Chương 1. 2-56 SE+EE‡ 2E EE1211211211211211211211211 21. Lý do chọn đề tài.----- 25c tt EEEE1211211211211211211 21121121211 cree 2 1. _ Đối tượng nghiên cứu và phạm vi nghiên Cứu:.------22ssz+s+=+z 5 Chương 2.
Tinh trạng tập yoga hiỆn nayy. Phát biểu bài toán.--+ccttHHnnH ng ng 8 2. Cac nghiên cứu lIÊn Quan. Các phương pháp trích xuất keypOint.
Cac phương pháp phân loại VIdeO. Các thách thure occ cecccscccescesceseeseeseescesesseeseeceeececeeseceeeececseeneceeeeeeaeeaees 13 2. _ Các van đề cần giải Quy 6t.iececcecccccceseccessessessessessessessessessessessessesscsecseseeaes 14 Chương 3. NGHIÊN CỨU THỰC NGHIỆM.
Bộ dữ liệu 3DYoga9(. Gv HT HH ky 16 3. - + SE+Sk‡EE‡EEEEEEEEEEEEEE2E1211121211211 21111 xe, 16 3.- SG hàng nhàn nưệt 18 3.- SG St SS SH ng re 19 3. Xử lý và phân tích dữ liỆU.
Xử lý dữ liệu. Phan tích dữ liệu. Tur thé ChUam na. Phương pháp lấy mẫu thời gian thưa.
Trích xuất keypOin(. HH HH HH TH TH HH HH HH ng 31 3.ĂQ HH HH HH TH TH HH Hư 31 3. API POSeÌNG(. HH HH HH HH ng ng nh Hy 33 3.
Cac thang đo đánh giá. 1v vn vn ng kg 34 3. HH HH TH TH Tnhh nhiệt 34 3. HH HH HH TH Tnhh nhiệt 35 3.
Các mô hình phân loại VIC€O. Sử dụng VId€O.c- Ăn HH HH ng, 36 3. -- ng ng ng 37 3. Tranfer learning MOVIÌNGI.
Sử dụng keypoint đã trích xuất.------ + e+cx++cx++rxezrxesree 39 3. Sử dụng vector và góc được tính toán từ keypOIt. Các thang đo đánh gIá. Error! Bookmark not defined.
Error! Bookmark not defined. Error! Bookmark not defined. Chương trình đánh giá tư thế người tập: .- SH ng kg vn 42 3. LH TH HH ng42 3.
Kiến trúc chương trình.---- 2 + x+E++EE+EE£EEEEEEEerkrrrrerreres 44 3. Công nghệ sử dụng .-- 5 1 kg HH44 Chương 4. THUC NGHIEM VÀ KET QUẢ. _ Thiết kế thí nghiệm.--- ¿2 + E+SE‡EE+EESEEEEEEEE2EE2E12E1211212212 1e.
Kết quả về trích xuất keYpOiI(. Kết quả sử dụng videO. Kết quả sử dụng keYpOint.--- ¿5s s+ce+Et+E2E2EeErrrrrrrrrres 54 4. Kết qua sử dung g6c Và VeCtOL.eecescescessescesesessesessessesseseseseseseseeas 55 es <r 55 Chương 5.
TONG KET viccecssceccsecccccssessessessessesuesscssessessssutssssssssesssssesssssssssssssseseesees 58 51. Nhược điỂm:. Hướng phát triỀn.----2¿-++2++22++EEtEE+SEEEEEEEErrxerkrrkrrrrervee 60 TÀI LIEU THAM KHẢO. 2-2: St StStSE*E9E9E3E1EEEE2E5EEEEEEEEEEEEEEEEEEEEEEErErkrkrrrrrrsre 62 DANH MỤC HÌNH Hình 1.1: Sơ đô cây biểu diễn sự phân cấp nhãn .-- 2-2 2©2+ce+ce+e+eezxe+xeei 5 Hình 2.1: Chương trinh VORA ẢO.
163v tk vn ng vn rrt 8 Hình 2.2: Quy trình thực hiện Đài fOÁH.1: Biểu diễn index vị trí bộ XUONIG PP.2: Xử lý video từ Ih2p5s thành 4s dựa vào frame_start và frame_end.3: Video đổi góc quay bên phải sang góc gan chính diện .4: Video đổi góc quay và quay gan lại từ bên trái sang chính diện .5: Phân bố nhãn của bộ dữ liệu.6: Thời lượng trung bình của video theo từng nhấn.7: Ví dụ phân bồ thời lượng video của 4 nhãm.--2- s55 2+s+cs+£s+eecse‡ 26 Hình 3.8: Phân bổ thời lượng video trên cùng một nhãn của 90 nhãn .9: Biểu diễn Keypoint lên hình ẢHÌ.10: Mẫu cái video được lựa chọn làm tu thế chuẩn .11: Cơ chế hoạt động Undersainpling.---- 2-2 2 s+cs+s+se+£z£e>zs+sez 30 Hình 3.12: Kiến trúc mô hình Movenet nguồn: Google .13: Cơ chế hoạt động của POS€ÌN@F. Sàn khi kiikrierrre 33 Hình 3.14: Kiến trúc 3D-CNN dựa vào Resnet nguồn: [I5] -.15: Kiến trúc mô hình Movinet nguon: [ lÓ ].--- 2-2-2 s+c2+ce+£+£sz+s 38 Hình 3.16: Kiến trúc mô hình Yonet nguồn: mm].17: Hình ảnh biểu diễn ma trận nam lẫn.---+©:s+s+EsEEE+t+E+E+Esrsrers 40 Hình 3.18: Giao điện của chương fHÌHH.- --cc tk ey 43 Hình 3.19: Giao diện chương trình phản hôi độ chính xác của các góc.1: Dữ liệu được chia tỉ lệ 85-15 cho trQin:t St .c 55555 << s++Ss+ssxs2 45 Hình 4.2: Phân bố dữ liệu ở tập tFdÏH.--- +2 2S SE‡E+E‡EEEEEEEEEE+EeEEeErkerkerreerkee 46 Hình 4.3: Phân bó dữ liệu ở tập f€SíL. --2- + SE Ek‡EEEEEEEEEEEEEEEEErrrrrrrree 46 Hình 4.4: Phân bố thời gian trung bình ở tẬP fTQIH.c- sSSSĂkssvssekessees 47 Hình 4.5: Phân bồ thời gian 6 tGp t€SÍ.-- 2-5 SE EEEEEEEEEEEEEEEEEEEErrree 41 Hình 4.6: Các bước thiết kế thí nghiệm cho tác vụ trích xuất keypoii.7: Các bước tiễn hành thí nghiệm phân loại dựa trên keypoinI.8: Các bước thiết kế thí nghiệm với vector và keyÐOiHI.9: Các bước thiết kế thí nghiệm với hình ảnh video .10: Hình ảnh trích xuất keypoint từ model Yolov8.11: Hình ảnh trích xuất keypoint từ model POseHét.--- +2 2 s+ce+ss51 Hình 4.12: Hình ảnh trích xuất keypoint từ POS€HeF .--¿- 2 2©ce+ce+c+cczecrecres 51 Hinh 4.13: Két quả thực nghiệm với những ngưỡng dit liệu khác nhaqu.14: Ma trận nhằm lẫn của 7 nhãn cao nit cecccccccccssssescsseevevsseevesssvessseveseseene 54 DANH MUC BANG Bang 3.1: Thống kê sự phân cấp /1/177/PSEEEEE.2: 4 dòng đâu của bảng pose_ index cerceccecsessvessessssssessesssessesssessessesssessesssesses 19 Bang 4.1: Kết quả trích xuất Keypoint .---2- 2 52St+S£‡EE+EE+EE+EE+EEEEEErErrrrerreee 50 Bang 4.2: Kết quả chạy phân loại bằng video hình ảnh.3: Kết quả thực nghiệm Movinet những ngưỡng dữ liệu khác nhau.4: Kết quả sử dụng KEYPOINE .5: Két quả sử dụng SÓC VA VÊCÍOTF. 5G s1 ng 55 DANH MỤC TỪ VIẾT TẮT Ký tự chữ ¬ STT | Chir viet day du viet tat Ty lệ chính xác của các bộ phận co thé 1 PCP : (Percentage of Correct Parts) PCK Tỷ lệ phần trăm các điểm keypoint được dự đoán đúng 2.
(Percentage of Correct Keypoints) 3 MSE Sai số bình phương trung bình (Mean Squared Error) Phương pháp lay mẫu thời gian thưa Ạ STS : (Sparse Temporal Sampling) 3D-CNN 5 3D Convolutional Neural Network Residual Network , Resnet 6 MoviNet Mobile Video Networks 7 RGB Red, Green, Blue 8 YOLOv8 M6 hinh You Only Look Once 9 SVM May vector hỗ tro (Support Vector Machine) 10 CatBoost Tang cường phân loại (Categorical Boosting) May tăng cường độ dốc nhẹ 1 LightGBM : (Light Gradient Boosting Machine) Tang cường độ dốc cực đại 12 XGBoost : (Extreme Gradient Boosting) TOM TAT KHÓA LUẬN Nghiên cứu này giới thiệu chương trình nhận diện tư thế yoga tự động sử dụng học sâu, hỗ trợ người tập luyện tại nhà hiệu quả. Chương trình hoạt động bằng cách trích xuất điểm khớp (keypoint) từ video bang mô hình PoseNet, sau đó tính toán các góc cơ thể và so sánh với góc chuẩn trong tư thế yoga. Nhờ vậy, người tập có thé điều chỉnh tư thé yoga của mình một cách chính xác, giảm nguy co chan thương và nâng cao hiệu quả tập luyện. Bên cạnh đó nghiên cứu còn so sánh các phương pháp phân loại khác nhau được đánh giá trên bộ dữ liệu 3Dyoga90.
Mô hình Movinet thé hiện hiệu suất tốt nhất trong phân loại video yoga có kết quả cao hơn so với các phương pháp khác như LightGBM trên keypoint va CatBoost trên vector và góc. Ngoài ra, chương trình còn giúp người tập tiết kiệm thời gian và chi phí, đồng thời mang lại sự tiện lợi, linh hoạt cho phép họ tập luyện mọi lúc, mọi nơi. Nhìn chung, chương trình nhận diện tư thế yoga tự động là một giải pháp tiềm năng cho việc tập luyện yoga tại nhà, góp phần nâng cao chất lượng cuộc sống và sức khỏe của người dùng. Lý do chọn đề tài Yoga là một phương pháp luyện tập cô xưa bắt nguồn từ Ấn Độ, bao gồm các tư thế thể chất, sự tập trung và hít thở sâu.
Yoga không chỉ giúp kết nối tâm trí, cơ thể và tỉnh thần mà còn mang lại nhiều lợi ích cho sức khỏe và hạnh phúc. Dù có thể được coi là một hình thức thể thao, yoga cũng là một triết lý sống và một nghệ thuật. Với nhiều nhánh và loại hình khác nhau, yoga phù hợp với nhiều mục đích và trình độ của người tập. Việc duy trì tập yoga đều đặn mang lại nhiều lợi ích cho sức khỏe, bao gồm cải thiện giấc ngủ, tăng cường sự dẻo dai mà không gây áp lực lên khớp xương, và thư giãn tâm tri[1].
Với lịch sử tồn tại hơn 5.000 năm, yoga đã phát triển thành hơn 100 hình thức tập luyện khác nhau[2]. Không chỉ giúp đốt cháy calo và làm săn chắc cơ thể, yoga còn là sự kết hợp hài hòa giữa tâm trí, các tư thế và việc hít thở sâu kết hợp thiền định. Yoga tác động lên nhiều nhóm cơ khác nhau như cơ bắp, cánh tay, chân, mông và lung, với các động tác cụ thé tùy thuộc vào thé trạng và tình trạng của người tập. Hiện nay, với sự phát triển mạnh mẽ của các nền tảng mạng xã hội chia sẻ video, việc tìm kiếm các video hướng dẫn tập yoga tại nhà hoặc các lớp học yoga online trở nên dễ dàng[3].
Tuy nhiên, khi tập yoga theo các video tại nhà mà không có sự giám sát và phản hồi trực tiếp từ giáo viên, người tập cần lưu ý để đảm bảo hiệu quả của bài tập và tránh chan thương. Mặc dù tỷ lệ chan thương trong yoga tương đối thấp và ít có số liệu công bố, một bài báo trên tạp chí JISAKOS chỉ ra rằng gần hai phần ba chấn thương cơ xương khớp trong yoga ảnh hưởng đến chỉ dưới. Điều này cho thấy việc không thực hiện đúng kỹ thuật hoặc không điều chỉnh bài tập phù hợp với cơ thé có thé dẫn đến chấn thương, đặc biệt ở hông, đùi, đầu gối, mắt cá chân, bàn chân và ngón chân. Dé giải quyết van đề này, chúng tôi đã phát triển chương trình nhận diện tư thé cho chương trình giáo viên ảo bằng cách lựa chọn phương pháp tối ưu nhất hiện nay dựa trên bộ dit liệu 3Dyoga90.
Các phương pháp nhận diện tư thế yoga bao gồm: - - Nhận diện hành động: Sử dụng các mô hình học sâu để phân loại các hành động của người dùng dựa trên dữ liệu video. Mô hình được huấn luyện dé hiểu cách các hành động khác nhau được thực hiện và sau đó sử dụng kiến thức nay dé phân loại các hành động trong video mới. - Sử dụng keypoint để dự đoán tư thế yoga: Sử dụng các điểm chính (keypoints) của cơ thể, như các khớp xương, để dự đoán tư thế yoga. Các điểm này tạo ra một "bản đồ" của cơ thể, cho phép mô hình dé dàng nhận biết các tư thế yoga khác nhau.
- Su dụng keypoint dé tính toán các góc và vector của tư thé: Các điểm chính (keypoints) của cơ thé được sử dụng dé tính toán các góc và vector tương ứng với các tư thế yoga. Mỗi tư thế yoga có thé được biểu diễn dưới dang một tập hợp các góc và vector cơ thể. Khi người tập thực hiện một tư thế, các góc và vector này được tính toán từ các keypoints của cơ thể và so sánh với các góc và vector tương ứng của tư thế yoga. Nếu sự khớp kháng đủ cao, tư thế đó được xác định là tư thế yoga dang được thực hiện.
Ngoài việc so sánh các phương pháp phân loại tư thế yoga, chúng tôi còn áp dụng trích xuất keypoint, tính toán góc và vector dựa trên keypoint, xác định tư thế và so sánh với tư thế chuẩn đề đánh giá độ chính xác của người tập. Điều này giúp người tập giảm thiểu chân thương không mong muốn trong quá trình tự luyện tập yoga tại nhà.