За последние несколько лет (и особенно во время пандемии Covid-19) произошел бум домашних фитнес-мероприятий. Одним из ярких примеров этого является Peloton — во время пандемии продажи электрических велосипедов и другого оборудования для фитнеса Peloton утроились до 485,9 миллиона долларов за один квартал. Подписки выросли на 113% до 1,09 млн подписчиков. Общая выручка выросла на 172% до 607,1 млн долларов. Короче говоря, домашний фитнес за последний год резко вырос. Хотя мы можем (к счастью) увидеть конец этой пандемии, рост числа членов Peloton остается постоянным. Во втором квартале 2021 года Peloton похвастался одним из лучших кварталов для новых участников, добавив около 800 тысяч участников. Это говорит о том, что домашний фитнес никуда не денется, и гонка за то, чтобы захватить сокращающуюся пользовательскую базу и обеспечить лучший пользовательский опыт, продолжается.

Как преданный пользователь Peloton, я считаю, что пользовательский опыт действительно заставляет людей возвращаться. Инструкторы очень мотивируют, называя имена пользователей участников, чтобы подбодрить их и поздравить с достижениями. Предоставляемые метрики точны, с персонализированными результатами тренировки, а также таблицей лидеров, сравнивающей вас с другими участниками тренировки. Все это способствует хорошо смазанной машине, которая заставляет вас возвращаться на еще одну мотивирующую тренировку. Поскольку конкуренты, такие как Apple Fitness+, продолжают появляться в этой области, потребность в инновациях необходима, чтобы оставаться на плаву, что подводит меня к моему обсуждению способов использования достижений в области ИИ для улучшения приложений для физической подготовки.

В следующем разделе основное внимание будет уделено использованию ИИ для физической подготовки, в частности PoseNet, известной модели оценки позы в TensorFlow.js. PoseNet — это модель TensorFlow с глубоким обучением, которая позволяет оценивать и отслеживать позы человека (известные как оценка позы) путем обнаружения таких частей тела, как локти, бедра, запястья, колени и лодыжки. Эту оценку позы можно использовать во многих различных областях, включая виртуальную реальность, дополненную реальность и фитнес. Эта статья показывает пошаговый процесс настройки основы этой оценки позы на вашей собственной машине.

Как это применимо к фитнесу? Оценивая и отслеживая позу человека через суставы, фитнес-приложения могут использовать данные, полученные из PoseNet, для более персонализированной тренировки. Представьте себе персонализированный класс силы, который дает обратную связь на основе формы или выполненных пользователем повторений. Возможно, приложение может предоставить индивидуальный план тренировок, основанный на максимальном количестве правильных повторений, которые вы можете выполнить на камеру в одном подходе. Именно такая персонализация привела к процветанию самых успешных фитнес-приложений, поэтому следует изучить каждый шаг, который можно предпринять, чтобы сделать опыт более персонализированным для пользователя.

Пример применения этих точек данных можно показать ниже. Я использовал информацию из PoseNet, чтобы создать счетчик тренировок, который будет использовать оценку позы для подсчета, когда пользователь завершает повторение тренировки. Конечная цель моего приложения состояла в том, чтобы создать конкурентоспособную платформу, где панель инструментов пользователя показывает его лучшие наборы определенных тренировок и сравнивает их со всеми другими пользователями, которые использовали приложение. Я планирую расширить это приложение, чтобы предоставить предлагаемые программы тренировок, но внедрение PoseNet сделало почти все возможным.

Было несколько шагов, которые я предпринял, чтобы использовать PoseNet для достижения моего предполагаемого использования.

  1. Сначала я предлагаю пользователю встать перед камерой, пока она «анализирует позицию». Этот анализ, по сути, представляет собой PoseNet, использующий ключевые точки, полученные в результате оценки позы, особенно связанные с плечами. Мое приложение помещает эти ключевые точки (получаемые каждые 100 мс, когда пользователь стоит перед камерой) в массив, пока не будет 50 точек данных, а затем находит их среднее значение. Делая это, устанавливается базовая линия для положения пользователя в верхней части его повторения, и это позволяет использовать различные положения камеры — до тех пор, пока камера может видеть два плеча и часть вашего тела под ними.
  2. Как только базовая линия будет установлена, мое приложение предложит пользователю перейти к следующей позиции и удерживать ее в течение 3 секунд. Когда пользователь достигает этой позиции — которая измеряется, когда оценка позы PoseNet видит, что позиция пользователя находится на определенном пороге ниже того, с которого он начал — и удерживает в течение 3 секунд, ему будет предложено вернуться обратно, что будет принято PoseNet, распознающим их текущая позиция находится в небольшом диапазоне от их исходной базовой линии. Как только это распознавание выполнено, повторение подсчитывается, счетчик увеличивается, и пользователю предлагается повторить движение.

Этот проект был создан в соответствии с рекомендациями по стилю «хакатона» (очень короткий период времени для создания), но, используя PoseNet, я вижу огромный потенциал для улучшения этого приложения, делая его более личным опытом с такими внедрениями, как:

  • Персонализированные сообщения на основе достигнутых повторений
  • Индивидуальные планы тренировок, основанные на целях человека
  • Еще много тренировок

В конечном счете, это приложение (и более того его окончательное видение) напоминает мне о некоторых причинах, по которым я считаю такие приложения, как Peloton, столь успешными — соединение пользователей по всему миру друг с другом, создание персонализированной платформы, чтобы пользователь чувствовал себя комфортно. подключение к нему и т. д. Как я уже упоминал вначале, гонка продолжается, чтобы получить сокращающийся рынок потребителей, заинтересованных в домашних фитнес-приложениях. Внедрение более сложных и персонализированных элементов, таких как приложения для оценки позы от PoseNet, было бы еще одним способом выделить одно из этих приложений из толпы.