Тема: ИИ-контроль техники упражнений в спортзале

Краткое описание проекта: Проект направлен на разработку и исследование методов компьютерного зрения и нейросетевых алгоритмов для автоматизированного анализа техники выполнения силовых и функциональных упражнений. Главная цель — создание оптимизированной модели ИИ, способной в реальном времени анализировать видеопоток и выявлять ошибки техники движений. Особое внимание уделяется алгоритмической эффективности: разработанные методы должны работать корректно даже на устройствах с ограниченными вычислительными ресурсами (например, смартфонах), без использования внешних сенсоров или облачных сервисов.

Ожидаемые результаты от реализации проекта:
1) Научная новизна: новые методы анализа позы и траекторий движений в реальном времени, адаптированные под низкую вычислительную сложность.
2) Повышение безопасности тренировок: своевременное выявление ошибок техники и контроль биомеханической стабильности.
3)Социальная значимость: возможность использования интеллектуальных методов контроля без затрат на оборудование и тренеров.
4) Контроль биомеханических параметров: отслеживание амплитуды движений, траектории суставов, вовлечения целевых мышц и осанки.
5) Валидация и обучение: формирование датасетов с правильными и ошибочными техниками, включая компенсаторные движения, для обучения и тестирования модели.

@ya_pikalyov

@holyBogdan

37

6

6

Трицепс

Бицепс

Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки.

Это под вопросом

Ну или свой вариант предложите

https://chatgpt.com/share/68f79679-e8a4-8009-9842-191b431a4ca9

#annotation_project_old

Вроде такого, ток ещё годы нужны начала и конца «Исследование и разработка методов семантического анализа и интерпретации потоков данных интеллектктуальнымисистемами», № госрегистрации 0118D000003, УтУтверждена приказом Министерства образования и науки ДНР № 1272от 27.11.2017

Угарнул с Владимира, в графе соответствие кадрового состава написал "Соответствуют" 😭

Вот

Из списка необходимого оборудования вычеркните доп станцию машинного обучения, я забыл что здесь бюджет ограничен

И год начала и конца каждой

5 тезисов 2 статьи

Научный коллектив проекта имеет большой опыт реализации научных проектов, связанных с разработкой
специализированного программного обеспечения с применением математического моделирования для
промышленного производства. Основные результаты по данной тематике отражены в публикациях [1-7].
Применение методов машинного обучения в задачах управления и принятия решений в хозяйственной деятельности и
медицине отражено в работах членов научного коллектива [8-9], [15-18]. В рамках этих исследований разработаны
предсказательные модели энергопотребления на предприятиях угольной промышленности, использующие
автокорреляционные методы, модели оценки вероятности появления ДТП, основанные на методах машинного
обучения, обоснован метод, использующий ResNet и API-Net, для классификации товаров, имеющих похожие упаковки.
Авторами проекта разработана методика обработки и структурирования данных фондового рынка для использования
прогностических моделей машинного обучения
Задел коллектива проекта в направлении тематики технического зрения и распознавания изображений в режиме
реального времени отражен, в частности, в публикациях [13-14], [17, 20,21]. Исследованы возможности использования
глубоких нейронных сетей для задачи классификации изображений на устройствах с ограниченной вычислительной
мощностью.
Также авторами проекта ведется активная работа в области применения искусственного интеллекта, глубокого
обучения в задачах обработки естественного языка [10-12] и распознавания речи [19, 22].
Научный коллектив имеет опыт организации и проведения научных мероприятий: международных научных
конференций "Донецкие чтения: образование, наука, инновации, культура и вызовы современности" (2017-2024);
международных научных круглых столов "Искусственный интеллект: теоретические аспекты, практическое
применение" (2020-2024).
Заявка № 25-21-20602 Страница 22 из 27
Список источников:
1. Бондаренко В.И. Программная система для моделирования процесса тепломассопереноса при разливке и
затвердевании стали / В.И. Бондаренко // Вестник Донецкого национального университета. Серия А. Естественные
науки. – 2009. – № 2. – С. 103-110.
2. Программный продукт «Математическое моделирование гидродинамических и теплообменных процессов в
стальных слитках» / Ф.В. Недопекин, В.В. Белоусов, В.И. Бондаренко, В.М. Кондратенко. – Украина: Свидетельство о
регистрации авторского права на произведение №47898, 2013.
3. Бондаренко В.И. Математическое обеспечение и компьютерные технологии для моделирования гидродинамических
и теплофизических процессов в металлургии: Монография / В.И. Бондаренко, В.Ф. Комаров, Ф.В. Недопекин, В.М.
Мелихов, В.В. Белоусов. – Донецк: Юго-Восток, 2013. – 210 с.
4. Bondarenko V.I. Visualization of Process of Wheel Steel High Ingots Simulation / V.I. Bondarenko, V. V Bodryaga, F. V
Nedopekin, V. V Belousov // IOP Conference Series: Materials Science and Engineering. – 2017. – Т. 287.
5. Bondarenko V.I. Using MVC pattern in the software development to simulate production of high cylindrical steel ingots / V.I.
Bondarenko, V.V. Bilousov, F.V. Nedopekin, V.V. Bodriaha, L.V. Antropova // Journal of Crystal Growth. – 2019. – Т. 526. – С.
125240.
6. Винник А.О. Программный комплекс мониторинга энергопотребления на предприятиях угольной промышленности /
А.О. Винник, А.-А.М. Мартыненко, В.И. Бондаренко // Вестник Донецкого национального университета. Серия Г.
Технические науки. – 2021. – № 2. – С. 33-38.
7. Бондаренко В.И. Разработка и реализация макета бионического протеза кисти руки / В.И. Бондаренко, А.И.
Горбатенкова // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – № 4. – С. 27-
32.
8. Беспалова С.В. Построение регрессионных моделей режимов работы водораспределительных сетей с помощью
методов регуляризации и анализа главных компонент / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко
// Информатика и кибернетика. – 2019. – Т. 2 (16). – С. 35-49.
9. Беспалова С.В. Построение предсказательных моделей параметров давления воды в водораспределительных сетях с

помощью методов машинного обучения / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко // Проблемы
искусственного интеллекта. – 2019. – Т. 2(13). – С. 24-38.
10. Бондаренко В.И. Классификация научных текстов с помощью методов глубокого машинного обучения / В.И.
Бондаренко // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2021. – № 3. – С. 69-
77.
11. Ермоленко Т.В. Разработка алгоритмов и языковых моделей для мультиязычной системы автоматического
аннотирования текстов разных жанров / Т.В. Ермоленко, В.И. Бондаренко, Я.C. Пикалёв // Вестник Донецкого
национального университета. Серия Г. Технические науки. – 2023. – № 2. – С. 22-42.
12. Бондаренко В.И. Анализ эффективности глубоких языковых моделей для задачи определения тональности
русскоязычных текстов / В.И. Бондаренко, В.О. Елисеев, Т.В. Ермоленко // Проблемы искусственного интеллекта. –
2024. – № 1 (32). – С. 51-62.
13. Павленко Б.В. Использование модели YOLO в современных задачах распознавания в реальном времени на примере
военной и космической отраслей / Б.В. Павленко, В.И. Бондаренко, А.-А.М. Мартыненко // Вестник Донецкого
государственного университета. Серия Г: Технические Науки. – 2023. – № 4. – С. 55-65.
14. Бондаренко В.И. Применение методов глубокого обучения для повышения качества изображения / В.И.
Бондаренко, А.В. Федчук // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – №
4. – С. 39-44.
15. Ермоленко Т.В. Исследование эффективности предсказательных моделей для системы анализа и мониторинга
энергопотребления на предприятиях угольной промышленности / Т.В. Ермоленко, В.Н. Котенко, А.О. Винник А.О. //
Проблемы искусственного интеллекта. 2022. № 4 (27). С. 25-34.
16. Конончук Э.В. Модели машинного обучения для оценки вероятности появления ДТП и его серьезности / Э.В.
Конончук. Т.В. Ермоленко Т.В., Т.О. Шишунов // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 4-12.
17. Ермоленко Т.В. Анализ эффективности архитектур глубоких нейросетей для классификации изображении товаров /
Т.В. Ермоленко, И.Е. Самородский // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 54-64.
18. Ермоленко Т.В. Классификация аномалий сердцебиения с помощью глубокого обучения / Т.В. Ермоленко, Д.В. Ролик
// Проблемы искусственного интеллекта. 2022. № 1 (24). С. 40-53.
19. Ермоленко Т.В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей /
Т.В. Ермоленко, Я.С. Пикалёв // Речевые технологии. 2021. № 1-2. С. 3-18.
20. Пикалёв Я.С. О нейронных архитектурах извлечения признаков для задачи распознавания объектов на устройствах с
Заявка № 25-21-20602 Страница 23 из 27
ограниченной вычислительной мощностью // Я.С. Пикалёв, Т.В. Ермоленко // Проблемы искусственного интеллекта.
2023. № 3 (30). С. 44-54.
21. Pikalyov Ya.S. About neural architectures of feature extraction for the problem of object 1 recognition for the problem of
object recognition on devices with limited computing power / Ya.S. Pikalyov, T.V. Yermolenko // Вестник Томского
государственного университета. Математика и механика. 2023. № 3. С. 30.
22. Pikalyov, Ya. Chapter Five. On the Issue of Continuous Speech Recognition / Yaroslav Pikalyov, Tatyana Yermolenko //
Integral Robot Technologies and Speech Behavior. – 2024. – P. 155-180.

ТУла