Sport rehabilitasyonu için insan poz tanıma ve otomatik puanlama tespiti

İyileşme Egzersizleri İçin Daha Akıllı Destek

Fizik tedaviden geçmiş herkes, aynı hareketleri doğru biçimde tekrar etmenin ne kadar zor olduğunu bilir; günlerce, çoğunlukla “yeterince iyi” olup olmadığını bilmeden yapılır. Bu çalışma, rehabilitasyon egzersizlerini bir kamera aracılığıyla izleyen, vücut duruşunu gerçek zamanlı anlayan ve her hareketin bir terapist onaylı standartla ne kadar örtüştüğünü otomatik olarak puanlayan bilgisayar tabanlı bir asistan sunuyor. Amaç, hastalara anlık ve nesnel geri bildirim vermek, sağlık personelinin yükünü hafifletmek ve rehabilitasyonu daha hassas ve motive edici hâle getirmektir.

Her Eklemi İzlemenin Neden Önemi Var

Modern spor rehabilitasyonu, vücut hareketlerini ne kadar doğru gözlemleyip ölçebildiğimize büyük ölçüde dayanır. Geleneksel değerlendirme yöntemleri bir terapistin gözüne ve deneyimine dayanır; bunlar değerli olmakla birlikte öznel ve zaman alıcıdır. Hafifçe dönmüş bir diz ya da sınırlı bir omuz açısı gibi küçük duruş hataları iyileşmeyi yavaşlatabilir veya yeni sorunlara yol açabilir, ancak yoğun klinik seanslarda kaçırılması kolaydır. Yazarlar, eklem pozisyonlarını kare kare izleyen dijital bir “ikinci göz”ün daha tutarlı yargılar sağlayabileceğini, uzaktan bakım desteği verebileceğini ve her bireyin ilerlemesine göre egzersiz planlarını uyarlamaya yardımcı olabileceğini savunuyor.

Üç Bölümlü Dijital Antrenör

Yazarların geliştirdiği sistem, üç ana aşamadan oluşan bir boru hattı gibi işliyor. Önce bir kamera, squat, lunge veya sırt ameliyatı sonrası kol kaldırma gibi rehabilitasyon egzersizleri yapan kişiyi kaydediyor. Ardından BlazePose adlı bir poz takip aracı, her video karesini kalça, diz, omuzlar gibi 33 anahtar noktadan oluşan iskelet modeline dönüştürerek vücudun nasıl düzenlendiğini ve zaman içinde nasıl hareket ettiğini yakalıyor. Sonra bir makine öğrenmesi yöntemi olan random forest, bu anahtar noktalarındaki desenlere bakarak hangi tür hareketin yapıldığını ve duruşun normal mi yoksa anormal mi olduğunu belirliyor. Bu, sistemin arka planın karmaşık olduğu ve vücut parçalarının kısa süreli gizlenebildiği gerçek dünya koşullarında birçok farklı egzersiz türünü tanımasına yardımcı oluyor.

Sistemin Uzman Gibi Puan Vermeyi Nasıl Öğrendiği

Poz tanıma probleminin sadece yarısıdır; diğer yarısı bir hareketin “altın standart” hareketle ne kadar uyuştuğunu puanlamaktır. Bunun için araştırmacılar, karşılaştırma konusunda üstün bir çiftli sinir ağı türü ekliyor. Ağ, bir standart egzersiz şablonundan alınan bir örnekle bir hastadan alınan örnekten oluşan hareket çiftleri üzerinde eğitiliyor. Eklem pozisyonları ve açılarının zaman içindeki değişimini inceleyerek iki örneğin ne kadar benzer olduğunu ölçmeyi öğreniyor. Bir benzerlik ölçüsü bu karşılaştırmayı kalite puanına çeviriyor; tıpkı bir uzmanın kontrol listesini doldurması gibi dijital bir karşılık. Şablona yakın hareketler yüksek puan alırken, fazla sapma gösteren hareketler yetersiz olarak işaretleniyor ve hangi egzersizlerin düzeltilmesi gerektiği vurgulanabiliyor.

Dijital Asistanın Test Edilmesi

Araçlarının pratik kullanım için hazır olup olmadığını görmek amacıyla yazarlar, hareket verilerinden oluşan iki büyük koleksiyon üzerinde testler yapmışlar: biri birçok günlük poz içeren bir veri seti, diğeri ise yoga ve fitness egzersizlerine odaklanan bir set. Entegre sistemlerini ya temel bir sınıflandırıcı kullanan ya da yalnızca zaman tabanlı bir sinir ağı kullanan daha basit alternatiflerle karşılaştırmışlar. Bu testler boyunca yeni yöntem, vücut pozlarını %98’e varan doğrulukla tanımış, tahmini eklem açılarındaki hatayı yaklaşık %6’nın altında tutmuş ve rehabilitasyon puanları uzman tarzı değerlendirmelerle güçlü uyum göstermiş. Ayrıca kare başına birkaç ile birkaç düzine milisaniye düzeyinde çalışarak antrenman seanslarında gerçek zamanlı geri bildirimi destekleyecek kadar hızlı olmuş.

Bu Hastalar ve Terapistler İçin Ne Anlama Geliyor

Basitçe ifade etmek gerekirse, çalışma bir kamera artı akıllı yazılımın insanların nasıl hareket ettiğini güvenilir biçimde “görebildiğini”, her egzersizi etiketleyip kalitesini insan uzmanlarla uyumlu şekilde değerlendirebildiğini gösteriyor. Sistem hâlâ daha çeşitli ortamlar ve farklı hasta gruplarıyla test edilmeye ihtiyaç duysa da, otomatik poz takibi ve puanlamanın spor rehabilitasyonunda güçlü bir yardımcı olabileceğini şimdiden gösteriyor. Geliştirilip yaygın olarak kullanıma sokulursa, bu tür araçlar hastalara daha net rehberlik sağlayabilir, anlık geri bildirimle onları motive edebilir ve terapistlerin daha üst düzey kararlara odaklanmasını sağlayarak nihayetinde iyileşme sonuçlarını ve yaşam kalitesini iyileştirebilir.

Atıf: 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

Anahtar kelimeler: sport rehabilitasyonu, insan poz tahmini, otomatik hareket puanlama, fizik tedavi teknolojisi, sağlıkta bilgisayarlı görü