تطبيق Gym AI يحلل فيديو تمارين القرفصاء والبايسبس والرفرفة الجانبية بـMediaPipe Pose وشبكة LSTM ليكشف الأخطاء الحركية المسببة للإصابات.
مشروع أكاديمي لتطوير نظام ذكي يحلل تمارين المقاومة من الفيديو ويكشف الأخطاء الحركية التي قد تؤدي إلى إصابات عضلية هيكلية، نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز. يحمل التطبيق اسم Gym AI، ويستخرج الهيكل العظمي الرقمي للجسم بمكتبة MediaPipe Pose (نموذج BlazePose، 33 نقطة مفصلية)، ثم يحلل تسلسل الحركة زمنيًا بشبكة LSTM ليحكم على الأداء بأنه صحيح أو خاطئ.
يغطي النظام ثلاثة تمارين شائعة: القرفصاء (Squat)، وتمرين العضلة ثنائية الرؤوس (Bicep Curl)، والرفرفة الجانبية (Lateral Raises)، ويعمل على بث الكاميرا المباشر أو على ملف فيديو محفوظ. وأظهرت التجارب قدرته على التمييز بين الأداء الصحيح والخاطئ في هذه التمارين ضمن ظروف تصوير مناسبة واستجابة شبه فورية، والهدف منه أداة موضوعية منخفضة التكلفة تساعد الرياضي في غياب مدرب مختص.
| العنصر | البيانات |
|---|---|
| نوع المشروع | تطبيق مكتبي لتحليل الأداء الحركي بالرؤية الحاسوبية والتعلم العميق |
| المجال | الرؤية الحاسوبية، تقدير الوضعية البشرية، النمذجة الزمنية، السلامة الرياضية |
| حالة المشروع | نموذج أولي عامل باسم Gym AI، مختبر على أمثلة من الكاميرا وملفات الفيديو |
| دور تكنو إنجاز | دعم ومساعدة تقنية للطلاب أثناء تطوير المشروع |
| تقنيات أساسية | Python، MediaPipe Pose (BlazePose)، LSTM / LSTM Autoencoder، TensorFlow/Keras، OpenCV، NumPy، Tkinter |
| المخرجات | تصنيف الأداء (صحيح/خاطئ) مع قيمة ثقة، عرض الهيكل العظمي فوق الصورة، دعم الكاميرا وملفات الفيديو |
يتدرب كثير من الرياضيين على تمارين المقاومة دون إشراف مباشر من مدرب، فلا ينتبهون إلى أخطاء مثل تقدم الركبة المبالغ فيه في القرفصاء أو فقدان الاتزان أثناء الرفع، وهي انحرافات قد تتراكم وتسبب إصابات مزمنة.
والصعوبة التقنية أن الحكم على التمرين لا يمكن أن يعتمد على لقطة واحدة: قد تبدو زاوية الركبة صحيحة في لحظة معينة، بينما يكشف تطورها عبر الحركة كاملة، من النزول إلى أدنى نقطة ثم الصعود، خللًا في التوازن أو الاستقرار. لذلك بنى المشروع نهجه على تحليل التسلسل الزمني للحركة بدل الصورة المنفردة، مع التركيز على الوقاية قبل حدوث الإصابة.
نُفذ المشروع أكاديميًا بواسطة الطلاب، مع مساعدة ودعم تقني من مكتب تكنو إنجاز أثناء مراحل التطوير. ويُعرض ضمن أعمال المكتب مثالًا على دعمه للمشاريع التي تجمع تقدير الوضعية البشرية مع الشبكات العصبية الزمنية في تطبيقات رياضية وصحية.
يعمل Gym AI وفق التسلسل الذي يوثقه المشروع:
يعرض المشروع مقاربتين زمنيتين:
| وجه المقارنة | LSTM التقليدي | LSTM Autoencoder |
|---|---|---|
| نوع التعلم | تعلم مراقب غالبًا | تعلم غير مراقب |
| الهدف | تصنيف الحركة أو التنبؤ بها | إعادة بناء التسلسل الزمني |
| الحاجة إلى أمثلة خاطئة | نعم | لا، يكفي التدريب على الحركات الصحيحة |
| آلية كشف الخطأ | قرار تصنيفي مباشر | ارتفاع خطأ إعادة البناء فوق عتبة محددة |
تقوم فكرة LSTM Autoencoder على أن الحركة الصحيحة لها نمط زمني منتظم يستطيع النموذج ضغطه وإعادة بنائه بدقة، بينما تُحدث الحركة الخاطئة اضطرابًا يرفع خطأ إعادة البناء، فتُعدّ حالة شذوذ. وتفيد هذه المقاربة لأن جمع أمثلة كافية لكل أنواع الأخطاء صعب، فالأخطاء الحركية متعددة ومتفاوتة.
جُمعت بيانات التدريب من ثلاثة مصادر:
| المصدر | المحتوى |
|---|---|
| فيديوهات مصورة خصيصًا للمشروع | أشخاص يؤدون التمارين بطرق صحيحة وأخرى خاطئة |
| فيديوهات مولدة بالذكاء الاصطناعي عبر PixVerse AI | أنماط حركية وأخطاء أداء محددة يمكن التحكم بنوعها وشدتها |
| مجموعات بيانات مفتوحة من Kaggle | تنويع زوايا التصوير والإضاءة والخلفيات وأنماط الأجسام |
عولجت الفيديوهات آليًا: يُقرأ كل فيديو إطارًا بإطار، وتُستخرج النقاط بمكتبة MediaPipe، ثم تُحفظ السلاسل الزمنية في ملف CSV يُستخدم لتدريب النموذج. ولا يذكر المشروع عدد الفيديوهات أو طريقة تقسيمها بين التدريب والاختبار.
| الأداة | دورها |
|---|---|
| Tkinter وfiledialog | الواجهة الرسومية واختيار ملفات الفيديو |
| OpenCV | قراءة الإطارات والتحويل اللوني والمعالجة الأولية |
| Pillow | عرض الصور داخل الواجهة |
| MediaPipe | استخراج النقاط المرجعية للجسم |
| NumPy | تحويل النقاط إلى مصفوفات عددية |
| TensorFlow وKeras | بناء النموذج وتحميله والتنبؤ |
| Joblib | حفظ النماذج واسترجاعها |
| threading | منع تجمد الواجهة أثناء المعالجة |
تتكون واجهة Gym AI من شاشة ترحيبية بزر "Start" يحمّل النموذج ويهيئ MediaPipe، ثم شاشة لاختيار مصدر الإدخال (Camera أو Video File)، ثم نافذة تعرض الإطارات ونتيجة التحليل مع إمكانية الرجوع وإعادة الاختيار.
عرض المشروع أمثلة عملية من التطبيق:
هذه أمثلة توضيحية، إذ لا يقدم المشروع مقاييس رقمية إجمالية مثل نسبة الدقة على مجموعة اختبار، أو مصفوفة الالتباس، أو زمن المعالجة لكل إطار. ويصف الاستجابة بأنها شبه فورية في الزمن الحقيقي، مع التنبيه إلى أنها تعتمد على قدرة الجهاز المستخدم.
بحسب ما يقترحه المشروع:
يحلل النظام فيديو الشخص أثناء التمرين، ويقدم تقييمًا مساعدًا لجودة الحركة فقط؛ فهو لا يغني عن مدرب مختص أو عن استشارة طبية عند الشعور بألم أو إصابة.
إذا كنت تعمل على نظام تحليل صور وفيديو رياضي بالذكاء الاصطناعي وتحتاج إلى مساعدة تقنية في تطوير الفكرة أو بناء نموذج أولي، يمكن التواصل مع مكتب تكنو إنجاز لمناقشة متطلبات المشروع ونطاق الدعم المناسب.
تطبيق أكاديمي نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز، يحلل فيديو تمارين المقاومة ليكشف الأخطاء الحركية التي قد تسبب إصابات عضلية هيكلية. يعمل على الكاميرا المباشرة أو ملفات الفيديو، ويغطي تمارين القرفصاء والبايسبس والرفرفة الجانبية.
يستخرج MediaPipe Pose المبني على BlazePose 33 نقطة مفصلية من كل إطار، وتتحول إلى متجه من 99 قيمة فيصبح الفيديو سلسلة زمنية. ثم يحلل نموذج LSTM التسلسل كاملًا بدل اللقطة المنفردة، ويعتمد في نهج LSTM Autoencoder على ارتفاع خطأ إعادة البناء لاعتبار الحركة شاذة أو خاطئة.
جُمعت البيانات من فيديوهات مصورة خصيصًا لأشخاص يؤدون التمارين بشكل صحيح وخاطئ، وفيديوهات مولدة بالذكاء الاصطناعي عبر منصة PixVerse AI، ومجموعات بيانات مفتوحة من Kaggle. حُوّلت جميعها إلى نقاط مفصلية محفوظة في ملف CSV، ولا يذكر المشروع عدد الفيديوهات أو تقسيمها.
أظهرت التجارب تمييز الأداء الصحيح من الخاطئ ضمن ظروف تصوير مناسبة واستجابة شبه فورية، مثل نتيجة "Bicep Correct" و"Squat Wrong" بقيمة ثقة 1.00، ونجاح الكشف في بيئة منزلية وزاوية أمامية. لكن المشروع لا يقدم نسبة دقة إجمالية على مجموعة اختبار.
يقتصر على تحليل ثنائي الأبعاد لثلاثة تمارين وبحكم صحيح/خاطئ فقط، ولا يقدم تشخيصًا طبيًا. وتنخفض دقة تتبع المفاصل في الإضاءة الضعيفة أو عند حجب أحد الأطراف، ويتأثر تقدير العمق بزاوية التصوير، وقد يبطؤ على الأجهزة محدودة الموارد.
تواصل مع فريق تكنو إنجاز لمناقشة قابلية التنفيذ العملي، اختيار القطع، وتطوير النموذج الأولي.
نماذج تطبيقية ومنظومات برمجية وهندسية منجزة بدعم المكتب
لوح افتراضي يتيح الكتابة والرسم واختيار الألوان والمسح بإيماءات اليد أمام الكاميرا، مبني بلغة Python مع MediaPipe لتتبع الأصابع وOpenCV لمعالجة الفيديو.
نموذج أولي يكشف الأشخاص بـ YOLOv8 ويتتبعهم بـ DeepSORT داخل مناطق عمل محددة، ويحسب زمن التواجد بالثواني ويصدّر السجلات إلى Excel، مختبر على فيديو مكتبي.
نموذج أولي لمراقبة الامتحانات يستخدم YOLO وMediaPipe وOpenCV لتحليل اتجاه رأس الطالب، فيؤشر الالتفات بإطار أحمر للمراجعة والتوجه الأمامي بإطار أخضر.
