Ramy CRNN z obsługą IoT do bezpiecznego rozpoznawania aktywności z czujników noszonych w wychowaniu fizycznym

Dlaczego inteligentniejsze śledzenie aktywności ma znaczenie

Większość z nas nosi dziś urządzenia liczące kroki, śledzące tętno, a nawet szacujące sen. Za tymi przyjaznymi wykresami kryje się jednak trudne pytanie: jak opaska na nadgarstek lub koszulka z czujnikami może wiarygodnie rozpoznawać, czy ktoś idzie, sprintuje, jeździ na rowerze czy gra w jakąś grę? Niniejszy artykuł bada nowy sposób interpretacji strumieni danych z takich gadżetów, aby rozpoznawały aktywności fizyczne znacznie dokładniej, ze szczególnym uwzględnieniem potencjału dla wychowania fizycznego i treningu sportowego.

Od prostych krokomierzy do połączonych sal sportowych

Noszone urządzenia przestały być prostymi krokomierzami. Dzisiejsze sprzęty mierzą ruch w trzech wymiarach, rotację ciała, kierunek kompasu, temperaturę skóry i zachowanie serca, przesyłając to wszystko przez Internet rzeczy (IoT) do wydajnych komputerów. W szkołach i ośrodkach treningowych oznacza to, że trenerzy i nauczyciele mogliby w zasadzie monitorować wielu uczniów jednocześnie, śledząc, jak intensywnie pracują i jak się poruszają. Jednak większość obecnych systemów nadal ma problemy z chaotycznymi danymi z rzeczywistego świata i często błędnie klasyfikuje złożone aktywności, co ogranicza ich przydatność do precyzyjnego coachingu, sprawiednej oceny czy zapobiegania urazom.

Nowe cyfrowe oko ruchu

Autorzy proponują ramy rozpoznawania aktywności, które traktują dane z noszonych czujników jako wzory przestrzenne i czasowe. Opierają się na hybrydowym projekcie sztucznej inteligencji zwanym Konwolucyjno-Rekurencyjną Siecią Neuronową (CRNN). Jedna część modelu szuka istotnych kształtów w przekrojach kanałów czujników w danym momencie — jak sygnały z akcelerometru, żyroskopu i tętna układają się względem siebie. Druga część analizuje oś czasu, ucząc się, jak te wzory zmieniają się na przestrzeni sekund podczas ruchu. Łącząc oba spojrzenia, system potrafi rozróżnić aktywności, które krótkotrwale mogą wyglądać podobnie, ale różnią się przebiegiem — na przykład szybki marsz versus lekki trucht.

Jak system widzi i uczy się

W proponowanym układzie uczniowie (a w badaniu — osoby reprezentowane w publicznym zbiorze danych) noszą na ciele wiele czujników. Rejestrują one tętno, temperaturę ciała, przyspieszenie, rotację i orientację magnetyczną z kilkudziesięciu pomiarów na sekundę. Surowe strumienie są oczyszczane z zakłóceń, wygładzane w celu redukcji szumu i skalowane, aby żaden pojedynczy czujnik nie dominował modelu. Dane dzieli się następnie na krótkie okna czasowe, z których każde oznaczone jest główną aktywnością występującą w tym przedziale. Te okna tworzą materiał treningowy dla CRNN, który automatycznie odkrywa użyteczne cechy bez ręcznie tworzonych reguł i stopniowo uczy się mapować każdy krótki segment sygnałów na aktywność, taką jak chodzenie, bieganie, jazda na rowerze czy gry.

Testowanie cyfrowego trenera

Aby ocenić, czy podejście rzeczywiście poprawia rozpoznawanie, autorzy testują je na ogólnodostępnym zbiorze danych z czujników noszonych używanym przez innych badaczy. Porównują swój CRNN z różnymi alternatywami, od klasycznych metod, takich jak maszyny wektorów nośnych czy lasy losowe, po nowoczesne modele głębokiego uczenia wykorzystujące wyłącznie wzory przestrzenne (sieci konwolucyjne) lub wyłącznie wzory czasowe (sieci rekurencyjne i Transformers). W szerokim zakresie miar — dokładności ogólnej, częstości poprawnego wykrywania prawdziwych aktywności oraz niskiego poziomu fałszywych alarmów — CRNN wypada najlepiej. Poprawnie rozpoznaje aktywność w ponad 98 procentach próbek testowych, utrzymuje silne wyniki dla każdego typu aktywności i robi to bez nadmiernego zapotrzebowania obliczeniowego, co czyni go realnym rozwiązaniem do monitorowania w trybie niemal rzeczywistym.

Co to oznacza dla codziennych ćwiczeń i nauczania

Badanie sugeruje, że starannie zaprojektowane modele AI mogą przekształcić zwykłe urządzenia noszone w znacznie bardziej wiarygodnych obserwatorów naszego ruchu. Dla wychowania fizycznego może to oznaczać obiektywne, ciągłe zapisy uczestnictwa uczniów, intensywności ćwiczeń i zmian techniki w czasie, przy jednoczesnym bezpiecznym przetwarzaniu danych przez infrastrukturę IoT. Chociaż obecne wyniki pochodzą z zestawów referencyjnych, a nie z żywych prób w klasach, pokazują, że łączenie uczenia przestrzennego i czasowego to potężny przepis na odszyfrowanie aktywności człowieka. Przy dalszych testach w rzeczywistych szkołach i ośrodkach treningowych takie systemy mogłyby stać się zaufanym cyfrowym asystentem — dyskretnie obserwującym, uczącym się i dostarczającym oparte na danych wskazówki, które pomogą ludziom lepiej się poruszać i dbać o zdrowie.

Cytowanie: Yuan, J., Zhang, Y. & Chen, B. An IoT-enabled CRNN framework for secure wearable sensor-based activity recognition in physical education. Sci Rep 16, 11953 (2026). https://doi.org/10.1038/s41598-026-42082-1

Słowa kluczowe: rozpoznawanie aktywności z noszonych urządzeń, Internet rzeczy, technologia w wychowaniu fizycznym, głębokie uczenie i czujniki, inteligentne monitorowanie kondycji