Liikkeenseuranta – teknologia kehon ymmärtämiseen ja parempaan tekniikkaan

Liikkeen tehostamisessa ja loukkaantumisriskin vähentämisessä on keskeistä kiinnittää huomioita kehon asentoihin liikkeen aikana. Perinteisesti liikkujan suoritusta tutkitaan valokuvista tai videoista, mutta ihmissilmä ei kuitenkaan aina havaitse kaikkia yksityiskohtia. Kuvamateriaalista voidaan kuitenkin saada enemmän irti hyödyntämällä fotoniikkaan perustuvia teknologioita.

Testlab Mehtimäellä sovellamme avoimeen lähdekoodiin perustuvaa MMpose-työkalua, jolla voidaan tunnistaa videolta tai valokuvasta kehon avainpisteet ja rakentaa niiden pohjalta “tikku-ukkomalli” liikkujan päälle. Tämän mallin avulla voidaan arvioida muun muassa polvien ja kyynärpäiden kulmia, joita voidaan esittää ja analysoida myös numeerisesti. Näin saatu tieto voi olla ratkaiseva teknisen suorituksen hiomisessa.

Yksi konkreettinen esimerkki MMpose-liikkeenseurannan hyödyntämisestä on pilotointi, jonka toteutimme Pohjois-Karjalassa toimivan matalan kynnyksen golfpalveluja tarjoavan Karelia Golfin kanssa. Pilotin tavoitteena oli selvittää, miten liikkeenseurantateknologiaa voidaan käyttää golfpelaajien tekniikkaharjoittelun tukena. Samassa yhteydessä testasimme myös katseenseurantalaseja, joista olemme kertoneet tarkemmin aiemmassa blogissamme.

Liikkeeseuranta onnistuu sään salliessa helposti myös ulkolajeissa. Kuva Pilkonpuiston golfkentältä.

Liikkeenseurantaa varten kuvasimme golfaajien suorituksia erityisesti pitkien lyöntien aikana. Riippuen kameran sijoittelusta saimme kaksiulotteista kuvaa pelaajien liikkeistä sekä sivu- että takaprofiilista. Tämän jälkeen analysoimme videoaineiston tietokoneelle asennetun MMpose-työkalun avulla. Tuloksena saimme videoita, jotka havainnollistavat esimerkiksi olkapään liikeratoja ja lantion kulmia – keskeisiä tekijöitä, jotka vaikuttavat sekä svingin tehokkuuteen että turvallisuuteen. Golfaajat toivoivat, että MMpose mahdollistaisi jatkossa myös mailan ja käden välisten kulmien sekä liikeratojen seurannan.

Liikkeenseurannassa yksi tai useampi kamera sijoitetaan lajin liikkeiden mukaan.

Pilotoinnissa hyödynsimme myös MMposen 3D-mallinnusominaisuutta, joka havainnollisti golfille tyypillistä kehon kiertoa ja liikettä entistä tarkemmin. Vaikka teknologia ei vielä saavuta samaa tarkkuutta kuin huippu-urheilussa ja tutkimusympäristöissä käytettävät monikamerapohjaiset 3D-järjestelmät, sen vahvuus on yksinkertaisuudessa: mallinnus onnistuu vain yhdellä kameralla ja ilman kehoon kiinnitettäviä markkereita. Tämä tekee siitä helppokäyttöisen ja kustannustehokkaan työkalun ilman tarvetta kalliille ja monimutkaisille laitteistoille.

MMposen liikkeneseurannan 2D- ja 3D-mallit.

Golfaajat pääsivät tutustumaan liikkeenseurantaan myös reaaliajassa suoraan tietokoneen näytöltä. Tätä reaaliaikaista näkymää kutsumme Liveposeksi. Livepose tarjoaa valmennukseen tehokkaan työkalun, jonka avulla suoritustekniikan yksityiskohdat voidaan havaita jo harjoituksen aikana. Tämä mahdollistaa välittömän palautteen ja tarvittavien korjausten tekemisen heti – juuri silloin, kun oppiminen on tehokkaimmillaan.

Liveposen laitteistoksi riittävät kamera ja tietokone.

Liikkeenseurantateknologia ei rajoitu vain tiettyihin lajeihin tai huippu-urheilijoihin – siitä voivat hyötyä kaikki, jotka haluavat kehittää liikkumistaan fiksusti ja turvallisesti. Golfin lisäksi olemme testanneet MMpose-pohjaista liikeseurantaa myös muissa lajeissa. Näihin voit tutustua alla olevasta videosta!

MMpose-liikeseurannan mahdollisuudet eri lajien harjoittelussa ja valmennuksessa.

Missä sinä näkisit liikkeenseurannan tuovan eniten hyötyä? Voisiko se tukea valmennustasi, auttaa asiakkaitasi liikkumaan turvallisemmin – tai kenties toimia lähtökohtana uudenlaisen liikunta- ja hyvinvointiteknologian kehittämiselle? Inspiraatiota löydät blogin lopusta, jossa on koottuna tutkimusjulkaisuja liikkeenseurannan mahdollisuuksista eri ympäristöissä.

Ota rohkeasti yhteyttä – jutellaan lisää ja suunnitellaan yhdessä pilotti, joka vastaa juuri sinun tarpeitasi:

niko.kyllonen@uef.fi / +35503053269 / www.testlabmehtimaki.com

LISÄLUKEMISTA LIIKESEURANNASTA JA MMPOSESTA:

🔬 MMPose: A Comprehensive Toolbox for Human Pose Estimation

Tämä julkaisu esittelee MMposen arkkitehtuurin, mallivalikoiman ja sovelluskohteet. Työkalu tukee sekä 2D- että 3D-kehon asennon tunnistusta ja tarjoaa valmiita ratkaisuja monenlaisiin liikkeenseurannan tarpeisiin.

🔗 Lue julkaisu: https://arxiv.org/pdf/1911.09592

🔬 AI Fitness Trainer Using 3D Human Pose Estimation and Dynamic Time Warping

Tutkimuksessa kehitettiin tekoälypohjainen valmennussovellus, joka hyödyntää 3D-liikkeenseurantaa liikuntasuorituksen arvioinnissa ja ohjauksessa. Teknologia mahdollistaa yksilöllisen palautteen antamisen ja liikkeiden vertailun asiantuntijasuorituksiin. Tulokset osoittavat, että teknologia soveltuu hyvin reaaliaikaiseen liikkeenseurantaan ja palautteen antamiseen esimerkiksi kuntoharjoittelussa.

🔗 Lue julkaisu (maksullinen): https://link.springer.com/chapter/10.1007/978-3-031-74127-2_5

🔬 Machine Learning-Based Pose Estimation Models in Human Movement Sciences: A Narrative Review

Katsausartikkeli tarkastelee koneoppimiseen perustuvien kehon asennon tunnistusmallien käyttöä liikkeen analysoinnissa. Mallit, kuten OpenPose ja MoveNet, mahdollistavat kustannustehokkaan liikkeenseurannan ilman kiinnitettäviä markkereita esimerkiksi urheilussa, kuntoutuksessa ja ergonomiassa. Ne tarjoavat reaaliaikaista palautetta ja tarkkaa biomekaanista dataa, mutta haasteina ovat mm. tarkkuus ja soveltaminen käytännön tilanteissa.

🔗 Lue julkaisu: https://pubmed.ncbi.nlm.nih.gov/38184112/

🔎 Lisää tutkimuksia aiheesta? Lisää tieteellisiä julkaisuja löydät esimerkiksi seuraavista lähteistä:

• Google Scholar

• ResearchGate

• ScienceDirect

• Yliopistojen kirjastot ja tietokannat (esim. EBSCO, ProQuest)