Распознавание позы человека и автоматическое оценивание для спортивной реабилитации

Более умная помощь при упражнениях для восстановления

Те, кто проходил физиотерапию, знают, как сложно день за днем правильно повторять одни и те же движения, часто не зная, достаточно ли они «правильные». В этом исследовании представлена компьютерная система‑ассистент, которая наблюдает за упражнениями через камеру, в реальном времени распознает позу тела и автоматически оценивает, насколько каждое движение соответствует утвержденному терапевтом эталону. Цель — дать пациентам мгновенную объективную обратную связь и снизить нагрузку на медицинский персонал, делая реабилитацию более точной и мотивирующей.

Почему важно отслеживать каждое сочленение

Современная спортивная реабилитация во многом зависит от того, насколько точно мы можем наблюдать и измерять движения тела. Традиционные методы оценки опираются на взгляд и опыт терапевта, что полезно, но субъективно и занимает много времени. Небольшие ошибки в позе — например, слегка скрученное колено или ограниченный угол в плече — могут замедлить восстановление или вызвать новые проблемы, однако их легко пропустить в загруженной клинике. Авторы утверждают, что цифровой «второй взгляд», отслеживающий положение суставов покадрово, способен давать более последовательные суждения, поддерживать дистанционную помощь и помогать адаптировать планы упражнений к прогрессу каждого пациента.

Цифровой тренер из трех компонентов

Система, созданная авторами, работает как конвейер с тремя основными этапами. Сначала камера записывает пациента, выполняющего реабилитационные упражнения — например, приседания, выпады или подъемы рук после операций на спине. Инструмент отслеживания поз BlazePose преобразует каждый кадр видео в скелетную модель из 33 ключевых точек — бедра, колени, плечи и т. п. — фиксируя расположение и движения тела во времени. Дальше метод машинного обучения, известный как случайный лес (random forest), анализирует закономерности в этих ключевых точках и определяет, какой тип движения выполняется и является ли поза нормальной или отклоняющейся. Это помогает системе распознавать разные типы упражнений в реальных условиях, где фон может быть загроможден, а части тела кратковременно скрыты.

Как система учится оценивать как эксперт

Распознать позу — это только половина задачи; другая — оценить, насколько она соответствует «золотому стандарту» движения. Для этого исследователи добавили особый тип парной нейронной сети, который хорош в сравнении объектов. Сеть обучают на парах примеров движения: одном из эталонного шаблона и одном от пациента. Она учится измерять сходство между ними, анализируя положения суставов и углы во времени. Мера сходства затем превращается в оценку качества, по подобию цифровой версии экспертной проверки по чек‑листу. Движения, близкие к эталону, получают высокие баллы, а сильные отклонения помечаются как ненадлежащие, что позволяет системе указать, какие упражнения требуют коррекции.

Испытания цифрового ассистента

Чтобы проверить готовность инструмента к практическому применению, авторы протестировали его на двух больших наборах данных движений: одном — с множеством повседневных поз, и другом — сосредоточенном на йоге и фитнес‑упражнениях. Они сравнили интегрированную систему с более простыми альтернативами, которые использовали либо базовый классификатор, либо только временную нейронную сеть. В этих тестах новый метод распознавал позы с точностью до 98%, удерживал погрешность оценки углов суставов примерно ниже 6% и выдавал оценки реабилитации, сильно коррелировавшие с оценками экспертов. Он также работал достаточно быстро — в порядке нескольких до нескольких десятков миллисекунд на кадр — что поддерживает обратную связь в реальном времени во время тренировок.

Что это значит для пациентов и терапевтов

Проще говоря, исследование показывает, что камера в сочетании с умным ПО может надежно «видеть», как двигаются люди, распознавать каждое упражнение и оценивать его качество так, чтобы это соответствовало суждениям человеческих экспертов. Хотя системе еще нужны испытания в более разнообразных условиях и на разных группах пациентов, она уже демонстрирует, что автоматизированное отслеживание поз и оценивание может стать мощным помощником в спортивной реабилитации. При доработке и широком внедрении такие инструменты могут дать пациентам более ясные указания, мотивировать их мгновенной обратной связью и освободить терапевтов для принятия решений более высокого уровня — в конечном счете улучшая результаты восстановления и качество жизни.

Цитирование: Peng, X., Mao, X. & Fang, X. Human pose recognition and automated scoring detection for sports rehabilitation. Sci Rep 16, 13545 (2026). https://doi.org/10.1038/s41598-026-43294-1

Ключевые слова: спортивная реабилитация, оценка позы человека, автоматическое оценивание движений, технологии физиотерапии, компьютерное зрение в здравоохранении