ДЕРЕКТЕРДІҢ АҚПАРАТТЫҚ АҒЫП КЕТУІН БОЛДЫРМАЙТЫН СЕБЕПТІК КОНТЕКСТІК РЕПРЕЗЕНТАЦИЯ НЕГІЗІНДЕ ЖАТТЫҒУ ФАЗАЛАРЫН ТАНУ
https://doi.org/10.53360/2788-7995-2026-3(23)-24
Аңдатпа
Позаға негізделген жаттығуларды тану адам қозғалысын талдаудың есептеу тұрғысынан тиімді тәсілін ұсынады. Алайда тек ағымдағы позаға негізделген жіктеу қысқа мерзімді қозғалыс контекстін толық қамти алмауы мүмкін. Бұл зерттеуде күрделі уақыттық нейрондық архитектураны қолданбай-ақ, ағып кетусіз себептік контекстің жаттығу фазаларын тану сапасын арттыра алатындығы зерттеледі. Бес жаттығу және жаттығу фазаларының он класына жататын 1 372 реттелген позалық бақылаудан тұратын уақыттық қатарлар деректер жиыны дене landmark нүктелері, буын бұрыштары және кеңістіктік қашықтықтар негізінде алынған жеті позалық репрезентацияны пайдалана отырып зерттелді. Көршілес бақылаулардың оқыту және тестілеу бөліктеріне қатар түсуінен туындайтын бағалаудың оптимистік нәтижелер алу қаупін азайту мақсатында блоктардың реттілігін ескеретін валидация хаттамасы қолданылды.
Ағып кетусіз себептік орташа контекстік репрезентация тек ағымдағы және алдыңғы бақылауларды пайдалана отырып құрылды; бұл ретте болашақ үлгілер де, нақты эталондық белгілер де (ground-truth labels) қолданылған жоқ. Тарих ұзындығын абляциялық талдау бес бақылаудан тұратын себептік тарихтың ең жоғары нәтижені көрсеткенін анықтады. Ұсынылған репрезентация ағымдағы поза бойынша жіктеу кезінде алынған орташа Macro-F1 көрсеткішін 0,8358-ден 0,8973-ке дейін арттырды, бұл салыстырмалы түрде 7,36% жақсаруға сәйкес келеді және барлық бес бағалау блогында нәтижелілікті арттырды.
Себептік Temporal Convolutional Network (TCN) моделі 0,8699 Macro-F1 көрсеткішіне қол жеткізді, бұл зерттелген деректер жиыны жағдайында қарапайым себептік агрегацияның тиімдірек болғанын көрсетті. Жұптық талдау орташа Macro-F1 өсімінің 0,0615 болғанын, 95% сенімділік интервалы [0,0308; 0,0921] және байқалған әсер мөлшерінің үлкен болғанын (Cohen’s d) көрсетті. Алайда қолда бар бес жұптық блок қана болғандықтан, дәл екіжақты статистикалық сынақтар дәстүрлі статистикалық мәнділік шегіне (p < 0,05) жеткен жоқ. Алынған нәтижелер қысқа мерзімді себептік позалық контекст нақты уақыт режимінде өңдеуге сәйкес бола отырып, жаттығу фазаларын тану үшін пайдалы ақпарат бере алатынын көрсетеді.
Авторлар туралы
Г. Н. КазбековаҚазақстан
Гулнур Нагиметовна Казбекова – техника ғылымдарының кандидаты, қауымдастырылған профессор
Бекзат Саттарханов даңғылы, 29, Түркістан, Қазақстан
Е. У. Сердалиев
Қазақстан
Ерлан Утегенулы Сердалиев – «Ақпараттық жүйелер» ББ докторанты
Бекзат Саттарханов даңғылы, 29, Түркістан, Қазақстан
Әдебиет тізімі
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.
Қосымша файлдар
|
1. Неозаглавлен | |
| Тақырыбы | ||
| Тип | Өзгесі | |
Жүктеу
(B)
|
Метадеректер ▾ | |
Рецензия
Дәйектеу үшін:
Казбекова Г.Н., Сердалиев Е.У. ДЕРЕКТЕРДІҢ АҚПАРАТТЫҚ АҒЫП КЕТУІН БОЛДЫРМАЙТЫН СЕБЕПТІК КОНТЕКСТІК РЕПРЕЗЕНТАЦИЯ НЕГІЗІНДЕ ЖАТТЫҒУ ФАЗАЛАРЫН ТАНУ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 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















