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. КазбековаКазахстан
Гулнур Нагиметовна Казбекова – кандидат технических наук, ассоциированный профессор
Республика Казахстан, Туркестан, проспект Бекзата Саттарханова, 29
Е. У. Сердалиев
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
JATS XML















