Biomechanics-Guided Standard Action Modeling and Lightweight ST-GCN for Interpretable Phase-Based Action Quality Assessment

कल्पना कीजिए कि आप एक दोस्त को रोबोट को बास्केटबॉल खेलना सिखाते हुए देख रहे हैं। यदि आप रोबोट को सिर्फ इतना कहते हैं, "तुमने शॉट मिस कर दिया," तो वह कुछ नहीं सीखता। लेकिन यदि आप कहते हैं, "आपकी कोहनी बहुत नीचे थी, आपने अपने घुटनों को पर्याप्त रूप से नहीं मोड़ा, और आपने बहुत जल्दी हाथ छोड़ दिया," तो रोबोट वास्तव में अपना खेल सुधार सकता है। यह एक्शन क्वालिटी असेसमेंट (AQA) नामक एक क्षेत्र का मूल है। वर्षों से, कंप्यूटर यह पहचानने में माहिर रहे हैं कि क्या क्रिया हो रही है (जैसे "कूदना" या "दौड़ना"), लेकिन उन्हें यह समझाने में संघर्ष करना पड़ा कि वह कितनी अच्छी तरह की गई। पारंपरिक तरीकों के लिए अक्सर महंगे, भारी कैमरों और सेंसरों की आवश्यकता होती है जो किसी साइंस-फिक्शन फिल्म के सेट की तरह दिखते हैं, जिससे उन्हें एक सामान्य स्कूल जिम में उपयोग करना असंभव हो जाता है। बड़ा सवाल जो शोधकर्ता हल करने की कोशिश कर रहे हैं, वह यह है: क्या हम एक साधारण फोन या मानक कैमरे से प्राप्त वीडियो का उपयोग न केवल एक स्कोर देने के लिए, बल्कि यह समझाने के लिए भी कर सकते हैं कि गति कहाँ गलत हुई, और वह भी बिना किसी लैब के उपकरणों के?

यह शोध पत्र एक चतुर नई प्रणाली पेश करता है जिसे केवल एक वीडियो का उपयोग करके स्टैंडिंग लॉन्ग जंप (खड़े होकर लंबी कूद)—जो विस्फोटक शक्ति का एक क्लासिक परीक्षण है—को ग्रेड करने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने, जो कैपिटल नॉर्मल यूनिवर्सिटी की एक टीम के नेतृत्व में थे, एक डिजिटल "कोच" बनाया है जो कूद को उसके सूक्ष्म, यांत्रिक भागों में तोड़ देता है। केवल अंतिम कूद की दूरी को देखने के बजाय, उनकी प्रणाली एथलीट को एक बायोमैकेनिकल जासूस की तरह देखती है। उन्होंने विशेषज्ञ ज्ञान के आधार पर एक "मानक टेम्पलेट" बनाया, जो एक आदर्श कूद के एक आदर्श 'भूत' (perfect ghost) की तरह कार्य करता है। फिर, उन्होंने एक हल्के AI मॉडल (एक प्रकार का मस्तिष्क जिसे ST-GCN कहा जाता है) का उपयोग इस 'परफेक्ट घोस्ट' के साथ वास्तविक एथलीट के वीडियो की तुलना करने के लिए किया। परिणाम केवल एक संख्या नहीं है; यह एक विस्तृत रिपोर्ट कार्ड है जो कहता है, "आपका टेक-ऑफ एंगल बहुत कम था," या "लैंडिंग के समय आपने अपने घुटने पर्याप्त नहीं मोड़े।" टीम ने इसे 200 लोगों पर परखा और पाया कि उनका AI कूद को उस स्तर की सटीकता के साथ ग्रेड कर सकता है जो मानव विशेषज्ञों के बराबर है, लेकिन यह बहुत कम कंप्यूटिंग पावर के साथ करता है, जिससे यह स्कूलों में सामान्य कंप्यूटरों पर चलना संभव हो जाता है।

डिजिटल कोच और परफेक्ट घोस्ट

स्टैंडिंग लॉन्ग जंप को पांच अलग-अलग मूव्स वाले एक जटिल नृत्य के रूप में सोचें: तैयारी करना, नीचे झुकना, ऊपर की ओर विस्फोट करना, हवा में उड़ना और सुरक्षित रूप से उतरना। अतीत में, यदि कोई कोच इसे ग्रेड करना चाहता था, तो उसे वीडियो को फ्रेम-दर-फ्रेम देखना पड़ता, कोणों का अनुमान लगाना पड़ता और नोट्स लिखने पड़ते। यह धीमा है, और दो कोच आपस में असहमत हो सकते हैं।

इस शोध पत्र के लेखकों ने एक डिजिटल कोच बनाने का निर्णय लिया जो कभी थकता नहीं है और कभी खुद से असहमत नहीं होता। सबसे पहले, उन्हें कंप्यूटर को यह सिखाना था कि कैसे देखा जाए। उन्होंने 200 प्रतिभागियों (100 पुरुष और 100 महिला) के कूदने के वीडियो लिए और व्यक्ति के "कंकाल" (skeleton) को खोजने के लिए MMPose नामक टूल का उपयोग किया। यह वीडियो के हर फ्रेम में व्यक्ति के ऊपर एक स्टिक फिगर (डंडी वाले चित्र) बनाने जैसा है। फिर, उन्होंने उस स्टिक फिगर को 3D स्पेस में उठाने के लिए VideoPose3D नामक एक अन्य टूल का उपयोग किया, ताकि कंप्यूटर केवल एक सपाट तस्वीर ही नहीं, बल्कि गहराई (depth) को भी समझ सके।

लेकिन केवल कंकाल को देखना पर्याप्त नहीं है; कंप्यूटर को यह जानने की आवश्यकता है कि एक अच्छी कूद कैसी दिखती है। इसलिए, टीम ने एक स्टैंडर्ड एक्शन टेम्पलेट बनाया। इसे एक "परफेक्ट घोस्ट" कूद के रूप में कल्पना करें। इस भूत का कोई शरीर नहीं है, लेकिन इसके कुछ नियम हैं: "घुटने 80-100 डिग्री तक मुड़ने चाहिए," "टेक-ऑफ एंगल 19 और 40 डिग्री के बीच होना चाहिए," और "लैंडिंग नरम होनी चाहिए।" यह भूत वैज्ञानिक अध्ययनों और वास्तविक खेल विशेषज्ञों के ज्ञान को मिलाकर बनाया गया था।

हल्का मस्तिष्क (The Lightweight Brain)

अब आता है मुख्य आकर्षण: लाइटवेट ST-GCN। AI की दुनिया में, "GCN" का अर्थ है ग्राफ कन्वोल्यूशनल नेटवर्क, जो एक फैंसी तरीका है यह कहने का कि कंप्यूटर का एक ऐसा मस्तिष्क जो शरीर के अंगों के जुड़ाव को समझता है (जैसे कि जब कूल्हा हिलता है तो घुटना कैसे हिलता है)। आमतौर पर, ये मस्तिष्क बहुत बड़े, भारी और धीमे होते हैं, जिन्हें चलाने के लिए शक्तिशाली सुपरकंप्यूटरों की आवश्यकता होती है।

शोधकर्ता कुछ ऐसा चाहते थे जो एक सामान्य कंप्यूटर, शायद स्कूल के जिम में एक लैपटॉप पर भी चल सके। इसलिए, उन्होंने एक लाइटवेट संस्करण बनाया। इसे एक विशाल, जटिल पुस्तकालय को एक एकल, पूरी तरह से व्यवस्थित नोटबुक में सिकोड़ने के रूप में सोचें। उन्होंने अनावश्यक हिस्सों को काट दिया, जटिल अटेंशन मैकेनिज्म (जो कई चीजों को एक साथ देखने की कोशिश करने वाले मस्तिष्क की तरह हैं) को हटा दिया, और संरचना को सरल बना दिया।

परिणामस्वरूप एक मॉडल है जो अविश्वसनीय रूप से छोटा है। इसमें केवल 0.48 मिलियन पैरामीटर्स ("मस्तिष्क" की मेमोरी) हैं और इसे चलाने के लिए 2.7 GFLOPs की कंप्यूटिंग शक्ति की आवश्यकता होती है। इसे समझने के लिए, इस मस्तिष्क के एक मानक, भारी-भरकम संस्करण को 3.10 मिलियन पैरामीटर्स और 16.4 GFLOPs की आवश्यकता होगी। नया मॉडल लगभग 84.5% छोटा है और बहुत तेज़ है। यह एक उच्च-स्तरीय कंप्यूटर पर केवल 18.2 मिलीसेकंड में, या एक मानक CPU पर 64.3 मिलीसेकंड में एक कूद का विश्लेषण कर सकता है। यह फीडबैक देने के लिए इतना तेज़ है कि आप अभी भी हवा में ही हों, तभी कोच आपको सलाह दे सकता है।

यह कैसे ग्रेड और समझाता है

यहीं जादू होता है। सिस्टम केवल पूरी कूद को नहीं देखता और स्कोर का अनुमान नहीं लगाता। यह कूद को तीन मुख्य स्कोरिंग ज़ोन में तोड़ देता है: टेक-ऑफ (Take-off), फ्लाइट (Flight), और लैंडिंग (Landing)।

1. टेक-ऑफ ज़ोन: इसमें तैयारी, झुकना और विस्फोट शामिल है। AI जांचता है कि क्या एथलीट ने अपने घुटने पर्याप्त मोड़े और क्या उन्होंने अपने हाथों को सही ढंग से घुमाया।
2. फ्लाइट ज़ोन: यह हवा में रहने का समय है। AI जांचता है कि क्या शरीर स्थिर रहा और क्या पैर ठीक से पीछे खींचे गए थे।
3. लैंडिंग ज़ोन: यह प्रभाव का समय है। AI जांचता है कि क्या गिरने के झटके को सहने के लिए घुटने मुड़े और क्या शरीर संतुलित रहा।

AI प्रत्येक ज़ोन के लिए एक स्कोर देता है और फिर उन्हें एक कुल स्कोर में जोड़ देता है। लेकिन सबसे अच्छा हिस्सा फीडबैक है। यदि "टेक-ऑफ" स्कोर कम है, तो सिस्टम "परफेक्ट घोस्ट" टेम्पलेट को देखता है और पूछता है, "क्या अलग था?"

• क्या घुटने पर्याप्त नहीं मुड़े? -> फीडबैक: "अपर्याप्त धक्का (Insufficient push-off)।"
• क्या कूद बहुत सपाट थी? -> फीडबैक: "कम टेक-ऑफ एंगल (Low take-off angle)।"
• क्या हाथ स्थिर रहे? -> फीडबैक: "अपर्याप्त आर्म स्विंग (Insufficient arm swing)।"

परिणाम: क्या यह काम करता है?

टीम ने अपने डिजिटल कोच का तीन मानव विशेषज्ञों के विरुद्ध परीक्षण किया। परिणाम प्रभावशाली थे। AI के स्कोर मानव विशेषज्ञों के साथ 0.94 के सहसंबंध (जहाँ 1.0 एक पूर्ण मिलान है) के साथ मेल खाते हैं। त्रुटि के मामले में, AI औसत रूप से केवल 0.12 अंक (RMSE) से अलग था, जबकि मानव विशेषज्ञों के लिए यह 0.33 अंक और अन्य कंप्यूटर विधियों के लिए 0.26 अंक था।

शोध पत्र सुझाव देता है कि यह विधि टेक-ऑफ चरण के लिए विशेष रूप से अच्छी है, जहाँ यह सबसे सुसंगत थी। फ्लाइट और लैंडिंग चरणों को पूरी तरह से आंकना थोड़ा कठिन था, संभवतः इसलिए क्योंकि शरीर बहुत तेज़ी से चलता है और कैमरा कभी-कभी एक सेकंड के अंश के लिए जोड़ों का पीछा करने में विफल रहता है। हालाँकि, इन छोटी-मोटी बाधाओं के बावजूद, सिस्टम अभी भी पारंपरिक कंप्यूटर विधियों की तुलना में अधिक सटीक और मानव विशेषज्ञों के समान ही था।

शोधकर्ताओं ने अपने "स्प्लिट-फेज़" (तीन भागों को अलग-अलग ग्रेड करना) पद्धति की तुलना उस पद्धति से भी की जो पूरी कूद को एक साथ देखती है। स्प्लिट-फेज़ पद्धति स्पष्ट रूप से विजेता रही। यह गणित के टेस्ट को जोड़ने, गुणा करने और अंतिम उत्तर को अलग-अलग जांचकर ग्रेड करने जैसा है, बजाय इसके कि केवल अंतिम संख्या को देखा जाए। इस दृष्टिकोण ने AI को उन छोटी गलतियों को पकड़ने में मदद की जो केवल कुल स्कोर को देखकर छिपी रह जातीं।

निष्कर्ष

यह शोध पत्र बताता है कि हमें खेल गतिविधियों पर पेशेवर स्तर का फीडबैक प्राप्त करने के लिए महंगे लैब की आवश्यकता नहीं है। एक "परफेक्ट घोस्ट" टेम्पलेट के साथ एक छोटे, तेज़ AI मस्तिष्क को जोड़कर, हम एक साधारण वीडियो को एक विस्तृत कोचिंग सत्र में बदल सकते हैं। यह प्रणाली तेज़, सटीक और सबसे महत्वपूर्ण रूप से, व्याख्या योग्य (interpretable) है—यह आपको बताता है कि आपको एक निश्चित स्कोर क्यों मिला, न कि केवल यह कि आपका स्कोर क्या है।

लेखक सावधानीपूर्वक नोट करते हैं कि यह वास्तविक मानव कोच या उच्च-तकनीकी सेंसर वाले लैब का विकल्प नहीं है। यह स्कूलों और जमीनी स्तर के प्रशिक्षण के लिए एक उपकरण है जहाँ संसाधन सीमित हैं। वे यह भी स्वीकार करते हैं कि उनका परीक्षण समूह मुख्य रूप से युवा वयस्क थे, इसलिए बच्चों या पुराने एथलीटों पर इसका और अधिक परीक्षण करने की आवश्यकता हो सकती है। लेकिन फिलहाल, उन्होंने दिखाया है कि थोड़ी सी चतुर इंजीनियरिंग के साथ, एक कंप्यूटर एक कूद को देख सकता है, भौतिकी को समझ सकता है, और आपको बधाई दे सकता है या फिर से प्रयास करने के लिए एक हल्का सा इशारा कर सकता है।