Интегрированная с блокчейном многомасштабная сверточная сеть для точного распознавания и защищённого отслеживания сложных движений в тренировках по аэробике

Более умная подготовка для сложных элементов

Высококлассная аэробика выглядит легко, но тренеры знают, насколько трудно оценить быстрое вращение, прыжки и удержания взглядом, а также как сложно сохранять данные тренировок в безопасности, когда видео и логи датчиков хранятся на многих устройствах. В этом исследовании предложена система, которая автоматически отслеживает сложные движения в аэробике и делает записи устойчивыми к подделке, с целью помочь преподавателям, спортсменам и спортивным программам справедливее и безопаснее отслеживать прогресс.

Почему сложные элементы трудно измерить

Комплексы аэробики включают большие махи рук и ног, быстрые изменения поз и тесно сцепленные последовательности. В реальных залах и школьных спортивных помещениях это даёт размытость движения, перекрывающиеся тела и неравномерное освещение. Существующие инструменты компьютерного зрения часто упускают ключевые детали, особенно в самых быстрых и трудных элементах, и многие программы по-прежнему полагаются на ручную запись оценок или заметок. Одновременно данные тренировок могут собираться на телефонах, камерах и датчиках, разбросанных по разным местам, что затрудняет поддержание согласованности записей, отслеживание изменений и защиту конфиденциальности спортсменов со временем.

Двухуровневое решение для взгляда и учёта

Исследователи решают эти задачи с двух сторон. Сначала они строят модель глубокого обучения, которая анализирует как кадры видео, так и беспроводной сигнал, называемый информацией о состоянии канала (channel state information), который фиксирует, как движение человека нарушает Wi‑Fi подобно кругам на воде. Подавая эти два потока в специально спроектированную сверточную сеть с двойным механизмом внимания, система учится фокусироваться на наиболее информативных моментах и областях каждого движения. Затем добавляют уровень блокчейна, куда записываются компактные отпечатки данных и результаты распознавания, а также события доступа и роли пользователей. Такое разделение внешних вычислений и он‑чейн логирования призвано сохранить высокую скорость распознавания и одновременно сделать историю тренировочных данных менее подверженной изменениям.

Как «умный наблюдатель» видит движение

Внутри сети распознавания несколько сверточных ветвей рассматривают одно и то же действие в разных масштабах — от мелких локальных патчей до больших областей тела. Модули внимания затем перенастраивают вес этих признаков, усиливая каналы и области, которые важны для различения похожих элементов, например угол стопы при приземлении или траекторию руки при вращении. Видеопоток сочетается с потоком беспроводного сигнала, который проходит через фильтры и временную модель, чтобы быстрые изменения силы сигнала соотносились с кадрами, где тело движется быстрее всего. Слияние этих источников помогает системе ориентироваться даже при частичном закрытии обзора или плохом освещении, поскольку беспроводной канал по‑прежнему «ощущает» движение.

Как сохранить честность и контроль над данными тренировок

Блокчейн‑часть фреймворка задумана как надёжная книга записей, а не тяжеловесный вычислительный движок. Когда поступают новые данные аэробики или результаты распознавания, система создаёт уникальный хеш и записывает его вместе с метаданными и событиями доступа в распределённый реестр, разделяемый между узлами. Смарт‑контракты определяют, кто может читать, записывать или запрашивать данные на основе ролей — администратора, стороннего устройства или гостя. Поскольку в цепочку записываются только отпечатки и записи, а не сырой видеоматериал, требования к хранению остаются умеренными, одновременно позволяя тренерам или аудиторам проверять, что данные не были тихо изменены или удалены и что доступ происходил согласно согласованным правилам.

Что показывают тесты в лаборатории и зале

Авторы оценивают свой подход на больших открытых наборах данных по человеческим действиям и на собственной коллекции аэробики с требовательными элементами, такими как вращения на одной ноге, сальтом‑прыжки и прыжки с поворотом на полный оборот. Их полная система достигает около 96.8 процента точности на наборе данных по аэробике, превосходя несколько сильных базовых моделей глубокого обучения, использующих только изображения или более традиционные архитектуры. Она также сохраняет более высокое качество распознавания при зашумлённости беспроводного сигнала и когда разные устройства загружают данные одновременно. Модуль блокчейна добавляет лишь небольшие затраты на хранение за раунд тренировки, значительно улучшая показатели отслеживаемости данных и согласованности между устройствами в моделируемых много‑пользовательских тренировочных платформах.

Что это значит для повседневных тренировок

Для широкой аудитории основной вывод в том, что исследование показывает способ объединить более интеллектуальный анализ движений и усиленное управление данными в одной согласованной системе. Вместо того чтобы рассматривать распознавание поз и ведение записей как отдельные отступления, авторы проектируют их для совместной работы, чтобы сложные элементы аэробики можно было распознавать надёжнее, а история тренировок оставалась согласованной и проверяемой. Хотя в необычных условиях остаются ограничения, например при экстремальном перекрытии или в очень многолюдных сценах, предложённый фреймворк указывает путь к будущим спортивным инструментам, которые не только лучше «видят» сложное движение, но и защищают людей, чьё движение отслеживают.

Цитирование: 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

Ключевые слова: тренировки по аэробике, распознавание действий, глубокое обучение, безопасность данных в блокчейне, спортивные технологии