة أو نتائج التعرف، يُنشئ النظام تجزئة فريدة ويكتبها، إضافة إلى بيانات وصفية وأحداث الوصول، في دفتر موزع مشترك عبر العقد. تفرض العقود الذكية من يمكنه القراءة أو الكتابة أو طلب البيانات، بناءً على أدوار مثل المدير أو جهاز طرف ثالث أو ضيف. ولأن ما يُسجل على السلسلة هو البصمات والسجلات فقط، وليس مقاطع الفيديو الخام، تبقى متطلبات التخزين معتدلة مع السماح للمدربين أو المراجعين بالتحقق من أن البيانات لم تُعدّل أو تُحذف بهدوء، وأن الوصول تمت مطابقته للقواعد المتفق عليها.

ما أظهرته الاختبارات في المختبر والصالة

يقيم المؤلفون نهجهم على مجموعات بيانات عامة كبيرة لحركات البشر وعلى مجموعة إيروبيكس مخصصة تتضمن مهارات متطلبة مثل الدورانات على ساق واحدة، والقفزات الخلفية، وقفزات الدوران الكاملة. يحقق نظامهم الكامل دقة تبلغ نحو 96.8 بالمئة على مجموعة بيانات الإيروبيكس، متفوقًا على عدة نماذج تعلم عميق قوية تستخدم الصور فقط أو تصاميم شبكية أكثر تقليدية. كما يحافظ على جودة تعرّف أعلى عندما تكون الإشارة اللاسلكية مشوشة، وعندما ترفع أجهزة مختلفة البيانات في الوقت نفسه. تضيف وحدة سلسلة الكتل تكلفة تخزين صغيرة فقط لكل جولة تدريب بينما تحسن بشكل حاد مقاييس قابلية تتبع البيانات وتناسقها عبر الأجهزة في منصات التدريب متعددة المستخدمين المحاكاة.

ماذا يعني هذا للتدريب اليومي

بالنسبة لغير المتخصصين، الخلاصة أن الدراسة تُظهر طريقة لدمج تحليل الحركة الأذكى مع إدارة بيانات أقوى في نظام واحد متكامل. بدلًا من التعامل مع التعرف على الوضعيات وحفظ السجلات كأفكار لاحقة منفصلة، صمّم المؤلفون كلا الجانبين ليعملا معًا، بحيث يمكن التعرف على حركات الإيروبيكس الصعبة بشكل أكثر موثوقية بينما تبقى تاريخية التدريب الأساسية متسقة وقابلة للتدقيق. رغم أن بعض الحدود تبقى في ظروف غير معتادة، مثل الحجب الشديد أو المشاهد المزدحمة جدًا، يشير الإطار إلى أدوات رياضية مستقبلية لا تكتفي بـ"رؤية" الحركة المعقدة بشكل أفضل فحسب، بل تحمي أيضًا الأشخاص الذين تُراقَب حركاتهم.

الاستشهاد: Zhang, Q., Lu, Y. & Li, Y. A blockchain-integrated multi-scale convolutional network for accurate recognition and secure tracking of high-difficulty movements in aerobics training. Sci Rep 16, 14910 (2026). https://doi.org/10.1038/s41598-026-43794-0

الكلمات المفتاحية: تدريبات الإيروبيكس, التعرّف على الحركات, التعلم العميق, أمن بيانات سلسلة الكتل, تكنولوجيا الرياضة