En blockkedjeintegrerad flerskalig konvolutionsnätverk för noggrann igenkänning och säker spårning av svårbedömda rörelser i aerobics-träning

Smartare träning för svåra rörelser

Hög nivå inom aerobics kan se lätt ut, men tränare vet hur svårt det är att bedöma snabba snurrar, hopp och balanser med blotta ögat, eller att hålla träningsdata säkra när videor och sensorloggar finns på många enheter. Denna studie presenterar ett system som automatiskt observerar komplexa aerobics‑rörelser och gör registren motståndskraftiga mot manipulation, i syfte att hjälpa lärare, idrottare och träningsprogram att följa framsteg på ett mer rättvist och säkert sätt.

Varför svåra rörelser är svåra att mäta

Aerobics‑rutiner innehåller stora arm‑ och bensvängar, snabba kroppsställningsförändringar och tätt kopplade sekvenser. I vanliga gym och skolhallar innebär detta oskarp rörelse, kroppar som skymmer varandra och ojämn belysning. Befintliga datorseendelösningar missar ofta viktiga detaljer, särskilt i de snabbaste och mest krävande rörelserna, och många program förlitar sig fortfarande på att människor registrerar poäng eller anteckningar för hand. Samtidigt kan träningsdata samlas in på telefoner, kameror och sensorer utspridda på olika platser, vilket gör det svårt att hålla register konsekventa, spåra vem som ändrat vad eller skydda idrottarnas integritet över tid.

En tvådelad lösning för ögon och register

Forskarna angriper dessa problem från två håll samtidigt. Först bygger de en djupinlärningsmodell som tittar på både videoramar och en trådlös signal kallad channel state information, vilken fångar hur en persons rörelse påverkar Wi‑Fi som vågor i en damm. Genom att mata dessa två strömmar in i ett särskilt utformat konvolutionsnät med en dubbel attention‑mekanism lär sig systemet att fokusera på de mest informativa ögonblicken och regionerna i varje rörelse. För det andra lägger de till ett blockkedjelager som registrerar kompakta fingeravtryck av data och igenkänningsresultat, tillsammans med vem som åtkomsttill dem och i vilken roll. Denna uppdelning mellan off‑chain‑beräkning och on‑chain‑loggning är avsedd att hålla igenkänningen snabb samtidigt som träningsdatahistoriken blir svårare att förändra i efterhand.

Hur den smarta övervakaren ser rörelse

Inuti igenkänningsnätverket undersöker flera konvolutionsgrenar samma handling i olika skalor, från små lokala patcher till större kroppsregioner. Attentionmoduler omviktar sedan dessa egenskaper och stärker kanaler och områden som är mest betydelsefulla för att skilja liknande rörelser åt, såsom fotvinkeln vid landning eller armens bana i en snurr. Videoströmmen paras med den trådlösa signalströmmen, som passerar genom filter och en temporal modell så att snabba förändringar i signalstyrka linjerar upp med ramar där kroppen rör sig snabbast. Genom att sammanföra dessa källor behåller systemet orienteringen även när sikten delvis är blockerad eller belysningen är dålig, eftersom den trådlösa kanalen fortfarande ”känner” rörelsen.

Att hålla träningsdata ärliga och under kontroll

Blockkedjedelen av ramverket är utformad som en betrodd loggbok snarare än en tung beräkningsmotor. När nya aerobicsdata eller igenkänningsresultat anländer skapar systemet en unik hash och skriver den, plus metadata och åtkomsthändelser, in i en distribuerad liggare delad över noder. Smarta kontrakt reglerar vem som får läsa, skriva eller begära data, baserat på roller såsom administratör, tredjepartsenhet eller gäst. Eftersom endast fingeravtryck och register — inte råvideor — lagras on‑chain hålls lagringsbehovet hanterbart samtidigt som tränare eller revisorer kan kontrollera att data inte tyst redigerats eller raderats och att åtkomst följt de överenskomna reglerna.

Vad tester visar i laboratorium och gym

Författarna utvärderar sin metod på stora publika dataset med människors rörelser och på en egen samling aerobics‑data med krävande färdigheter som enhands‑snurrar, volt‑hopp och fulla vändningssprång. Deras kompletta system når cirka 96,8 procents noggrannhet på aerobicsdatasetet och överträffar flera starka djupinlärningsbaslinjer som endast använder bilder eller mer konventionella nätverksdesigner. Det behåller också högre igenkänningskvalitet när den trådlösa signalen är brusig och när olika enheter laddar upp data samtidigt. Blockkedjemodulen tillför bara en liten lagringskostnad per träningsrunda samtidigt som den markant förbättrar mått för dataspårbarhet och kors‑enhets‑konsekvens i simulerade plattformar för fleranvändarträning.

Vad detta betyder för vardaglig träning

För icke‑specialister är slutsatsen att studien visar ett sätt att kombinera smartare rörelseanalys med starkare dataförvaltning i ett sammanhållet system. Istället för att behandla poseigenkänning och registerföring som separata afterthoughts, utformar författarna dem för att fungera tillsammans, så att svåra aerobics‑rörelser kan kännas igen mer tillförlitligt samtidigt som den underliggande träningshistoriken förblir konsekvent och granskbar. Trots att vissa begränsningar kvarstår i ovanliga miljöer, såsom extrem blockering eller mycket trånga scener, pekar ramverket mot framtida idrottsverktyg som inte bara ”ser” komplex rörelse bättre utan också skyddar de personer vars rörelser övervakas.

Citering: 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

Nyckelord: aerobics-träning, aktionsigenkänning, djupinlärning, blockkedjedatasekretess, idrottsteknik