Ein blockchain-integriertes Multi-Skalen-Faltungsnetzwerk zur präzisen Erkennung und sicheren Nachverfolgung hochschwieriger Bewegungen im Aerobic-Training

Intelligenteres Training für knifflige Figuren

Hohe Aerobic-Level wirken oft mühelos, doch Trainer wissen, wie schwierig es ist, schnelle Drehungen, Sprünge und Balancen mit bloßem Auge zu beurteilen oder Trainingsdaten sicher zu verwalten, wenn Videos und Sensordaten auf vielen Geräten liegen. Diese Studie stellt ein System vor, das komplexe Aerobic-Bewegungen automatisch beobachtet und die Aufzeichnungen manipulationssicher hält, um Lehrern, Athleten und Sportprogrammen zu helfen, Fortschritte gerechter und sicherer nachzuverfolgen.

Warum schwierige Bewegungen schwer zu messen sind

Aerobic-Routinen beinhalten große Arm- und Beinbewegungen, schnelle Haltungswechsel und eng verkettete Sequenzen. In echten Sporthallen bedeutet das verschwommene Bewegungen, sich gegenseitig verdeckende Körper und ungleichmäßige Beleuchtung. Bestehende Computer-Vision-Werkzeuge übersehen oft wichtige Details, besonders bei den schnellsten und anspruchsvollsten Bewegungen, und viele Programme verlassen sich noch auf manuelle Aufzeichnungen. Gleichzeitig werden Trainingsdaten oft auf Telefonen, Kameras und Sensoren an verschiedenen Orten gesammelt, was es schwer macht, Aufzeichnungen konsistent zu halten, nachzuvollziehen, wer was geändert hat, oder die Privatsphäre der Sportler langfristig zu schützen.

Eine zweigleisige Lösung für Sicht und Aufzeichnungen

Die Forscher gehen diese Probleme von zwei Seiten an. Erstens entwickeln sie ein Deep-Learning-Modell, das sowohl Videoframes als auch ein Funksignal namens Channel State Information betrachtet, das erfasst, wie die Bewegung einer Person Wi‑Fi wie Wellen stört. Indem diese beiden Datenströme in ein speziell gestaltetes Faltungsnetz mit dualem Aufmerksamkeitsmechanismus eingespeist werden, lernt das System, sich auf die informativsten Zeitpunkte und Bereiche jeder Bewegung zu konzentrieren. Zweitens fügen sie eine Blockchain-Schicht hinzu, die kompakte Fingerabdrücke der Daten und Erkennungsergebnisse sowie Zugriffsereignisse und Rollen protokolliert. Diese Trennung von Off‑Chain‑Rechnung und On‑Chain‑Protokollierung soll die Erkennung schnell halten und gleichzeitig die Historie der Trainingsdaten schwerer manipulierbar machen.

Wie der intelligente Beobachter Bewegung wahrnimmt

Im Inneren des Erkennungsnetzwerks betrachten mehrere Faltungszweige dieselbe Aktion in unterschiedlichen Skalen, von kleinen lokalen Ausschnitten bis zu größeren Körperregionen. Aufmerksamkeitsmodule gewichten diese Merkmale neu und stärken Kanäle und Bereiche, die beim Unterscheiden ähnlicher Bewegungen am wichtigsten sind, etwa der Fußwinkel beim Landen oder der Armverlauf bei einer Drehung. Der Videostrom wird mit dem Funksignalstrom gekoppelt, der Filter und ein zeitliches Modell durchläuft, sodass schnelle Änderungen der Signalstärke mit Frames übereinstimmen, in denen sich der Körper am schnellsten bewegt. Durch die Fusion dieser Quellen behält das System seine Orientierung, auch wenn die Sicht teilweise blockiert ist oder die Beleuchtung schlecht ist, da der Funkkanal die Bewegung weiterhin „fühlt“.

Trainingsdaten ehrlich und kontrolliert halten

Der Blockchain-Teil des Frameworks ist als vertrauenswürdiges Logbuch konzipiert, nicht als schwere Rechenmaschine. Wenn neue Aerobic-Daten oder Erkennungsergebnisse eintreffen, erzeugt das System einen eindeutigen Hash und schreibt diesen zusammen mit Metadaten und Zugriffsereignissen in ein verteiltes Ledger, das über Knoten geteilt wird. Smart Contracts regeln, wer Daten lesen, schreiben oder anfragen darf, basierend auf Rollen wie Administrator, Drittgerät oder Gast. Da nur Fingerabdrücke und Protokolle, nicht die Rohvideos, on‑chain abgelegt werden, bleiben die Speicheranforderungen moderat, während Trainer oder Prüfer dennoch überprüfen können, dass Daten nicht unbemerkt bearbeitet oder gelöscht wurden und dass der Zugriff den vereinbarten Regeln folgte.

Was Tests im Labor und in der Halle zeigen

Die Autoren bewerten ihren Ansatz auf großen öffentlichen Datensätzen von menschlichen Aktionen und auf einer maßgeschneiderten Aerobic-Sammlung mit anspruchsvollen Fähigkeiten wie Einbein‑Drehungen, Salto‑Sprüngen und kompletten Drehsprüngen. Ihr Gesamtsystem erreicht auf dem Aerobic‑Datensatz etwa 96,8 Prozent Genauigkeit und übertrifft mehrere starke Deep‑Learning‑Baselines, die nur Bilder oder konventionellere Netzwerkdesigns verwenden. Es hält auch unter Rauschen im Funksignal eine höhere Erkennungsqualität aufrecht und bei gleichzeitigen Uploads verschiedener Geräte. Das Blockchain‑Modul verursacht pro Trainingsrunde nur geringe Speicherkosten, verbessert aber deutlich Maße zur Datenrückverfolgbarkeit und geräteübergreifenden Konsistenz in simulierten Multi‑User‑Trainingsplattformen.

Was das für das Alltags­training bedeutet

Für Nicht‑Spezialisten ist die Botschaft: Die Studie zeigt einen Weg, intelligente Bewegungsanalyse mit stärkerer Datenverwaltung in einem kohärenten System zu verbinden. Statt Pose‑Erkennung und Protokollierung als getrennte Nachgedanken zu behandeln, entwerfen die Autoren sie so, dass sie zusammenarbeiten, sodass schwierige Aerobic‑Bewegungen zuverlässiger erkannt werden können, während die zugrundeliegende Trainingshistorie konsistent und prüfbar bleibt. Obwohl Grenzen in ungewöhnlichen Situationen bestehen bleiben, etwa bei extremer Verdeckung oder sehr dichten Szenen, weist das Framework in Richtung künftiger Sportwerkzeuge, die komplexe Bewegung nicht nur besser „sehen“, sondern auch die Personen schützen, deren Bewegung beobachtet wird.

Zitation: 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

Schlüsselwörter: Aerobic-Training, Aktions­erkennung, Deep Learning, Blockchain-Datensicherheit, Sporttechnologie