Gelişmiş zorluktaki aerobik hareketlerinin doğru tanınması ve güvenli takibi için blokzincir entegreli çok ölçekli evrişimsel ağ

Zorlu hareketler için daha akıllı antrenman

Yüksek düzey aerobik zahmetsizmiş gibi görünebilir, ancak antrenörler hızlı dönüşleri, sıçrayışları ve dengeleri göze bakarak değerlendirmenin ne kadar zor olduğunu ve videolar ile sensör kayıtları birçok cihazda saklandığında antrenman verilerini güvende tutmanın güç olduğunu bilir. Bu çalışma, karmaşık aerobik hareketlerini otomatik olarak izleyen ve kayıtları değiştirmeye dayanıklı şekilde tutan bir sistem sunar; amaç öğretmenlerin, sporcuların ve programların ilerlemeyi daha adil ve güvenli biçimde takip etmesine yardımcı olmaktır.

Neden zor hareketleri ölçmek güçtür

Aerobik rutinleri geniş kol ve bacak sallantıları, hızlı duruş değişimleri ve sıkı bağlı diziler içerir. Gerçek spor salonlarında ve okul salonlarında bu, hareket bulanıklığı, insanların birbirini kapatması ve düzensiz aydınlatma anlamına gelir. Mevcut bilgisayarlı görü araçları özellikle en hızlı ve en zor hareketlerde önemli ayrıntıları kaçırma eğilimindedir ve birçok program hâlâ puanları veya notları elle kaydetmeye dayanır. Aynı zamanda antrenman verileri telefonlar, kameralar ve çeşitli konumlara dağılmış sensörlerde toplanabilir; bu da kayıtların tutarlı tutulmasını, kimin neyi değiştirdiğinin izlenmesini veya sporcuların gizliliğinin zaman içinde korunmasını zorlaştırır.

Görme ve kayıtlar için iki katmanlı çözüm

Araştırmacılar bu sorunlara aynı anda iki yönden yaklaşır. Önce, hem video karelerini hem de kanal durum bilgisi (channel state information) adlı, bir kişinin hareketinin Wi-Fi’ı göldeki dalgalar gibi nasıl bozduğunu yakalayan kablosuz bir sinyali inceleyen bir derin öğrenme modeli kurarlar. Bu iki akışı çift dikkat mekanizmalı özel tasarlanmış bir evrişimsel ağa besleyerek sistem, her hareketin en bilgilendirici anlarına ve bölgelerine odaklanmayı öğrenir. İkinci olarak, verilerin ve tanıma sonuçlarının kompakt parmak izlerini, kimlerin eriştiğini ve hangi rol ile erişildiğini kaydeden bir blokzincir katmanı eklerler. Zincir dışı hesaplama ile zincir üzeri kayıt arasındaki bu ayrım, tanımayı hızlı tutarken antrenman verilerinin geçmişini değiştirmeyi zorlaştırmayı amaçlar.

Akıllı izleyicinin hareketi nasıl gördüğü

Tanıma ağının içinde, birden çok evrişim dalı aynı hareketi farklı ölçeklerde inceler; küçük yerel yama alanlarından daha geniş vücut bölgelerine kadar. Dikkat modülleri daha sonra bu özellikleri yeniden ağırlıklandırır, benzer hareketleri ayırt etmek için en çok önem taşıyan kanalları ve bölgeleri güçlendirir; örneğin iniş sırasında ayak açısı veya bir dönüşte kolun izlediği yol gibi. Video akışı, filtrelerden ve zamansal bir modelden geçen kablosuz sinyal akışı ile eşleştirilir, böylece sinyal şiddetindeki hızlı değişimler vücudun en hızlı hareket ettiği karelerle hizalanır. Bu kaynakları birleştirerek sistem, görüş kısmen engellendiğinde veya aydınlatma zayıf olduğunda bile yönünü korur, çünkü kablosuz kanal hareketi hâlâ “hisseder”.

Antrenman verilerini dürüst ve kontrollü tutma

Çerçevenin blokzincir bölümü, ağır bir hesaplama motoru yerine güvenilir bir kayıt defteri olarak tasarlanmıştır. Yeni aerobik verileri veya tanıma sonuçları geldiğinde sistem benzersiz bir özet (hash) oluşturur ve bunu meta veriler ile erişim olaylarıyla birlikte düğümler arasında paylaşılan dağıtık deftere yazar. Akıllı sözleşmeler, yönetici, üçüncü taraf cihaz veya konuk gibi rollere dayanarak kimin verileri okuyabileceğini, yazabileceğini veya talep edebileceğini denetler. Zincire yalnızca ham videolar değil parmak izleri ve kayıtlar yazıldığı için depolama gereksinimleri makul düzeyde tutulur; aynı zamanda antrenörlerin veya denetçilerin verilerin sessizce düzenlenip silinmediğini ve erişimin kararlaştırılan kurallara uygun olup olmadığını kontrol etmelerine imkân sağlar.

Laboratuvar ve salonda yapılan testler ne gösteriyor

Yazarlar yaklaşımını insan hareketlerine ait büyük kamu veri setlerinde ve tek bacak dönüşleri, takla sıçrayışları ve tam dönüş sıçrayışları gibi zorlu beceriler içeren özel bir aerobik koleksiyonunda değerlendirir. Tam sistemleri aerobik veri setinde yaklaşık %96,8 doğruluğa ulaşır ve yalnızca görüntü kullanan veya daha geleneksel ağ tasarımlarına dayanan güçlü birkaç derin öğrenme temel modelini geride bırakır. Ayrıca kablosuz sinyal gürültülü olduğunda ve farklı cihazlar aynı anda veri yüklediğinde daha yüksek tanıma kalitesini korur. Blokzincir modülü, simüle edilmiş çok kullanıcılı antrenman platformlarında veri izlenebilirliği ve cihazlar arası tutarlılık ölçümlerini keskin şekilde iyileştirirken, her antrenman turu başına yalnızca küçük bir depolama maliyeti ekler.

Günlük antrenman için ne anlama geliyor

Uzman olmayanlar için çıkarım, çalışmanın daha akıllı hareket analizini ve daha güçlü veri yönetimini tek bir uyumlu sistemde birleştirmenin bir yolunu gösterdiğidir. Poz tanımayı ve kayıt tutmayı ayrı sonradan düşünülmüş işler olarak ele almak yerine yazarlar bunları birlikte çalışacak şekilde tasarlamış; böylece zor aerobik hareketleri daha güvenilir tanınırken temel antrenman geçmişi tutarlı ve denetlenebilir kalır. Aşırı örtülme veya çok kalabalık sahneler gibi sıra dışı ortamlarda bazı sınırlamalar devam etse de bu çerçeve, karmaşık hareketleri daha iyi “gören” ve aynı zamanda izlenen kişileri koruyan geleceğin spor araçlarına işaret ediyor.

Atıf: 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

Anahtar kelimeler: aerobik antrenmanı, hareket tanıma, derin öğrenme, blokzincir veri güvenliği, spor teknolojisi