МГУ представляет систему на основе ИИ для персонализированного анализа упражнений
Исследователи факультета ВМК МГУ имени М.В. Ломоносова совместно со специалистами Национального медицинского исследовательского центра терапии и профилактической медицины Министерства Здравоохранения России представили прототип интеллектуальной системы, способной оценивать выполнение физических упражнений и формировать персонализированные рекомендации для пользователя. Новая разработка объединяет методы компьютерного зрения и нечеткой логики, что делает её особенно перспективной для применения в спорте, медицине и сфере оздоровления.
Система базируется на анализе видеоизображений с использованием технологий 2D-оценки позы человека. Это позволяет в режиме реального времени отслеживать движения и вычислять набор признаков, описывающих выполнение упражнений. Авторы классифицируют эти признаки на две группы: статические (например, правильность позы в отдельный момент времени) и динамические, описывающие такие параметры, как интенсивность, выносливость и синхронность движений.
«Ключевая идея — не просто фиксировать ошибки в упражнениях, а давать человеку персональные рекомендации, основанные на его физической динамике. Мы хотим создать умного помощника, способного обучать, подсказывать и адаптироваться к конкретному пользователю, который мог бы контролировать процесс тренировки на уровне профессионального тренера или врача ЛФК.», — отмечает Иван Шергин, аспирант кафедры интеллектуальных информационных технологий ВМК МГУ.
Система управления построена на базе нечеткой логики. Это позволяет обрабатывать размытые и субъективные оценки качества выполнения упражнений, приближая алгоритмы к мышлению тренера-человека. В роли эксперта-тренера выступают специалисты из Центра Терапии и профилактической медицины. Их многолетний опыт в области лечебной физкультуры и реабилитации используется для разработки базы знаний, с помощью которой можно контролировать ход выполнения произвольного физического упражнения. На основе набора правил система анализирует параметры движения и выдает рекомендации — например, увеличить темп, улучшить синхронность или сделать паузу.
«Мы используем гибридный подход — сочетаем нейросетевые методы и нечеткие логические правила. Такой подход обеспечивает как интерпретируемость, так и гибкость в работе с разными типами пользователей», — поясняет Александр Рыжов, профессор кафедры интеллектуальных информационных технологий.
Разработанный подход может быть реализован в виде веб-приложения или мобильной платформы, что делает его доступным для широкой аудитории. Система может применяться как в любительском спорте, так и в программах физической реабилитации, помогая снизить риск травм, улучшить технику и сократить время на освоение новых движений. Более того, разрабатываемый инструмент может быть использован для быстрого, качественного и безопасного освоения широкого класса физических навыков от сварки (микромоторика) до балета (синхронность нескольких исполнителей).
Архитектура и текущие возможности системы были представлены на конференции «Ломоносовские чтения», проходившей весной 2025 года, и вызвал интерес среди специалистов в области компьютерного зрения, спортивной аналитики и цифрового здравоохранения.