Descripción del título
Enhancing deadlift training...
This paper presents an innovative AI-driven personal coaching system designed to enhance deadlift training through advanced skeletal analysis and deep learning techniques. The proposed system employs the PoseNet model to capture and analyze real-time video feeds, extracting keypoint coordinates and skeletal angles to monitor user posture and movements accurately. Utilizing Local Histograms of Oriented Gradients (LHOG) and Local Histograms of Optical Flow (LHOF) methods, the system performs comprehensive feature extraction, assessing both static and dynamic aspects of the exercise. The deep learning model, trained on an extensive dataset of correctly and incorrectly performed deadlifts, classifies the correctness of the exercise with high accuracy, providing real-time feedback and personalized recommendations to users. This immediate corrective feedback facilitates prompt adjustments, reduces injury risk, and promotes proper technique, enhancing the overall efficacy of strength training. The system's ability to offer user-specific feedback, tailored to individual body structures and movement patterns, ensures relevance and effectiveness in diverse training environments. Practical applications of this system span gyms, rehabilitation centers, and home settings, making it a valuable tool for personal trainers and physiotherapists. While the study demonstrates significant potential, it also identifies areas for future research, including algorithm refinement, dataset expansion, and integration of additional metrics and technologies. Overall, the proposed system represents a substantial advancement in exercise monitoring and improvement, contributing to the broader field of AI-driven fitness and health technologies, and paving the way for safer and more effective strength training routines
Este artículo presenta un innovador sistema de entrenamiento personal impulsado por inteligencia artificial diseñado para mejorar el entrenamiento de peso muerto mediante técnicas avanzadas de análisis esquelético y aprendizaje profundo. El sistema propuesto emplea el modelo PoseNet para capturar y analizar secuencias de video en tiempo real, extrayendo coordenadas de puntos clave y ángulos esqueléticos para monitorear con precisión la postura y los movimientos del usuario. Utilizando métodos de Histogramas Locales de Gradientes Orientados (LHOG) e Histogramas Locales de Flujo Óptico (LHOF), el sistema realiza una extracción de características integral, evaluando tanto los aspectos estáticos como dinámicos del ejercicio. El modelo de aprendizaje profundo, entrenado con un extenso conjunto de datos de ejecuciones correctas e incorrectas de peso muerto, clasifica la corrección del ejercicio con alta precisión, proporcionando retroalimentación en tiempo real y recomendaciones personalizadas a los usuarios. Esta retroalimentación correctiva inmediata facilita ajustes rápidos, reduce el riesgo de lesiones y promueve una técnica adecuada, mejorando la eficacia general del entrenamiento de fuerza. La capacidad del sistema para ofrecer retroalimentación específica para cada usuario, adaptada a estructuras corporales y patrones de movimiento individuales, asegura su relevancia y efectividad en diversos entornos de entrenamiento. Las aplicaciones prácticas de este sistema abarcan gimnasios, centros de rehabilitación y entornos domésticos, convirtiéndolo en una herramienta valiosa para entrenadores personales y fisioterapeutas. Aunque el estudio demuestra un potencial significativo, también identifica áreas para futuras investigaciones, incluyendo el refinamiento de algoritmos, la expansión del conjunto de datos y la integración de métricas y tecnologías adicionales. En conjunto, el sistema propuesto representa un avance sustancial en el monitoreo y mejora del ejercicio, contr
Analítica
analitica Rebiun36158710 https://catalogo.rebiun.org/rebiun/record/Rebiun36158710 241021s2024 xx o 000 0 eng d https://dialnet.unirioja.es/servlet/oaiart?codigo=9724251 (Revista) ISSN 1988-2041 (Revista) ISSN 1579-1726 S9M oai:dialnet.unirioja.es:ART0001707115 https://dialnet.unirioja.es/oai/OAIHandler 20 DGCNT S9M S9M dc Enhancing deadlift training through an artificial intelligence-driven personal coaching system using skeletal analysis electronic resource].] 2024 application/pdf Open access content. Open access content star This paper presents an innovative AI-driven personal coaching system designed to enhance deadlift training through advanced skeletal analysis and deep learning techniques. The proposed system employs the PoseNet model to capture and analyze real-time video feeds, extracting keypoint coordinates and skeletal angles to monitor user posture and movements accurately. Utilizing Local Histograms of Oriented Gradients (LHOG) and Local Histograms of Optical Flow (LHOF) methods, the system performs comprehensive feature extraction, assessing both static and dynamic aspects of the exercise. The deep learning model, trained on an extensive dataset of correctly and incorrectly performed deadlifts, classifies the correctness of the exercise with high accuracy, providing real-time feedback and personalized recommendations to users. This immediate corrective feedback facilitates prompt adjustments, reduces injury risk, and promotes proper technique, enhancing the overall efficacy of strength training. The system's ability to offer user-specific feedback, tailored to individual body structures and movement patterns, ensures relevance and effectiveness in diverse training environments. Practical applications of this system span gyms, rehabilitation centers, and home settings, making it a valuable tool for personal trainers and physiotherapists. While the study demonstrates significant potential, it also identifies areas for future research, including algorithm refinement, dataset expansion, and integration of additional metrics and technologies. Overall, the proposed system represents a substantial advancement in exercise monitoring and improvement, contributing to the broader field of AI-driven fitness and health technologies, and paving the way for safer and more effective strength training routines Este artículo presenta un innovador sistema de entrenamiento personal impulsado por inteligencia artificial diseñado para mejorar el entrenamiento de peso muerto mediante técnicas avanzadas de análisis esquelético y aprendizaje profundo. El sistema propuesto emplea el modelo PoseNet para capturar y analizar secuencias de video en tiempo real, extrayendo coordenadas de puntos clave y ángulos esqueléticos para monitorear con precisión la postura y los movimientos del usuario. Utilizando métodos de Histogramas Locales de Gradientes Orientados (LHOG) e Histogramas Locales de Flujo Óptico (LHOF), el sistema realiza una extracción de características integral, evaluando tanto los aspectos estáticos como dinámicos del ejercicio. El modelo de aprendizaje profundo, entrenado con un extenso conjunto de datos de ejecuciones correctas e incorrectas de peso muerto, clasifica la corrección del ejercicio con alta precisión, proporcionando retroalimentación en tiempo real y recomendaciones personalizadas a los usuarios. Esta retroalimentación correctiva inmediata facilita ajustes rápidos, reduce el riesgo de lesiones y promueve una técnica adecuada, mejorando la eficacia general del entrenamiento de fuerza. La capacidad del sistema para ofrecer retroalimentación específica para cada usuario, adaptada a estructuras corporales y patrones de movimiento individuales, asegura su relevancia y efectividad en diversos entornos de entrenamiento. Las aplicaciones prácticas de este sistema abarcan gimnasios, centros de rehabilitación y entornos domésticos, convirtiéndolo en una herramienta valiosa para entrenadores personales y fisioterapeutas. Aunque el estudio demuestra un potencial significativo, también identifica áreas para futuras investigaciones, incluyendo el refinamiento de algoritmos, la expansión del conjunto de datos y la integración de métricas y tecnologías adicionales. En conjunto, el sistema propuesto representa un avance sustancial en el monitoreo y mejora del ejercicio, contr LICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI English AI-driven coaching deadlift training skeletal analysis PoseNet deep learning exercise monitoring real-time feedback coaching impulsado por IA entrenamiento de peso muerto análisis esquelético PoseNet aprendizaje profundo monitoreo de ejercicio retroalimentación en tiempo real text (article) Kaldarova, Bolganay. cre Toktarova, Aigerim. cre Abdrakhmanov, Rustam. cre Retos: nuevas tendencias en educación física, deporte y recreación, ISSN 1579-1726, Nº. 60, 2024, pags. 439-448 Retos: nuevas tendencias en educación física, deporte y recreación, ISSN 1579-1726, Nº. 60, 2024, pags. 439-448 Retos: nuevas tendencias en educación física, deporte y recreación, ISSN 1579-1726, Nº. 60, 2024, pags. 439-448