Análise e Orientação de Postura nos Exercícios de Calistenia Usando Estimativa de Pose Humana
Resumo
A prática de exercícios físicos da calistenia em casa ou ao ar livre vem sendo muito comum atualmente, motivada principalmente pela pandemia que ocorreu entre os anos de 2020-2022 e, por ser um esporte acessível. Porém, muitas lesões ocorrem pela falta de um profissional, que geralmente é encontrado somente em academias privadas. Com isso, é de grande importância utilizar tecnologias de inteligência artificial que tenham capacidade de auxiliar a postura durante os treinos, assim evitando possíveis lesões e garantindo a execução correta dos exercícios. Há hoje diversas tecnologias que trabalham com estimativa de pose humana para reconhecimento de indivíduos. O OpenPose e o MediaPipe são bibliotecas que dispõem de algoritmos de estimativa de pose humana que podem usar a GPU para a aceleração de respostas de reconhecimento da pose humana. Logo, o objetivo deste trabalho foi revisar trabalhos de pesquisa que utilizaram bibliotecas de reconhecimento de pose humana no contexto de atividades físicas.
Referências
C. M. Bishop, Pattern recognition and machine learning. Springer Verlag, 2006.
J. C. d. Silva, “Reconhecimento de indivíduos em vídeo utilizando estimativa de pose humana,” 2020.
J. A. S. Pardillo, T. J. Bolabola, C. L. C. Sta. Romana, and J. M. D. Cando, “Computer-aided assessment system for calisthenics exercises,” in Proceedings of the 6th International Conference on Digital Technology in Education, 2022, pp. 145–152.
P. C. M. Santos, “Métodos de captação de imagens e movimento em jogos e seus usos na área da saúde utilizando a aplicação virtualter,” B.S. thesis, Universidade Federal do Rio Grande do Norte, 2023.
S. Chen and R. R. Yang, “Pose trainer: correcting exercise posture using pose estimation,” arXiv preprint arXiv:2006.11718, 2020.
M. Paruch. (acessado em 15 set. 2023) Planche – how to do a planche push ups. [link].
R. A. N. Z. Freitas. (acessado em 15 set. 2023) Disponível em: [link].
K. FACELI, A. C. LORENA, J. GAMA, and A. C. P. d. L. F. d. CARVALHO, Inteligência artificial: uma abordagem de aprendizado de máquina. LTC, 2010, no. ISBN:9788521618805.
M. I. Jordan and T. M. Mitchell, “Machine learning: Trends, perspectives, and prospects,” Science (New York, N.Y.), vol. 349, no. 6245, pp. 255–260, 2015.
C. C. Aggarwal, Neural Networks and Deep Learning. Springer, 2018, no. isbn:978-3-319-94463-0.
C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” Electronic Markets, vol. 31, no. 3, p. 685–695, 2021.
Y. Zhang and C. Ling, “A strategy to apply machine learning to small datasets in materials science,” npj computational materials, vol. 4, no. 1, p. 1–8, 2018.
V. Gupta. Deep learning based human pose estimation using opencv. [link].
Z. Cao, T. Simon, S.-E. Wei, and Y. Sheikh, “Realtime multi-person 2d pose estimation using part affinity fields,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 7291–7299.
Opencv: Introdução. [Online]. Available: [link]
G. Developers. (Data de Acesso) Guia das soluções mediapipe. [Online]. Available: [link]
