![正規化
以鼻子為原點，將所有座標關係轉換為與鼻子的距離，除去人物
在畫面位置的影響
正規化：鼻子為原點
base_x, base_y, base_z = temp_landmark_list[0]
for point in temp_landmark_list:
point[0] -= base_x
point[1] -= base_y
point[2] -= base_z](https://image.slidesharecdn.com/ai-241014064902-660e5a93/85/AI-AI-17-320.jpg)
![正規化
利用肩膀長度作為基準，進行所有資料正規化處理，減少人物因
為距離遠近產生的影響
正規化：
肩膀長度作為標準差
shoulder_length_x = abs(temp_landmark_list[11][0] -
temp_landmark_list[12][0])
if shoulder_length_x == 0:
shoulder_length_x = 1 # 防止除以 0
for i in range(len(temp_landmark_list)):
for j in range(3):
temp_landmark_list[i][j] /= shoulder_length_x
temp_landmark_list =
list(itertools.chain.from_iterable(temp_landmark_list))](https://image.slidesharecdn.com/ai-241014064902-660e5a93/85/AI-AI-18-320.jpg)
艾鍗學院學員AI專題 - AI 熱量管理師
- 1. 杜 O 慧、駱 O 慧、楊 O 民 ᴀɪ 熱量 管理師
- 3. 專題動機 人口過重及肥胖率已達 58.4 ％，且呈逐年上升趨勢 國人外食比例接近 7 成， 享美食造成攝取過剩熱量 如何兼顧美食與健康，管理 熱量是大家關注課題
- 4. 專題目標 每日攝入卡路里 總熱量消耗 < 0 ： 熱量赤字，體重減少 > 0 ： 熱量盈餘，體重增加 消耗量 吃的量 熱量 缺口 活動量 運動量 基礎代謝率
- 5. 熱量計算
- 6. 熱量說明 每日攝入卡路里 總熱量消耗 TDEE 主餐 BMR 活動係數 運動熱 量消耗 飲品
- 9. 總熱量消耗計算說明 BMR( 男 ) = (13.7× 體重 ( 公斤 )) + (5.0 × 身高 ( 公分 )) - (6.8 × 年齡 ) + 66 BMR( 女 ) = (9.6× 體重 ( 公斤 )) + (1.8 × 身高 ( 公分 )) - (4.7 × 年齡 ) + 655 日常活動量 無活動 輕度 活動量 中度 活動量 高度 活動量 非常高度 活動量 BMR 1.2 1.375 1.55 1.72 1.9 倍 倍 倍 倍 倍 註 : BMR( 基礎代謝率 ) 是一天 24 小時躺臥狀態下所需的熱量。 ❖ 𝓑𝓜𝓡 ( 依性別、年齡、身高、體重計算） ❖ 𝓑𝓜𝓡 活動係數
- 10. 總熱量消耗計算說明 EEE 運動熱量消耗 ( 千卡 ) ＝ 體重 ( 公斤 ) x MET_Like/ 次 x 運動次 數 0.4 大卡 / 次 1.0 大 卡 / 次 註 : MET( 代謝當量 ) 為在安靜坐著的狀態下，每公斤體重每小時消耗 1 大卡的熱 量。 0.16 大 卡 / 次 ❖ 運動熱量消耗 ( 依運動類型、次數、體重計算）
- 11. 運動熱量消耗 如何估算 ?
- 12. 伏地挺身 (0.4 大 卡 / 次 ) 次數 = 7 Cal = 2.8 大卡 仰臥起坐 (0.16 大卡 / 次 ) 次數 = 10 Cal = 1.6 大卡 引體向上 (1.0 大卡 / 次 ) 次數 = 5 Cal = 5 大卡 時間軸 Cal = 9.4 大 運動熱量消耗估算
- 14. AI 運動識別模型
- 15. AI 運動類型識別 Ｍ odel 𝓂𝑒𝒹𝒾𝒶𝓅𝒾𝓅𝑒 𝓅𝑜𝓈𝑒 𝓛𝓢𝓣𝓜 𝓜𝓸𝓭𝓮𝓵 伏地挺身 ... 運動類型 45 幀 input (1,45,99) output (1,6)
- 16. 姿態座標資料收集 骨架是使用” Mediapipe Pose landmarker model” 追蹤人體 33 個身體座標點，於影片抓取每一幀 (frame) 的座標資料 (x,y,z) ，座 標資料總共有 99 個 (3x33) (X24, Y24,Z24) frame 1 x0 y0 z0 … x32 y32 z32 x0 y0 z0 … x32 y32 z32 frame 30
- 17. 正規化 以鼻子為原點，將所有座標關係轉換為與鼻子的距離，除去人物 在畫面位置的影響 正規化：鼻子為原點 base_x, base_y, base_z = temp_landmark_list[0] for point in temp_landmark_list: point[0] -= base_x point[1] -= base_y point[2] -= base_z
- 18. 正規化 利用肩膀長度作為基準，進行所有資料正規化處理，減少人物因 為距離遠近產生的影響 正規化： 肩膀長度作為標準差 shoulder_length_x = abs(temp_landmark_list[11][0] - temp_landmark_list[12][0]) if shoulder_length_x == 0: shoulder_length_x = 1 # 防止除以 0 for i in range(len(temp_landmark_list)): for j in range(3): temp_landmark_list[i][j] /= shoulder_length_x temp_landmark_list = list(itertools.chain.from_iterable(temp_landmark_list))
- 19. 影片資料處理 收集各類運動影片共 310 個影片，擷取每部影片前、後 40% 資 料，存入 CSV 檔。 20% 40% 60% 15 frames 15 frames 15 frames X(45,99) 100% 0%
- 20. 資料集 20% 40% 60% • • • ⮞ • • • ⮞ 1 2 … 13 14 15 • • • ⮞ 20% 40% 60% • • • ⮞ • • • ⮞ • • • ⮞ 1 2 … 13 14 15 每部影片資料筆數，在 20% 、 20% -40% 、 60% -100% ，分別 取 15 幀，每一幀有 99 個欄位資料 (X0, Y0, Z0, … , X32,Y32, Z32) frame 1 frame n • • • ⮞ ....... • • • ⮞
- 21. LSTM 模型 LSTM （ Long Short-Term Memory ）模型是一種特殊的 RNN （ Recurrent Neural Network ，循環神經網絡），專門 設計用來解決長期依賴問題，被廣泛 應用於需要處理序列數據的任務 中，例如時間序列預測， LSTM 選 擇性地保留或忘記信息，避免了傳 統 RNN 在處理長期依賴問題時容 易出現的梯度消失或梯度爆炸問 題。 問題： 1.user 運動姿勢影響判斷 2.類型相似的運動易有誤判
- 24. 觀察角度變化 引體向上 Pullup 45 < 手肘角度 < 90 ( 肩膀、肘部、手腕 ) 仰臥起坐 Abworkout 50 < 腰部角度 < 140 ( 肩膀、髖部、膝蓋 ) 50 < 膝關節 角度 < 140 ( 髖部、膝蓋、腳踝 ) 伏地挺身 Pushup 深蹲 Squat 手肘角度 > 90 ( 肩膀、肘部、手腕 )
- 25. 提取主要關節 觀察後 ●核心動作幅度大，運動量相對大 ●上半身取左肩 L_Shoulder 運動角 度 ●下半身取左臀 L_Hip 運動角度 ●運動動作基本上是對稱 33( 全身 )-11( 頭部 )=22( 身體 ) /2 = 11 半邊 點
- 26. 上半身主要關節 左肩 L_Shoulder 運動角 度 ● Elbow 、 Shoulder 、 Hip ●3 個節點計算出角度 θ ●推算出 Shoulder 夾角角度 θ
- 27. 計數上半身 +1 計數條件 ● 定義滿足 up 、 down 狀態條件 為計數加 +1 ● 引體向上 pullup ● up 狀態 : Shoulder 夾角 > 45 度 ● down 狀態 : Shoulder 夾角 < 35 度
- 28. 下半身主要關節 左臀 L_Hip 運動角度 ● Shoulder 、 Hip 、 Knee ● 3 個節點計算出角度 θ ● 推算出 Hip 夾角角度 θ
- 29. 計數下半身 +1 計數條件 ● 定義滿足 up 、 down 狀態條件為 計數加 +1 ● 仰臥起坐 Situp ● up 狀態 : Hip 夾角 > 60 度 ● down 狀態 : Hip 夾角 < 45 度
- 30. 計數上或下半身 ? ● 比較 shoulder 與 hip ● 角度條件完成次數 ● 取累積次數較多 ● 伏地挺身 Pushup hip 角度變化很 小，取 shoulder 角度計算次數 ● 仰臥起坐 Situp shoulder 角度變 化很小，取 hip 角度計算次數 ● Done!
- 31. 運動類型判斷 ● 載入已訓練的模 lstm_model.h5 ● opencv 每格判斷 predict squat,squat,squat,abworkout,abworkout, abworkout,abworkout… ● 實際偵測雜訊太多且不停變化 ● 調整為 30 格累績次數 squat = 3 深蹲 Squat abworkout= 27 仰臥起坐 Situp* pullup = 0 引體向上 Pullup ● 取累績次數較多之類別 : abworkout 仰臥起坐 ● 結果較穩定 !!
- 32. UI 介紹
- 33. UI 功能使用說明 技術 Tkinter 輸入 呈現 基本資料 影片上傳 AI 識別模型資料 熱量數值 影片內容 運動食物建議 歷史資料圖表
- 34. UI Layout 總消耗熱量 TDEE 熱量計算式 基本 ＋ 運動 - 攝入 ＝ 剩餘 影片上傳區 運動細項 影片顯示區 用餐選擇區 建議
- 37. 未來發展 運動姿勢矯正 疾病預防 1. 結合運動專業．分析影片動 作正確性，避免運動傷害 2. 依據 user 基本資料，建議 適 合的運動項目 1. 資料儲存為 user 的健康日 記， 結合營養 / 醫療專業，提早警 示健康問題，預防疾病 2. 依據 user 基本資料及記錄 ，提供餐飲建議
- 38. 感 謝 聆 聽 ～