Sorotan Dampak Februari Menampilkan Proyek Berbasis Kebugaran Inovatif Membangun

Teknologi kebugaran telah datang jauh selama beberapa dekade terakhir, mengambil keuntungan dari teknologi terbaru, seperti barang yang dapat dikenakan untuk mengawasi kesehatan dan biofungsi pengguna dan algoritma yang memantau dan melacak aktivitas fisik. AI juga sedang digunakan untuk membantu menambah rutinitas latihan, meningkatkan posisi yoga dan mencegah cedera saat berolahraga. Hackster’s Februari Dampak Seri Seri Webinar pada Teknologi Kebugaran menyoroti trio individu yang berbakat dan bagaimana mereka mengambil keuntungan dari AI untuk menambah proyek kebugaran mereka.

Tamu Pertama Whitney Knitter Menggambarkan bagaimana dia mengambil keuntungan dari AI untuk menilai pose -pose saat berlatih yoga. Jika tidak dipraktikkan dengan benar, pose yang salah dapat memengaruhi postur, yang dapat menyebabkan otot sakit dan efek samping lainnya. Untuk membantunya mencapai postur pose yang benar, Knitter mengembangkan platform estimasi pose berbasis AI untuk menganalisis sikapnya menggunakan model AI pra-terlatih yang membandingkan posnya dengan yang benar.

Knitter merancang platform berbasis AI-nya menggunakan Texas Instruments SK-TDA4VM Edge AI Starter Kit dan Edge AI SDK, yang menyediakan model estimasi pose 6D pra-terlatih berdasarkan YOLOX dari repositori zoo model TI. Model ini menyimpulkan langsung dari gambar tanpa pemrosesan postprocessing yang kompleks, dan alat pasang surut Ti mengoptimalkannya untuk akselerasi perangkat keras menggunakan SK-TDA4VM. Knitter menyesuaikan model menggunakan penganalisa model TI untuk mengkompilasinya dengan gambar kalibrasi pose yoga sendiri. Dia kemudian menyempurnakan sistem dengan memastikan ukuran gambar yang cocok dengan ekspektasi dan kesalahan terkait inferensi, seperti overlay kerangka yang tidak selaras. Knitter kemudian dioptimalkan eksekusi dengan menggunakan TidLCompilationProvider dengan benar untuk kalibrasi dan TidlexecutionProvider untuk inferensi.

Platform yoga Knitter berhasil mengidentifikasi poin-poin penting dalam posnya, nilai lereng yang dicetak dari garis kerangka untuk setiap bagian tubuh dan mengkorelasikannya dengan pose spesifik untuk umpan balik yoga real-time.

Justin Lutz siap memberikan wawasan tentang miliknya Arduin-Row dEvice, yang bertindak sebagai pelatih mesin dayung yang memberikan umpan balik menggunakan tempo pendayung dan bagaimana pegangan dayung bergerak melalui stroke. Lutz merancang Arduin-Row menggunakan Arduino Nicla Me untuk mengumpulkan data accelerometer dan impuls tepi untuk melatih model Tinyml untuk mengklasifikasikan jenis stroke dayung dan mendeteksi anomali dalam penempatan pegangan.

Lutz mengumpulkan 18 menit data untuk melatih model Tinyml dari tiga negara dayung-mudah, stroke-per menit (SPM) dan SPM tinggi, dan deteksi anomali digunakan untuk menentukan apakah pegangan dayung tetap rata melalui setiap stroke. Model terlatih kemudian digunakan sebagai perpustakaan Arduino dan diintegrasikan ke dalam cloud Arduino IoT untuk memberikan umpan balik waktu nyata dan pemantauan jarak jauh dari kinerja Lutz. Dia kemudian menggunakan antarmuka berbasis obrolan “pelatih” untuk memberikan umpan balik dayung.

Lutz juga mengambil kesempatan untuk memantau level CO2 selama latihan dayungnya menggunakan sensor ECO2 untuk memeriksa kualitas udara lokal, yang penting ketika di tempat -tempat terbatas tanpa aliran udara.

Mario Bergeron dari Avnet mengumpulkan webinar dengan mekanisme panjat tebing menggunakan AI. Sebagai pendaki batu yang rajin, Bergeron dan istrinya menginginkan cara untuk memaksimalkan kemampuan memanjat batu mereka, mengambil inspirasi dari panjat tebing sebagai olahraga yang relatif baru di Olimpiade 2021. Untuk mencapai tujuan itu, Bergeron beralih ke AI untuk menemukan pose ideal untuk membuat pendakian lebih efisien dan mendapatkan keunggulan kompetitif.

Model AI awal tidak sesuai dengan tugas mendeteksi pose kompleks yang digunakan pendaki untuk menavigasi wajah batu karena kurangnya data pelatihan. Untuk mengatasi tantangan itu, Bergeron mengambil keuntungan dari YOLOV7-platform deteksi objek real-time yang akurat berdasarkan jaringan saraf konvolusional. Tujuan utama dari proyek pendakiannya adalah untuk mengotomatiskan perbandingan berdampingan secara otomatis dari kinerja pendakian. Proses pengembangan kemampuan itu membosankan; Namun, Bergeron menemukan janji dalam menggabungkan pembelajaran mesin dan visi komputer.

Proyek pendakian Bergeron menampilkan dua komponen utama-anotasi video, yang menerapkan estimasi pose untuk membuat anotasi rekaman pendakian, yang dilakukan melalui pyopenannotate, dan tampilan berdampingan, yang menyelaraskan dan menyinkronkan video pendakian. Untuk pengumpulan data, Bergeron merekam 48 video pendakian yang ditangkap menggunakan iPhone 14 Pro dalam mode yang dipercepat untuk menghemat masa pakai baterai; Namun algoritma pelacakan yang mendalam yang ia gunakan gagal melacak secara konsisten para pendaki karena menggunakan mode yang dipercepat (bingkai lompatan), perubahan mendadak dalam posisi pendaki dan salah identifikasi fitur batu.

Bergeron berencana untuk menguji platform pada video dengan 30 fps untuk melihat apakah pelacakan meningkatkan dan mengimplementasikan teknik pengurangan latar belakang untuk memfokuskan pelacakan pada pendaki daripada lingkungan.