КЛАССИФИКАЦИЯ ФИТНЕС-УПРАЖНЕНИЙ НА ОСНОВЕ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ XGBOOST
Авторы:
1.
КНИТУ-КАИ
2.
Казанский государственный технический университет им. А.Н. Туполева
(Систем информационной безопасности, студент)
студент
Россия
студент
Россия
Тип:
Статья
Страницы:
с 113
по 117
Статус:
Опубликован
Получено:
03.03.2026
Одобрено:
08.04.2026
Опубликовано:
05.05.2026
Язык материала:
русский
Ключевые слова:
КЛАССИФИКАЦИЯ ФИТНЕС-УПРАЖНЕНИЙ, МАШИННОЕ ОБУЧЕНИЕ, МОДЕЛЬ XGBOOST, АНАЛИЗ ВРЕМЕННЫХ РЯДОВ, МОДЕЛИРОВАНИЕ, МЕТРИКИ КАЧЕСТВА КЛАССИФИКАЦИИ
Аннотация:
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.
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.
Ключевые слова:
КЛАССИФИКАЦИЯ ФИТНЕС-УПРАЖНЕНИЙ, МАШИННОЕ ОБУЧЕНИЕ, МОДЕЛЬ XGBOOST, АНАЛИЗ ВРЕМЕННЫХ РЯДОВ, МОДЕЛИРОВАНИЕ, МЕТРИКИ КАЧЕСТВА КЛАССИФИКАЦИИ
КЛАССИФИКАЦИЯ ФИТНЕС-УПРАЖНЕНИЙ, МАШИННОЕ ОБУЧЕНИЕ, МОДЕЛЬ XGBOOST, АНАЛИЗ ВРЕМЕННЫХ РЯДОВ, МОДЕЛИРОВАНИЕ, МЕТРИКИ КАЧЕСТВА КЛАССИФИКАЦИИ
