Статья посвящена построению и исследованию модели машинного обучения XGBoost для классификации фитнес-упражнений. Отмечается, что оценка корректности выполнения фитнес-упражнений человеком является одной из актуальных тем в области машинного обучения и искусственного интеллекта. Использование алгоритмов машинного обучения для решения этой задачи позволяет выявлять ошибки в технике движений, оценивать эффективность тренировок и предоставлять персонализированные рекомендации по коррекции физической активности и улучшению биомеханики движений человека в процессе реабилитации пациентов. Для решения поставленной задачи, обучения и тестирования модели выбран набор данных «Physical Therapy Exercises Dataset» из репозитория UCI Machine Learning Repository. Набор состоит из 1 378 015 записей, собранных в ходе тренировочных сессий в тренажерном зале с участием пяти испытуемых, выполнявших восемь типов физиотерапевтических упражнений с использованием инерциальных измерительных блоков и магнитных датчиков. Каждый из восьми классов упражнений представлен 55 файлами (12,5% датасета), что обеспечивает сбалансированность выборки и исключает смещение модели. Все данные случайным образом разделены на обучающую (80%) и тестовую выборку (20%). Для построения модели XGBoost использовалась интегрированная среда разработки PyCharm, а также средство для работы с блокнотами Notepad++. В качестве оптимизации производительности применялся прореживание данных, что позволило значительно сократить время построения и оценки модели. Предусмотрена возможность выбора пользователем коэффициента децимации в диапазоне от 1 до 10. При максимальном прореживании (sample_rate=10) частота дискретизации снижается с 25 Hz до 2.5 Hz. Данная оптимизация обеспечивает десятикратное ускорение загрузки (с 3-5 минут до 20-30 секунд) при сохранении точности классификации на уровне 90-92%. Дополнительно реализован батчинг данных, предполагающий пакетную обработку по 10 000 записей за итерацию для снижения нагрузки на оперативную память. Кроме того, проведено сравнение точности построенной модели с точностью других методов классификации. Для интерактивного представления результатов исследования было выбрано streamlit-приложение. Среди всех построенных моделей XGBoost показала самые высокие результаты по точности, что указывает на ее эффективность. Таким образом, модель можно эффективно использовать в качестве инструмента для оценки правильности выполнения фитнес-упражнений, например, на базе мобильного или веб-приложения.
This article explores the construction and evaluation of the XGBoost machine learning model for classifying fitness exercises. Assessing the accuracy of human fitness exercise performance is a hot topic in machine learning and artificial intelligence. Machine learning algorithms used to address this issue can identify errors in movement technique, evaluate training effectiveness, and provide personalized recommendations for correcting physical activity and improving the biomechanics of human movement during patient rehabilitation. To address this issue, train, and test the model, the "Physical Therapy Exercises Dataset" from the UCI Machine Learning Repository was selected. The dataset consists of 1,378,015 records collected during gym training sessions involving five subjects performing eight types of physical therapy exercises using inertial measurement units and magnetic sensors. Each of the eight exercise classes is represented by 55 files (12.5% of the dataset), ensuring a balanced sample and eliminating model bias. All data were randomly divided into a training (80%) and a test (20%) set. The XGBoost model was built using the PyCharm integrated development environment and Notepad++. Data decimation was used to optimize performance, significantly reducing the time it took to build and evaluate the model. The user can select a decimation coefficient from 1 to 10. With maximum decimation (sample_rate=10), the sampling frequency is reduced from 25 Hz to 2.5 Hz. This optimization provides a tenfold acceleration in loading (from 3-5 minutes to 20-30 seconds) while maintaining classification accuracy at 90-92%. Data batching was also implemented, involving batch processing of 10,000 records per iteration to reduce the load on RAM. The accuracy of the constructed model was also compared with that of other classification methods. A streamlit application was selected for the interactive presentation of the study results. Among all the models built, XGBoost demonstrated the highest accuracy results, indicating its effectiveness. Therefore, the model can be effectively used as a tool for assessing the correctness of fitness exercises, for example, using a mobile or web app.