Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

РАСПОЗНАВАНИЕ ФАЗ ОБУЧЕНИЯ НА ОСНОВЕ ПРИЧИННО-КОНТЕКСТНОЙ РЕПРЕЗЕНТАЦИИ, ПРЕДОТВРАЩАЮЩЕЙ УТЕЧКУ ИНФОРМАЦИИ ИЗ ДАННЫХ

https://doi.org/10.53360/2788-7995-2026-3(23)-24

Аннотация

Распознавание упражнений на основе поз представляет собой вычислительно эффективный подход к анализу движений человека. Однако классификация, основанная исключительно на текущей позе, может не учитывать краткосрочный контекст движения. В данном исследовании изучается, может ли свободный от утечки причинный контекст повысить качество распознавания фаз упражнений без необходимости использования сложной временной нейронной архитектуры. Набор временных рядов, содержащий 1 372 упорядоченных наблюдения поз, относящихся к пяти упражнениям и десяти классам фаз упражнений, был проанализирован с использованием семи позовых представлений, сформированных на основе ориентиров тела (landmark), углов суставов и пространственных расстояний. Для снижения риска получения оптимистичных результатов оценки вследствие попадания соседних наблюдений одновременно в обучающую и тестовую выборки был применён протокол валидации с учётом последовательности блоков.
Свободное от утечки причинное представление на основе среднего контекста было сформировано с использованием только текущего и предшествующих наблюдений, без использования будущих образцов или истинных меток классов (ground-truth labels). Абляционный анализ длины истории показал, что причинная история из пяти наблюдений обеспечивает наилучшие результаты. Предложенное представление повысило среднее значение Macro-F1 с 0,8358 для классификации по текущей позе до 0,8973, что соответствует относительному улучшению на 7,36%, а также обеспечило повышение качества во всех пяти оценочных блоках. 
Причинная сеть Temporal Convolutional Network (TCN) достигла значения Macro-F1 0,8699, что указывает на более высокую эффективность простой причинной агрегации в условиях исследуемого набора данных. Парный анализ показал среднее улучшение Macro-F1 на 0,0615 с 95%-ным доверительным интервалом [0,0308; 0,0921] и большим наблюдаемым размером эффекта (Cohen’s d). Однако точные двусторонние тесты не достигли традиционного порога статистической значимости (p < 0,05), поскольку в исследовании было доступно только пять парных блоков. Полученные результаты показывают, что краткосрочный причинный контекст поз может предоставлять полезную информацию для распознавания фаз упражнений, сохраняя при этом совместимость с обработкой данных в режиме реального времени.

Об авторах

Г. Н. Казбекова
Международный казахско-турецкий университет имени Х.А.Ясави
Казахстан

Гулнур Нагиметовна Казбекова – кандидат технических наук, ассоциированный профессор

Республика Казахстан, Туркестан, проспект Бекзата Саттарханова, 29



Е. У. Сердалиев
Международный казахско-турецкий университет имени Ходжи Ахмеда Ясави
Казахстан

Ерлан Утегенулы Сердалиев – докторант ОП «Информационные системы»

Республика Казахстан, Туркестан, проспект Бекзата Саттарханова, 29



Список литературы

1. Feng M. Skeleton Graph-Neural-Network-Based Human Action Recognition: A Survey / M. Feng, J. Meunier // Sensors. – 2022. – Vol. 22, № 6. – Art. 2091. https://doi.org/10.3390/s22062091.

2. Yue R. Action recognition based on RGB and skeleton data sets: A survey / R. Yue, Z.-Q. Tian, S. Du // Neurocomputing. – 2022. – Vol. 512. – P. 287-306. https://doi.org/10.1016/j.neucom.2022.09.071.

3. A Survey on 3D Skeleton-Based Action Recognition Using Learning Method / B. Ren et al // Cyborg and Bionic Systems. – 2024. – Vol. 5. – Art. 0100. https://doi.org/10.34133/cbsystems.0100.

4. Huang Q. A Review of Skeleton-Based Human Action Recognition / Q. Huang, J. Cui, C. Li // Journal of Computer-Aided Design & Computer Graphics. – 2024. – Vol. 36, № 2. – P. 173-194. https://doi.org/10.3724/SP.J.1089.2024.2023-00358.

5. Yan S. Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition / S. Yan, Y. Xiong, D. Lin // Proceedings of the AAAI Conference on Artificial Intelligence. – 2018. – Vol. 32, № 1. https://doi.org/10.1609/aaai.v32i1.12328.

6. Channel-Wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition / Y. Chen et al // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – 2021. – P. 13359-13368.

7. InfoGCN: Representation Learning for Human Skeleton-Based Action Recognition / H.-g. Chi еt al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2022. – P. 20186-20196. https://doi.org/10.1109/CVPR52688.2022.01955.

8. Constructing Stronger and Faster Baselines for Skeleton-Based Action Recognition / Y.-F. Song et al // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2023. – Vol. 45, № 2. – P. 1474-1488. https://doi.org/10.1109/TPAMI.2022.3157033.

9. Nan M. Spatio-temporal neural network with handcrafted features for skeleton-based action recognition / M. Nan, M. Trăscău, A.-M. Florea // Neural Computing and Applications. – 2024. – Vol. 36. – P. 9221-9243. https://doi.org/10.1007/s00521-024-09559-4.

10. Temporal Convolutional Networks for Action Segmentation and Detection / C. Lea et al // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 156-165.

11. Bai S. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling / S. Bai, J. Z. Kolter, V. Koltun. – 2018. – arXiv:1803.01271.

12. Plizzari C. Skeleton-based action recognition via spatial and temporal transformer networks / C. Plizzari, M. Cannici, M. Matteucci // Computer Vision and Image Understanding. – 2021. – Vol. 208-209. – Art. 103219. https://doi.org/10.1016/j.cviu.2021.103219.

13. MotionBERT: A Unified Perspective on Learning Human Motion Representations / W. Zhu et al // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – 2023. – P. 15085-15099.

14. Varga D. Critical Analysis of Data Leakage in WiFi CSI-Based Human Action Recognition Using CNNs / D. Varga // Sensors. – 2024. – Vol. 24, № 10. – Art. 3159. https://doi.org/10.3390/s24103159.

15. Recognition and Scoring Physical Exercises via Temporal and Relative Analysis of Skeleton Nodes Extracted from the Kinect Sensor / R. Esmaeeli et al // Sensors. – 2024. – Vol. 24, № 20. – Art. 6713. https://doi.org/10.3390/s24206713.

16. Efficient Skeleton-Based Action Recognition for Real-Time Embedded Systems / N. Noor et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). – 2024. – P. 5889-5897.

17. Varga D. Mitigating Data Leakage in a WiFi CSI Benchmark for Human Action Recognition / D. Varga // Sensors. – 2024. – Vol. 24, № 24. – Art. 8201. https://doi.org/10.3390/s24248201.

18. Liu J. Multi-Modality Co-Learning for Efficient Skeleton-based Action Recognition / J. Liu, C. Chen, M. Liu // Proceedings of the 32nd ACM International Conference on Multimedia. – 2024. – P. 4909-4918. https://doi.org/10.1145/3664647.3681015.

19. BlockGCN: Redefine Topology Awareness for Skeleton-Based Action Recognition / Y. Zhou et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2024. – P. 2049-2058. https://doi.org/10.1109/CVPR52733.2024.00200.

20. MGSAN: Multimodal Graph Self-Attention Network for Skeleton-Based Action Recognition / J. Wang et al // Multimedia Systems. – 2024. – Vol. 30. – Art. 369. https://doi.org/10.1007/s00530-024-01566-8.

21. FineRehab: A Multi-modality and Multi-task Dataset for Rehabilitation Analysis / J. Li et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). – 2024. – P. 3184-3193. https://doi.org/10.1109/CVPRW63382.2024.00324.

22. Towards Automating Personal Exercise Assessment and Guidance with Affordable Mobile Technology / M. Sideridou et al // Sensors. – 2024. – Vol. 24, № 7. – Art. 2037. https://doi.org/10.3390/s24072037.

23. Kwon H.-J. A novel machine learning-based shoulder exercise assistant program / H.-J. Kwon, S.-H. Choi // Discover Artificial Intelligence. – 2025. – Vol. 5. – Art. 37. https://doi.org/10.1007/s44163-025-00259-z.

24. M3GYM: A Large-Scale Multimodal Multi-view Multi-person Pose Dataset for Fitness Activity Understanding in Real-world Settings / Q. Xu et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2025. – P. 12289-12300.

25. A Knee Rehabilitation Exercises Dataset for Postural Assessment using Wearable Devices / P. Kasnesis et al // Scientific Data. – 2025. – Vol. 12. – Art. 610. https://doi.org/10.1038/s41597-025-04963-4.


Дополнительные файлы

1. Неозаглавлен
Тема
Тип Прочее
Скачать (B)    
Метаданные ▾

Рецензия

Для цитирования:


Казбекова Г.Н., Сердалиев Е.У. РАСПОЗНАВАНИЕ ФАЗ ОБУЧЕНИЯ НА ОСНОВЕ ПРИЧИННО-КОНТЕКСТНОЙ РЕПРЕЗЕНТАЦИИ, ПРЕДОТВРАЩАЮЩЕЙ УТЕЧКУ ИНФОРМАЦИИ ИЗ ДАННЫХ. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):236-248. https://doi.org/10.53360/2788-7995-2026-3(23)-24

For citation:


Kazbekova G.N., Serdaliyev Y.U. LEAKAGE-FREE CAUSAL CONTEXT REPRESENTATION FOR POSE-BASED EXERCISE PHASE RECOGNITION. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):236-248. https://doi.org/10.53360/2788-7995-2026-3(23)-24

Просмотров: 14

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X