Фреймворк CRNN с поддержкой Интернета вещей для защищённого распознавания активности на основе носимых датчиков в физическом воспитании

Почему умный фитнес‑трекер важен

Большинство из нас сейчас носит устройства, которые считают шаги, отслеживают пульс и даже оценивают продолжительность сна. Но за этими удобными графиками скрывается сложная задача: как нарукавный браслет или рубашка с датчиками надёжно определяют, идёте ли вы пешком, бежите, катаетесь на велосипеде или играете в подвижную игру? В этой статье рассматривается новый способ обработки потоков данных от таких гаджетов, благодаря которому они могут точнее распознавать физическую активность, с особым вниманием к тому, как это может улучшить физическое воспитание и спортивную подготовку.

От простых шагомеров — к подключённым спортивным классам

Носимые устройства значительно ушли дальше простых шагомеров. Современные устройства измеряют движение в трёх измерениях, вращение тела, направление компаса, температуру кожи и поведение сердца, передавая всё это через Интернет вещей (IoT) на мощные компьютеры. В школах и тренировочных центрах это в принципе даёт тренерам и преподавателям возможность одновременно наблюдать за многими учениками, отслеживать интенсивность их работы и характер движений. Тем не менее большинство существующих систем всё ещё испытывают трудности с шумными, реальными данными и часто неверно помечают сложные активности, что ограничивает их ценность для точного коучинга, справедливой оценки или предотвращения травм.

Новый цифровой взгляд на движение

Авторы предлагают фреймворк распознавания активности, который рассматривает данные с носимых устройств как пространственные и временные паттерны одновременно. Они опираются на гибридную архитектуру искусственного интеллекта — сверточно‑рекуррентную нейронную сеть (CRNN). Одна часть модели ищет значимые формы по сенсорным каналам в каждый момент времени — как сигналы акселерометра, гироскопа и пульса выстраиваются во времени. Другая часть анализирует вдоль временной оси, изучая, как эти паттерны развиваются в течение секунд, пока человек движется. Комбинируя эти два взгляда, система может различать активности, которые по коротким фрагментам выглядят похоже, но отличаются динамикой развития — например размеренная ходьба и лёгкий бег.

Как система видит и учится

В предлагаемой схеме студенты (или, в этом исследовании, участники публичного датасета) носят несколько датчиков на теле. Они регистрируют пульс, температуру тела, ускорение, вращение и магнитную ориентацию с десятками измерений в секунду. Сырые потоки очищают от сбоев, сглаживают для подавления шума и масштабируют, чтобы ни один сенсор не доминировал в модели. Затем данные нарезают на короткие временные окна, каждое помечается основной активностью в этот интервал. Эти окна служат обучающим материалом для CRNN, которая автоматически обнаруживает полезные признаки без вручную заданных правил и постепенно учится сопоставлять каждый короткий сегмент сигналов с активностью — ходьба, бег, езда на велосипеде или игры.

Тестирование цифрового тренера

Чтобы оценить, действительно ли их подход улучшает распознавание, авторы испытывают его на общедоступном наборе данных с носимых датчиков, используемом другими исследователями. Они сравнивают свою CRNN с рядом альтернатив — от классических методов, таких как машины опорных векторов и случайные леса, до современных моделей глубокого обучения, использующих только пространственные паттерны (сверточные сети) или только временные паттерны (рекуррентные сети и трансформеры). По широкому набору метрик — общая точность, частота корректного обнаружения истинных активностей и редкость ложных срабатываний — CRNN выходит вперед. Она правильно распознаёт активность в более чем 98 процентах тестовых образцов, демонстрирует стабильные результаты для каждого типа активности и делает это без чрезмерных затрат вычислительных ресурсов, что делает её реалистичной для мониторинга в режиме близком к реальному времени.

Что это значит для повседневных тренировок и преподавания

Исследование показывает, что тщательно спроектированные модели ИИ могут превратить обычные носимые устройства в значительно более надёжных наблюдателей за нашими движениями. Для физического воспитания это может означать объективные, непрерывные записи об участии учеников, интенсивности их упражнений и изменениях техники с течением времени при условии безопасной обработки данных через инфраструктуру IoT. Хотя текущие результаты получены на эталонных наборах данных, а не в живых школьных испытаниях, они демонстрируют, что сочетание пространственного и временного обучения — мощный рецепт для расшифровки человеческой активности. С дальнейшими испытаниями в реальных школах и тренировочных центрах такие системы могли бы стать надёжными цифровыми ассистентами для тренеров и педагогов — тихо наблюдать, учиться и предлагать основанные на данных советы, помогающие людям двигаться лучше и сохранять здоровье.

Цитирование: 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

Ключевые слова: распознавание активности с носимых устройств, Интернет вещей, технологии физического воспитания, глубокое обучение, датчики, умный мониторинг фитнеса