# 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 «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.