Abstract
Запропоновано новий підхід до визначення правильної велосипедної постави, який полягає в удосконаленні динамічного методу налаштування велосипеда зі застосуванням комп'ютерного зору. Цей підхід використовує алгоритми оцінювання пози людини (ОПЛ) для визначення кінематичних показників велосипедиста. Основною метою цього дослідження є розроблення програмного забезпечення, що допоможе визначити та налаштувати правильну велосипедну поставу, а саме висоту сідла, аналізуючи відео за допомогою засобів комп'ютерного зору. Проведено практичний експеримент для порівняння та аналізу результатів ОПЛ п'яти моделей: MediaPipe Pose Landmarker, Movenet (Multipose/Singlepose), OpenPose, YOLOv7. Встановлено, що найкраще для оцінювання пози велосипедиста підходить нейронна мережа BlazePose та її реалізація MediaPipe. Запропоновано математичну модель кінематики колінного суглоба велосипедиста, що дає змогу налаштувати оптимальну висоту сідла. Модель використовує координати стегна, коліна та щиколотки для визначення кута згинання коліна у верхньому положенні обертання педалей та розгинання коліна у нижньому положенні. На підставі цих значень та їх рекомендованих норм, модель визначає наскільки потрібно змінити висоту сідла. Розроблено алгоритм для визначення велосипедної постави, на підставі кутів ключових суглобів (гомілковостопний, тазостегновий, колінний, ліктьовий, плечовий) велосипедиста у конкретний момент часу. Алгоритм реалізовано у програмній системі, що дає змогу аналізувати відео їзди у режимі реального часу. Проведено експеримент з різним налаштуванням висоти сідла 2, 11 і 22 см та отримано рекомендовані значення висоти 11,3, 11,1 і 13,5 см відповідно. Результати цього дослідження показали, що запропонований підхід має високу точність та ефективність у розв'язанні задачі визначення правильної велосипедної постави та налаштування висоти сідла. Майбутні дослідження можуть полягати у врахуванні інших параметрів, які впивають на велосипедну поставу, такі як: зсув сідла, ширина та довжина сідла, Q-чинник, сила натиску на педалі, гнучкість суглобів, інші параметри велосипеда (розміри рами, коліс, розміри та форма керма) тощо.
Publisher
Ukrainian National Forestry University
Reference20 articles.
1. Bazarevsky, V., Grishchenko, I., Raveendran, K., Zhu, T., Zhang, F., & Grundmann, M. (2020). BlazePose: On-device Real-time Body Pose tracking. https://doi.org/10.48550/ARXIV.2006.10204
2. Bini, R. R., Nascimento, V. B., & Nibali, A. (2024). Validity of neural networks in determining lower limb kinematics in stationary cycling. Sport Sciences for Health, 20(1), 127–136. https://doi.org/10.1007/s11332-023-01075-7
3. Boldo, M., Di Marco, R., Martini, E., Nardon, M., Bertucco, M., & Bombieri, N. (2024). On the reliability of single-camera markerless systems for overground gait monitoring. Computers in Biology and Medicine, 171. https://doi.org/10.1016/j.compbiomed.2024.108101
4. Burt, P. (2022). Bike Fit 2nd Edition: Optimise Your Bike Position for High Performance and Injury Avoidance. Bloomsbury Sport. 208 p. URL: https://www.amazon.com/Bike-Fit-2nd-Performance-Avoidance-ebook/dp/B09GVP35GJ?ref_=ast_author_dp
5. Chalangari, P., Fevens, T., & Rivaz, H. (2020). 3D Human Knee Flexion Angle Estimation Using Deep Convolutional Neural Networks. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 5424–5427. https://doi.org/10.1109/EMBC44109.2020.9176012