Améliorer la précision du comptage des actions répétitives

Le comptage d'actions répétitives, ou RepCount, est super important dans plein de domaines, surtout dans le suivi de la forme physique et la réhabilitation. Savoir combien de fois une personne répète un exercice aide à surveiller l'activité physique, évaluer la performance et guider la réhabilitation. Avoir des comptes précis est essentiel pour donner des retours utiles aux utilisateurs et aider à élaborer des plans de fitness personnalisés. Cependant, les méthodes traditionnelles de comptage des répétitions ont quelques défis.

#Défis des Méthodes de Comptage Traditionnelles

La plupart des méthodes de comptage se basent sur l'analyse des images vidéo, en particulier les images rouge-vert-bleu (RGB), et en identifiant les mouvements du corps à travers des points de repère sur le corps humain. Ce système peut rencontrer quelques soucis :

1. Changements d'Angles de Caméra : Quand l'angle de la caméra change, le système peut avoir du mal à reconnaître correctement les poses.
2. Sur-Comptage : Parfois, des mouvements qui ne sont pas complets sont faussement comptés comme des répétitions valides.
3. Sous-Comptage : D'autres fois, des répétitions complètes peuvent être complètement ratées.
4. Difficulté avec les Sous-Actions : Différentes parties d'une action peuvent être difficiles à distinguer, ce qui mène à de la confusion.
5. Reconnaissance de Poses : Être capable de reconnaître des poses distinctes avec précision peut être inconstant.

Ces défis peuvent limiter l'efficacité des systèmes de comptage et la qualité des retours qu'ils fournissent.

#Une Nouvelle Approche pour le Comptage des Répétitions

Cet article présente une nouvelle méthode appelée PoseRAC qui combine les Angles des articulations avec les points de repère du corps pour améliorer la précision du comptage. En analysant les angles des articulations en plus des positions de base du corps, cette méthode vise à fournir des comptes plus fiables et à traiter les problèmes mentionnés précédemment.

#Composants Clés de la Nouvelle Méthode

La nouvelle méthode intègre des informations sur les angles des articulations dans le processus de comptage. Cinq angles d'articulation spécifiques sont extraits, qui incluent :

• Coude
• Épaule
• Hanche
• Genou
• Cheville

Cette approche détaillée permet une meilleure identification de la façon dont le corps bouge pendant les actions répétitives, aidant le système à comprendre à quoi ressemble une action complète par rapport à une incomplète.

#Comment la Nouvelle Méthode Fonctionne

Le système PoseRAC utilise les étapes principales suivantes :

1. Extraction de Pose : La première étape consiste à utiliser des algorithmes avancés pour identifier les poses corporelles dans les images vidéo.
2. Modèle Principal : Une fois les poses détectées, elles sont catégorisées en différents types d'actions.
3. Modèle de Déclenchement d'Actions : Ce modèle léger compte les répétitions basées sur les actions identifiées dans les images vidéo.

Chacune de ces composantes travaille ensemble pour offrir une compréhension précise du nombre de répétitions d'une action qui ont été réalisées.

#Améliorations par Rapport aux Méthodes Précédentes

La nouvelle approche a montré des améliorations significatives par rapport aux systèmes précédents. Elle offre constamment de meilleures performances dans divers domaines, y compris :

• Gestion des Changements de Caméra : Elle capture les poses plus précisément, même lorsque l'angle de la caméra change. Cela réduit le nombre d'actions manquées ou mal comptées.
• Réduction du Sur-Comptage : Ce système peut faire la différence entre les mouvements complets et incomplets. Par exemple, si quelqu'un est fatigué et ne peut pas finir un exercice, il ne comptera pas ça comme une répétition valide.
• Minimisation du Sous-Comptage : La méthode peut identifier avec précision quand des répétitions complètes sont terminées, réduisant les chances de les rater.
• Distinction des Sous-Actions : En reconnaissant précisément les parties individuelles d'un exercice, elle évite de compter des moments supplémentaires qui ne font pas partie de l'action principale.
• Reconnaissance Fiable des Poses : Enfin, elle est meilleure pour garder une trace des poses importantes de manière cohérente tout au long d'un exercice.

#Résultats Expérimentaux

Pour tester l'efficacité de la méthode PoseRAC, une série d'expériences a été menée. Les évaluations ont montré :

• Erreur Absolue Moyenne (MAE) : Cette mesure permet de voir à quel point les répétitions comptées se rapprochent des répétitions réelles. La nouvelle méthode a atteint une MAE de 0.211.
• Précision Hors-Parfait (OBO) : Cette statistique mesure à quelle fréquence le comptage est correct ou juste à un chiffre près du comptage réel. Le système PoseRAC a atteint une précision OBO de 0.599.

Dans l'ensemble, ces résultats démontrent que le nouveau modèle surpasse significativement les anciennes méthodes de RepCount.

#Comparaison Visuelle : Ancien vs. Nouveau

Une analyse visuelle a été réalisée pour montrer la différence entre l'utilisation uniquement des points de repère corporels et l'utilisation à la fois des points de repère et des angles d'articulation. Voici ce qui a été trouvé :

• Cartes de Densité : Ce sont des représentations visuelles montrant à quelle fréquence certaines poses apparaissent dans une vidéo. La nouvelle méthode produit des valeurs de densité plus claires et plus cohérentes lors du comptage des répétitions, même quand l'angle de la caméra change ou qu'il y a des mouvements brusques.

#Résolution des Problèmes Communs

1. Changements de Vue de Caméra : Quand la position de la caméra change, la nouvelle méthode maintient une précision plus élevée dans l'identification des poses clés, tandis que les méthodes précédentes ont souvent du mal.

2. Sur-Comptage : Dans les cas où une personne tentait un exercice incorrectement, le nouveau modèle était meilleur pour reconnaître les actions incomplètes, réduisant ainsi les comptes erronés.

3. Sous-Comptage : La nouvelle méthode a permis un meilleur suivi des mouvements continus, garantissant que les répétitions complètes n'étaient pas ratées lors des transitions entre les poses.

4. Difficulté avec les Sous-Actions : La nouvelle approche a été efficace pour distinguer les actions principales des sous-actions, empêchant des comptes supplémentaires d'être ajoutés au total.

5. Problèmes de Reconnaissance des Poses : Dans les tests, le nouveau modèle a montré une meilleure capacité à suivre de manière cohérente des poses significatives à travers divers exercices.

#Conclusion

En conclusion, intégrer les angles des articulations avec les points de repère corporels offre une solution puissante au problème du comptage d'actions répétitives. Cette méthode aborde beaucoup des défis communs rencontrés par les systèmes précédents, ce qui entraîne une amélioration des performances dans divers scénarios. Avec une erreur absolue moyenne de 0.211 et une précision de comptage de 0.599, la méthode PoseRAC représente une avancée significative dans le domaine. Ces résultats ne font pas seulement avancer la précision du RepCount, mais établissent aussi une nouvelle norme pour la recherche future dans ce domaine.