Zintegrowana z blockchainem wieloskalowa sieć konwolucyjna do dokładnego rozpoznawania i bezpiecznego śledzenia trudnych ruchów w treningu aerobiku

Inteligentniejszy trening trudnych elementów

Wysokopoziomowy aerobik może wyglądać lekko, ale trenerzy dobrze wiedzą, jak trudno ocenić szybkie obroty, skoki i balansowanie gołym okiem oraz jak zabezpieczyć dane treningowe, gdy nagrania i logi sensorów znajdują się na wielu urządzeniach. W badaniu przedstawiono system, który automatycznie obserwuje złożone ruchy aerobiku i utrwala zapisy w sposób odporny na manipulacje — z zamiarem wsparcia nauczycieli, sportowców i programów sportowych w sprawiedliwszym i bezpieczniejszym śledzeniu postępów.

Dlaczego trudne ruchy trudno zmierzyć

Układy aerobiku obejmują szerokie wymachy ramion i nóg, gwałtowne zmiany postawy oraz ściśle powiązane sekwencje. W prawdziwych siłowniach i salach szkolnych oznacza to rozmycie ruchu, zasłanianie się osób nawzajem i nierównomierne oświetlenie. Istniejące narzędzia widzenia komputerowego często pomijają kluczowe detale, szczególnie w najszybszych i najtrudniejszych elementach, a wiele programów wciąż polega na ręcznym zapisie ocen czy notatek. Jednocześnie dane treningowe mogą być zbierane na telefonach, kamerach i sensorach rozproszonych po różnych miejscach, co utrudnia utrzymanie spójności zapisów, ustalenie, kto co zmienił, czy ochronę prywatności sportowców w czasie.

Dwupoziomowe rozwiązanie dla obserwacji i zapisów

Naukowcy podchodzą do tych problemów z dwóch stron jednocześnie. Po pierwsze, budują model głębokiego uczenia, który analizuje zarówno klatki wideo, jak i sygnał bezprzewodowy zwany channel state information, który rejestruje, jak ruch osoby zaburza sygnał Wi‑Fi niczym fale na stawie. Poprzez podawanie tych dwóch strumieni do specjalnie zaprojektowanej sieci konwolucyjnej z podwójnym mechanizmem uwagi system uczy się skupiać na najbardziej informacyjnych momentach i obszarach każdego ruchu. Po drugie, dodają warstwę blockchain, która zapisuje zwarte odciski danych i wyniki rozpoznawania, wraz z informacjami o dostępie i rolach. To rozdzielenie między obliczeniami poza łańcuchem a logowaniem na łańcuchu ma na celu utrzymanie szybkości rozpoznawania przy jednoczesnym utrudnieniu zmiany historii danych treningowych.

Jak inteligentny obserwator widzi ruch

Wewnątrz sieci rozpoznającej wiele gałęzi konwolucyjnych patrzy na ten sam ruch w różnych skalach, od małych lokalnych fragmentów po większe obszary ciała. Moduły uwagi następnie przeważają te cechy, wzmacniając kanały i obszary, które mają największe znaczenie przy rozróżnianiu podobnych ruchów, na przykład kąt stopy przy lądowaniu lub tor ramienia podczas obrotu. Strumień wideo jest sparowany ze strumieniem sygnału bezprzewodowego, który przechodzi przez filtry i model temporalny, tak by nagłe zmiany siły sygnału pokrywały się z klatkami, gdzie ciało porusza się najszybciej. Dzięki łączeniu tych źródeł system utrzymuje orientację nawet gdy widok jest częściowo zasłonięty lub słabe jest oświetlenie, ponieważ kanał bezprzewodowy nadal „wyczuwa” ruch.

Utrzymanie uczciwości i kontroli nad danymi treningowymi

Część frameworku oparta na blockchain została zaprojektowana jako zaufany dziennik, a nie ciężki silnik obliczeniowy. Gdy pojawiają się nowe dane aerobiku lub wyniki rozpoznawania, system tworzy unikalny skrót (hash) i zapisuje go razem z metadanymi oraz zdarzeniami dostępu w rozproszonej księdze współdzielonej między węzłami. Inteligentne kontrakty egzekwują, kto może czytać, zapisywać lub żądać danych, w oparciu o role takie jak administrator, urządzenie zewnętrzne czy gość. Ponieważ na łańcuch trafiają jedynie odciski i zapisy, a nie surowe nagrania wideo, wymagania dotyczące przechowywania pozostają umiarkowane, przy jednoczesnej możliwości sprawdzenia przez trenerów lub audytorów, czy dane nie zostały potajemnie zmienione lub usunięte oraz czy dostęp przebiegał zgodnie z ustalonymi zasadami.

Co testy pokazują w laboratorium i na sali

Autorzy ocenili swoje podejście na dużych publicznych zbiorach danych dotyczących ruchów ludzkich oraz na niestandardowej kolekcji aerobiku z wymagającymi elementami, takimi jak obroty na jednej nodze, salta czy pełne skoki obrotowe. Ich pełny system osiąga około 96,8 procent dokładności na zbiorze aerobiku, przewyższając kilka silnych bazowych modeli głębokiego uczenia, które używają wyłącznie obrazów lub bardziej konwencjonalnej architektury sieci. System utrzymuje również lepszą jakość rozpoznawania, gdy sygnał bezprzewodowy jest zaszumiony oraz gdy różne urządzenia przesyłają dane jednocześnie. Moduł blockchain dodaje jedynie niewielkie koszty przechowywania na rundę treningową, jednocześnie wyraźnie poprawiając mierniki śledzalności danych i spójności między urządzeniami w symulowanych platformach wieloużytkownikowych.

Znaczenie dla codziennego treningu

Dla osób niebędących specjalistami wniosek jest taki, że badanie pokazuje sposób na połączenie inteligentniejszej analizy ruchu z mocniejszą opieką nad danymi w jednym spójnym systemie. Zamiast traktować rozpoznawanie pozy i prowadzenie zapisów jako odrębne dodatki, autorzy zaprojektowali je tak, by współdziałały, dzięki czemu trudne elementy aerobiku mogą być rozpoznawane bardziej niezawodnie, a historia treningu pozostaje spójna i audytowalna. Choć wciąż występują ograniczenia w nietypowych sytuacjach, takich jak ekstremalne zasłonięcie czy bardzo zatłoczone sceny, framework wskazuje kierunek dla przyszłych narzędzi sportowych, które nie tylko lepiej „widzą” złożony ruch, ale także chronią osoby, których ruch jest obserwowany.

Cytowanie: 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

Słowa kluczowe: trening aerobiku, rozpoznawanie ruchów, głębokie uczenie, bezpieczeństwo danych w blockchain, technologia sportowa