Rete convoluzionale multi-scala integrata con blockchain per il riconoscimento accurato e il tracciamento sicuro di movimenti ad alta difficoltà nell’allenamento di aerobica

Allenamento più intelligente per movimenti difficili

L’aerobica di alto livello può apparire senza sforzo, ma gli allenatori sanno quanto sia difficile giudicare a occhio giri rapidi, salti ed equilibri, o mantenere i dati di allenamento al sicuro quando video e registri dei sensori sono distribuiti su molti dispositivi. Questo studio propone un sistema che osserva automaticamente movimenti complessi di aerobica e mantiene i registri resistenti alle manomissioni, con l’obiettivo di aiutare insegnanti, atleti e programmi sportivi a monitorare i progressi in modo più equo e sicuro.

Perché i movimenti difficili sono duri da misurare

Le routine di aerobica coinvolgono ampi movimenti di braccia e gambe, rapidi cambi di postura e sequenze strettamente concatenate. In palestre e palestre scolastiche questo si traduce in mosso, persone che si sovrappongono e illuminazione disomogenea. Gli strumenti di visione artificiale esistenti spesso perdono dettagli chiave, specialmente nei movimenti più veloci e difficili, e molti programmi si affidano ancora a persone che annotano punteggi o note manualmente. Allo stesso tempo, i dati di allenamento possono essere raccolti su telefoni, videocamere e sensori sparsi in più sedi, rendendo difficile mantenere i registri coerenti, tracciare chi ha modificato cosa o tutelare la privacy degli atleti nel tempo.

Una soluzione a due livelli per occhi e registri

I ricercatori affrontano questi problemi su due fronti simultaneamente. Innanzitutto costruiscono un modello di deep learning che osserva sia i frame video sia un segnale wireless chiamato channel state information, che cattura come il movimento di una persona disturbi il Wi-Fi come increspature in uno stagno. Alimentando questi due flussi in una rete convoluzionale appositamente progettata con un meccanismo di attenzione doppio, il sistema impara a concentrarsi sui momenti e sulle regioni più informativi di ogni movimento. In secondo luogo aggiungono uno strato blockchain che registra impronte digitali compatte dei dati e dei risultati del riconoscimento, insieme a chi vi ha avuto accesso e con quale ruolo. Questa separazione tra calcolo off-chain e registrazione on-chain mira a mantenere il riconoscimento veloce rendendo al contempo più difficile alterare la storia dei dati di allenamento.

Come l’osservatore intelligente vede il movimento

All’interno della rete di riconoscimento, più rami convoluzionali analizzano la stessa azione a differenti scale, da piccole patch locali a regioni corporee più ampie. Moduli di attenzione ripesano quindi queste caratteristiche, rafforzando canali e aree che contano maggiormente per distinguere azioni simili, come l’angolo del piede durante l’atterraggio o la traiettoria del braccio in una rotazione. Il flusso video è affiancato dallo stream del segnale wireless, che passa attraverso filtri e un modello temporale in modo che i cambiamenti rapidi nell’intensità del segnale si allineino ai frame in cui il corpo si muove più velocemente. Fusione queste sorgenti, il sistema mantiene l’orientamento anche quando la vista è parzialmente ostruita o l’illuminazione è scarsa, poiché il canale wireless continua a “percepire” il movimento.

Mantenere i dati di allenamento onesti e sotto controllo

La parte blockchain del framework è pensata come un registro affidabile piuttosto che come un motore di calcolo pesante. Quando arrivano nuovi dati di aerobica o risultati di riconoscimento, il sistema crea un hash unico e lo scrive, insieme a metadati ed eventi di accesso, in un registro distribuito condiviso tra i nodi. Smart contract fanno rispettare chi può leggere, scrivere o richiedere dati, in base a ruoli come amministratore, dispositivo di terze parti o ospite. Poiché solo impronte e registri, non video grezzi, finiscono sulla catena, la richiesta di storage rimane modesta pur permettendo ad allenatori o revisori di verificare che i dati non siano stati modificati o cancellati di nascosto e che gli accessi siano avvenuti secondo le regole concordate.

Cosa mostrano i test in laboratorio e in palestra

Gli autori valutano il loro approccio su grandi dataset pubblici di azioni umane e su una raccolta personalizzata di aerobica con abilità impegnative come rotazioni su una gamba, salti mortali e salti con giro completo. Il sistema completo raggiunge circa il 96,8 percento di accuratezza sul dataset di aerobica, superando diversi forti modelli di deep learning che utilizzano solo immagini o architetture di rete più convenzionali. Mantiene inoltre una qualità di riconoscimento superiore quando il segnale wireless è rumoroso e quando dispositivi diversi caricano dati simultaneamente. Il modulo blockchain aggiunge solo un piccolo costo di archiviazione per ogni round di allenamento migliorando nettamente le misure di tracciabilità dei dati e di coerenza tra dispositivi in piattaforme di allenamento multiutente simulate.

Che cosa significa per l’allenamento quotidiano

Per i non specialisti, la conclusione è che lo studio mostra un modo per combinare un’analisi dei movimenti più intelligente con una gestione dei dati più rigorosa in un unico sistema coerente. Invece di trattare riconoscimento delle pose e conservazione dei registri come ripensamenti separati, gli autori li progettano per lavorare insieme, così che i movimenti difficili di aerobica possano essere riconosciuti in modo più affidabile mentre la storia degli allenamenti resta coerente e verificabile. Sebbene permangano alcuni limiti in scenari particolari, come occlusioni estreme o scene molto affollate, il framework indica la direzione per strumenti sportivi futuri che non solo “vedono” meglio i movimenti complessi ma proteggono anche le persone i cui movimenti vengono osservati.

Citazione: 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

Parole chiave: allenamento di aerobica, riconoscimento delle azioni, deep learning, sicurezza dei dati blockchain, tecnologia sportiva