first commit

SmartRep/diff_план_v2.md

@@ -0,0 +1,267 @@
+# Diff-план: заявка v1 → v2
+
+> **Источник критики:** экспертиза РНФ, заявка № 26-21-20137 (не поддержана). Каждая правка привязана к конкретной претензии Э2 или Э3. Э1 (оценка 5) проигнорирован как неадекватный — он написал, что у руководителя «достаточно статей в WoS/Scopus», хотя их 0.
+
+---
+
+## 0. Стратегические предпосылки (сделать ДО переподачи)
+
+Без них правки текста не спасут.
+
+### 0.1. 🔴 Закрыть публикационный разрыв
+**Проблема:** у всей команды 0 статей в WoS CC / Scopus / RSCI. Плановые «1 WoS/Scopus + 2 RSCI» выглядят недостижимыми (Э2, Э3).
+
+**Действие до подачи:**
+- **Минимум 1 публикация Scopus/WoS руководителя** (хоть Q4). Варианты быстрых венью:
+  - «Pattern Recognition and Image Analysis» (уже в планах v1) — Scopus, отправить сейчас
+  - «Компьютерная оптика» (Q3 Scopus, русскоязычный, быстрый цикл)
+  - «Информатика и автоматизация (Труды СПИИРАН)» (Scopus)
+- **Минимум 2 публикации RSCI** членов команды (коллективно) — «Искусственный интеллект и принятие решений», «Труды СПИИРАН»
+- В v2 заявки п. 2.9 должен содержать уже *принятые* или *опубликованные* статьи в этих базах, а не только «Проблемы ИИ»
+
+### 0.2. 🔴 Биомеханический партнёр
+**Проблема:** Э2: «нет упоминаний о договорённостях или планах сотрудничества с научными или медицинскими учреждениями, обладающими требуемой биомеханической и измерительной инфраструктурой»
+
+**Действие:**
+- Договориться о совместной работе с:
+  - кафедрой биомеханики / спортивной медицины одного из вузов (ДонНУ, ДонНМУ, РостГМУ, РГУФКСМиТ)
+  - или спортивной клиникой / реабилитационным центром
+- Оформить **письмо о научном сотрудничестве** с доступом к MoCap (Qualisys/Vicon/OptiTrack) или IMU-сенсорам как ground truth для валидации
+- В 4.8 прописать эту базу
+
+### 0.3. 🟡 Доля рабочего времени руководителя
+**Проблема:** Э2 и Э3 прямо указали: 25% + параллельный проект по БПЛА = недостаточно для научного руководства
+
+**Варианты:**
+- Повысить до 40–50% (отказаться от одной из руководящих ролей в другом НИР — параллельный НИР по БПЛА завершается в 2026, можно не брать новый)
+- Либо ввести со-руководителя с публикациями Scopus/WoS (из партнёрского вуза)
+
+### 0.4. 🟡 Расширить команду профильным экспертом
+**Проблема:** Э3: «ни один из участников не имеет устойчивого публичного научного задела в международных источниках… сомнения в способности выполнить междисциплинарную задачу»
+
+**Действие:** добавить 5-го участника — биомеханика / спортивного врача / PhD по motion analysis из партнёрской организации. Студент + 2 аспиранта + 1 стажёр выглядит слабо для междисциплинарной темы.
+
+---
+
+## 1. Переписать научную рамку
+
+### 1.1. Раздел 4.1 «Научная проблема» 🔴
+
+**Было (v1):**
+> «Отсутствие универсальных, объективных и мобильных методов анализа техники выполнения физических упражнений с учётом индивидуальных биомеханических особенностей человека… у разных пользователей различаются пропорции тела, длина рычагов, осанка и амплитуда движений, из-за чего невозможно использовать универсальный эталон "правильной техники"».
+
+**Критика:**
+- Э2: «в заявке не обозначена конкретная, нерешённая научная проблема»
+- Э3: «нет чётко сформулированной научной гипотезы, способной обеспечить прорыв»
+
+**Надо (v2):** сформулировать **одну конкретную научную проблему** с ясной гипотезой. Пример переформулировки:
+
+> *Существующие методы оценки техники упражнений из видео делятся на два класса: (а) геометрические эвристики на основе ключевых точек поз (чувствительны к ракурсу, антропометрии, не обобщаются на новых пользователей); (б) end-to-end нейросетевые классификаторы (требуют больших размеченных датасетов, неинтерпретируемы, «чёрный ящик»). Для контроля техники в неразмеченной среде (вариативные ракурсы, освещение, антропометрия) необходим метод, обладающий одновременно: (1) интерпретируемостью на уровне биомеханических дескрипторов, (2) устойчивостью к few-shot режиму (новое упражнение / новый пользователь без дообучения), (3) вычислительной сложностью <5 GFLOPs для работы на edge-устройстве в реальном времени.*
+> 
+> *Научная гипотеза проекта: комбинация нейросетевого экстрактора биомеханических дескрипторов (углы, угловые скорости, симметрия, фазовые признаки движения) с нечёткой моделью вывода, обученной в рамках few-shot протокола на синтетических ошибках техники, обеспечит качество классификации ошибок ≥X% при <Y мс latency, что эквивалентно или превосходит end-to-end подходы при сохранении интерпретируемости.*
+
+### 1.2. Раздел 4.2 «Научная значимость и актуальность» 🟡
+
+**Было:** общие фразы про цифровизацию фитнеса и травматизм.
+
+**Критика:** Э2: «актуальность обоснована общими фразами о цифровизации и важности предотвращения травм, без глубины постановки научной задачи».
+
+**Надо:** убрать общие фразы про «цифровизацию», заменить на **количественные утверждения**:
+- Статистика травм при самостоятельных силовых тренировках (цифра + ссылка на медицинский источник, например, журнал «British Journal of Sports Medicine» или Росстат)
+- Объём рынка self-guided fitness apps и доля тех, кто тренируется без тренера (данные FitTech research)
+- Точность существующих решений (BlazePose ~X PCK на fitness-датасетах, падение качества на Y% при смене ракурса) — показать конкретный количественный gap
+
+### 1.3. Раздел 4.3 «Задачи» 🟢
+
+**Было:** 7 задач, в целом разумных.
+
+**Правки:** добавить **задачу валидации** отдельным пунктом (измерение согласованности с MoCap ground truth), заменить «литературный обзор» (задача 1) на «систематический анализ SOTA с выделением gap» с количественным критерием.
+
+### 1.4. Раздел 4.4 «Научная новизна» 🔴
+
+**Было:**
+> «разработка интерпретируемого метода анализа двигательной активности человека, основанного на комбинации нейросетевых моделей оценки поз и системы правил с нечёткой логикой»
+
+**Критика:**
+- Э2: «заявленная научная новизна выглядит скорее как инженерная компиляция известных методов»
+- Э3: «включение нечёткой логики без чёткой мотивации и сравнения с альтернативами выглядит как устаревший приём»
+
+**Надо:** переформулировать новизну **через конкретные методологические вклады**, а не через «комбинацию»:
+
+1. **Новый алгоритм адаптации нечётких правил к антропометрическим параметрам** (auto-tuning функций принадлежности через ANFIS + self-supervised калибровка на 3 сек. видео, без ручной разметки)
+2. **Few-shot протокол обучения классификатора ошибок техники** на синтетически порождённых ошибочных позах из правильной эталонной (через контролируемые возмущения в латентном пространстве pose estimator) — убирает необходимость собирать тысячи реальных видео ошибок
+3. **Лёгкая гибридная архитектура SmartRep-Net-Lite** с <5 GFLOPs и верифицируемой ошибкой вывода (certified bounds) через сертифицированную дефаззификацию
+
+Дать **явную мотивацию fuzzy logic** vs альтернативы: «Fuzzy logic выбрана как компромисс между интерпретируемостью (уступает rule-based, превосходит attention), обучаемостью (уступает end-to-end, превосходит символьные правила) и вычислительной сложностью для edge. Альтернативы рассмотрены в разделе 4.5: concept bottleneck models (требуют разметки концептов), neuro-symbolic (высокая сложность), attention-based interpretability (post-hoc, не сертифицируема)».
+
+### 1.5. Раздел 4.5 «Современное состояние» 🔴 КРИТИЧЕСКАЯ ПЕРЕРАБОТКА
+
+**Было:** список BlazePose/MoveNet/EfficientPose + 2023–2025 направления + упоминание Musculus.app как конкурента.
+
+**Критика:**
+- Э2: «коллектив владеет общей картиной, но не демонстрирует глубокого и критического понимания современного состояния… используется для констатации существующих трендов, а не для выявления нерешённой научной проблемы»
+- Э3: «отсутствует критическая оценка сильных и слабых сторон конкурентов… не рассмотрены последние достижения в области few-shot, zero-shot и доменной адаптации… методы, использующие физические ограничения в нейросетевых моделях»
+- Э2: «аналогичные гибридные подходы известны и применяются… предлагаемый проект не демонстрирует принципиальных преимуществ или качественного отрыва от этих аналогов»
+
+**Надо полностью переписать, добавив 5 блоков:**
+
+**(а) Таблица SOTA по pose estimation на edge** — BlazePose, MoveNet, MovePose, RTMPose, EfficientPose, YOLO-Pose, Lite-HRNet — **столбцы: mAP на COCO, latency на Snapdragon/Pixel, GFLOPs, robustness к ракурсу (если есть данные), обучение few-shot (есть/нет)**. Выделить пустые клетки как gap.
+
+**(б) Fitness-specific solutions review:**
+- Академические: ExerSense (NTU, 2022), FitAssist (CMU, 2023), Pose Trainer (Stanford, 2021) — с критикой: датасет мал, не работает при смене ракурса, etc.
+- Коммерческие: Peloton Guide, Tempo Studio, Tonal, Mirror, Musculus.app, Kaia Health
+- Отечественные: Musculus.app (СПбПУ) — прямо указать, чем SmartRep отличается (offline vs cloud, мобильная vs стационарная камера, нечёткая логика vs онтология)
+
+**(в) Методы, которые Э3 требует обсудить:**
+- Few-shot pose learning (Meta-HRNet, ProtoPose)
+- Domain adaptation для поз (PoseDA, UDAPE, PoSynDA)
+- Physics-informed pose estimation (PhysCap, HuMoR, physically plausible motion)
+- Action Quality Assessment (MUSDL, CoRe, AQA-7)
+
+**(г) Interpretable ML для motion analysis:**
+- Concept Bottleneck Models, ProtoPNet, neuro-symbolic подходы
+- Fuzzy logic для AQA — цитирование работ с явным ограничением: Д.Г. Арсеньев/А.Е. Мисник (СПбПУ), TSK-ANFIS для движений
+
+**(д) Ясный gap statement в конце:**
+> *Ни одно из рассмотренных решений одновременно не обеспечивает: (1) few-shot адаптацию к новому упражнению без сбора датасета, (2) сертифицируемую интерпретируемость на уровне биомеханических дескрипторов, (3) real-time работу <30 мс на мобильном CPU без NPU, (4) устойчивость к вариациям ракурса и антропометрии пользователя. SmartRep закрывает этот gap через [архитектурное решение X, алгоритм Y, протокол обучения Z].*
+
+**Ссылки:** минимум 30, из них **15+ за 2024–2026, включая CVPR/ICCV/ECCV/NeurIPS/ICML**. В v1 ссылки только на медиум-tier источники.
+
+### 1.6. Раздел 4.6 «Методы и подходы» 🟡
+
+**Было:** общее описание — CV → скелет → углы → fuzzy rules → валидация.
+
+**Критика:** Э3: «описание методологии остаётся на уровне общих фраз и не содержит конкретных формализованных предложений по реализации ключевых компонентов, особенно в части построения нечёткой системы принятия решений».
+
+**Надо добавить формализм:**
+
+**Модуль оценки поз:** $\hat{P} = f_\theta(I)$, где $I \in \mathbb{R}^{H \times W \times 3}$ — кадр, $\hat{P} \in \mathbb{R}^{K \times 3}$ — 2D-позы с confidence, $K=33$ (BlazePose topology). Базовая модель: BlazePose-Lite с дообучением на собранном датасете через KD от RTMPose-L.
+
+**Биомеханический дескриптор:**
+$$D(t) = [\theta_1(t), \ldots, \theta_n(t), \omega_1(t), \ldots, \dot{\theta}_n(t), S(t), A(t)]$$
+где $\theta_i$ — углы суставов, $\omega_i$ — угловые скорости, $S$ — симметрия, $A$ — амплитуда.
+
+**Модуль нечёткого вывода:** TSK-ANFIS с функциями принадлежности Гаусса $\mu_i(x) = \exp(-(x-c_i)^2/\sigma_i^2)$. База правил: IF $\theta_{knee}$ is «малый» AND $\omega_{hip}$ is «большой» THEN «ошибка: неполное приседание».
+
+**Протокол few-shot обучения:**
+1. Запись эталонного видео пользователя (3–5 повторений правильной техники)
+2. Калибровка антропометрии: нормализация $\theta_i$ по референсным углам из эталона
+3. Синтез ошибочных поз через контролируемые возмущения: $P_{err} = P_{ref} + \epsilon \cdot v$, где $v$ — направление ошибки (например, «округление спины» = увеличение угла позвоночника в сагиттальной плоскости)
+4. Дообучение ANFIS на парах (правильно, ошибочно) — 1–2 мин на смартфоне
+
+**Метрики валидации** (с целевыми значениями):
+- PCK@0.05 на собранном датасете: ≥85%
+- F1 классификации ошибок: ≥0.80
+- MAE углов vs MoCap ground truth: ≤5°
+- Latency на Snapdragon 8 Gen 2: ≤30 мс
+- Размер модели: ≤10 МБ (INT8)
+
+### 1.7. Раздел 4.7 «Научный задел» 🟡
+
+**Было:** перечень публикаций команды по распознаванию речи, геолокализации, CV.
+
+**Правка:** перестроить **от задачи SmartRep**, а не хронологически. Показать, что у команды есть:
+- Опыт pose estimation / keypoint detection на edge (публикации Пикалёва, Ермоленко по нейронным архитектурам с ограниченной мощностью)
+- Опыт сбора и аннотации визуальных датасетов (Устенко — РИД по системе аннотации)
+- Опыт квантизации и оптимизации моделей для мобильных устройств (Пикалёв — статьи по edge inference)
+- Опыт работы в реальном времени (Павленко — YOLO real-time)
+
+Убрать нерелевантные речевые публикации в конец, либо вовсе сократить.
+
+---
+
+## 2. Валидация и инфраструктура
+
+### 2.1. Раздел 4.8 «Оборудование» 🔴
+
+**Было:** «имеется… высокопроизводительные рабочие станции и сервер с GPU NVIDIA RTX 4090».
+
+**Критика:** Э2: «критически не хватает специализированного оборудования (систем захвата движения и биомеханических сенсоров), без которого невозможна достоверная верификация».
+
+**Надо добавить** (через партнёрство по п. 0.2):
+- Доступ к MoCap-лаборатории партнёра (Vicon/Qualisys) — для создания ground truth датасета
+- IMU-сенсоры (MVN Xsens / собственные на основе BNO085) — для мобильной валидации
+- Набор мобильных тестовых устройств разного класса (low/mid/flagship)
+- Инструментальная камера высокой частоты (240 fps) для верификации
+
+### 2.2. План валидации (новый подраздел в 4.6) 🔴
+
+**Эксперимент 1 — точность keypoints:** на датасете Human3.6M (публичном) + собственном собранном датасете спортсменов, метрика PCK@0.05.
+
+**Эксперимент 2 — согласованность с MoCap:** 20 добровольцев × 5 упражнений × 10 повторений, одновременная запись на смартфон и MoCap. Bland-Altman plot + ICC для углов.
+
+**Эксперимент 3 — распознавание ошибок:** сравнение с экспертной оценкой (3 сертифицированных тренера), Cohen's κ ≥ 0.75.
+
+**Эксперимент 4 — устойчивость к ракурсу/освещению:** абляция по углу камеры (±45°), освещённости (100–2000 лк), расстоянию.
+
+**Эксперимент 5 — производительность:** benchmark на 5 мобильных устройствах разного класса.
+
+---
+
+## 3. Организационная часть
+
+### 3.1. Форма Т / 2.15 — Доля времени 🟡
+
+**v1:** 25%  
+**v2:** ≥40% (см. 0.3)
+
+### 3.2. План работ 4.9–4.11 🟡
+
+**Критика:** Э3: «расписание по годам составлено в обобщённой форме, без чётких контрольных точек, метрик успеха или критериев оценки прогресса».
+
+**Надо:** в каждом квартале добавить:
+- **Deliverable** (код/датасет/статья/прототип)
+- **Метрика успеха** (конкретное число)
+- **Критерий перехода к следующему этапу** (go/no-go)
+
+Пример для IV кв. 2026:
+- Deliverable: аннотированный датасет на ≥500 видео × 5 упражнений × 3 ракурса
+- Метрика: inter-annotator agreement Cohen's κ ≥ 0.80
+- Критерий: если κ < 0.80 — пересмотреть схему аннотации прежде, чем обучать модель
+
+### 3.3. Форма 5 — Смета 🔴
+
+**Проблема:** Э2 указал конкретную ошибку в расчёте отчислений 30,2% (учтены «дополнительно», а не через деление на 1,302).
+
+**Надо:** пересчитать п. 1 «Итого вознаграждение» с корректной формулой. Проверить бухгалтером организации.
+
+**Дополнительно:** в смете v1 только NAS за 70 тыс. руб. Стоит рассмотреть:
+- 2–3 мобильных устройства для тестирования (Android разных SoC) — ~150 тыс.
+- IMU-сенсоры для валидации — ~100 тыс.
+- Услуги аннотации через краудсорсинг / привлечение тренеров — в «иные расходы»
+
+### 3.4. Публикационный план 1.9 🟡
+
+**v1:** 1 WoS/Scopus + 2 RSCI + 0 иных + 0 Белый список  
+**Критика:** недостижимо по мнению Э2
+
+**v2:** либо
+- (консервативный вариант) оставить 1+2+0, но показать уже принятую статью Scopus к моменту подачи
+- (амбициозный) 2 WoS/Scopus (Q2–Q3) + 2 RSCI + 1 Белый список
+
+---
+
+## 4. Чеклист минимального порога для переподачи
+
+| Пункт | Статус | Дедлайн |
+|---|---|---|
+| 1 статья руководителя принята в Scopus/WoS | ☐ | до подачи |
+| 2 статьи команды приняты в RSCI | ☐ | до подачи |
+| Письмо о сотрудничестве с биомех. лабораторией | ☐ | до подачи |
+| Доля руководителя ≥ 40% | ☐ | до подачи |
+| Переписан раздел 4.5 (≥30 ссылок, ≥15 за 2024–26, SOTA-таблица, gap statement) | ☐ | до подачи |
+| Переписан раздел 4.1 (конкретная гипотеза с измеримыми величинами) | ☐ | до подачи |
+| Переписан раздел 4.4 (3 методологических вклада, не «комбинация») | ☐ | до подачи |
+| Добавлен план валидации с MoCap | ☐ | до подачи |
+| Пересчитана смета (формула 30,2%) | ☐ | до подачи |
+| План работ с метриками и go/no-go | ☐ | до подачи |
+| Обоснован выбор fuzzy logic vs альтернативы | ☐ | до подачи |
+
+---
+
+## 5. Приоритеты следующих шагов
+
+1. **Сразу** — подать статью в Scopus (самый долгий цикл, 3–6 мес. на рецензирование). Рекомендация: начать с «Компьютерная оптика» или «Информатика и автоматизация».
+2. **Параллельно** — списаться с биомех. лабораториями. Целевые контакты: кафедры биомеханики ВУЗов ЦФО/ЮФО, спорт. клиники.
+3. **Через неделю** — подготовить обновлённый обзор SOTA (это самая тяжёлая часть, но делается один раз и потом пригодится для всех будущих публикаций).
+4. **За месяц до подачи** — интегрировать всё в форму заявки, прогнать по чеклисту выше.