27 KiB
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»:
- Новый алгоритм адаптации нечётких правил к антропометрическим параметрам (auto-tuning функций принадлежности через ANFIS + self-supervised калибровка на 3 сек. видео, без ручной разметки)
- 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
- 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:
- Запись эталонного видео пользователя (3–5 повторений правильной техники)
- Калибровка антропометрии: нормализация
\theta_iпо референсным углам из эталона - Синтез ошибочных поз через контролируемые возмущения:
P_{err} = P_{ref} + \epsilon \cdot v, гдеv— направление ошибки (например, «округление спины» = увеличение угла позвоночника в сагиттальной плоскости) - 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
- Сразу — подать статью в Scopus (самый долгий цикл, 3–6 мес. на рецензирование). Рекомендация: начать с «Компьютерная оптика» или «Информатика и автоматизация».
- Параллельно — списаться с биомех. лабораториями. Целевые контакты: кафедры биомеханики ВУЗов ЦФО/ЮФО, спорт. клиники.
- Через неделю — подготовить обновлённый обзор SOTA (это самая тяжёлая часть, но делается один раз и потом пригодится для всех будущих публикаций).
- За месяц до подачи — интегрировать всё в форму заявки, прогнать по чеклисту выше.