Markerless Pose Estimation for Resistance Training Technique Assessment

In de wereld van fysieke training komt het verschil tussen het opbouwen van kracht en het voorkomen van blessures vaak neer op één enkel detail: hoe een lichaam beweegt. Decennialang hebben experts vertrouwd op twee belangrijke manieren om deze beweging te beoordelen. De eerste is het menselijk oog, waarbij een coach een atleet observeert en feedback geeft op basis van ervaring. De tweede is het laboratorium, waar wetenschappers dure camera's en kleine reflecterende stickers op de huid van een persoon gebruiken om elk gewricht met extreme precisie te meten. Hoewel de laboratoriummethode onbetwistbare nauwkeurigheid biedt, is deze opgesloten in onderzoekscentra, ver verwijderd van de trainingsruimtes waar de meeste mensen trainen. Dit laat een kloof achter tussen de hoogtechnologische wetenschap van beweging en de dagelijkse realiteit van gewichtheffen.

Een nieuwe studie van de Universiteit van Bristol probeert deze kloof te overbruggen door een eenvoudige vraag te stellen: kan een standaard smartphonecamera, zonder stickers of speciale apparatuur, ons vertellen of iemand veilig tilt? De onderzoekers richtten zich op drie fundamentele oefeningen — de squat, de bench press (bankdrukken) en de deadlift — omdat deze bewegingen meerdere gewrichten bevatten en een hoog risico op blessures met zich meebrengen als ze onjuist worden uitgevoerd. Ze wilden weten of moderne computer vision, die machines in staat stelt om het menselijk lichaam te "zien" en in kaart te brengen vanuit een video, de noodzaak voor een laboratoriumbezoek kon vervangen. Het doel was niet om een perfect medisch instrument te creëren, maar om te zien of een praktisch, toegankelijk systeem de essentiële vorm van een beweging kon vastleggen en deze kon vergelijken met een bekend goed voorbeeld.

Om dit idee te testen, bouwde het team een digitaal kader dat gewone videobeelden omzet in een verhaal van beweging. Ze gebruikten een lichtgewicht computerprogramma dat in staat is om dertienendertig sleutelpunten op het menselijk lichaam te herkennen, zoals de schouders, ellebogen en knieën, in elk enkel frame van een video. Zodra deze punten waren geïdentificeerd, verbond het systeem ze om de hoeken van de gewrichten te berekenen terwijl de persoon bewoog. Voor de squat keek het programma bijvoorbeeld naar hoe de knie boog en hoe de romp naar voren leunde. De onderzoekers creëerden vervolgens een "gouden standaard" referentie door een video van een perfecte herhaling te selecteren uit een collectie instructievideo's. Deze perfecte beweging diende als het doelwit, een sjabloon waartegen alle andere pogingen konden worden gemeten.

De onderzoekers voerden honderden video's in hun systeem in, waarbij video's met slechte belichting of lichamen die te veel aan het zicht onttrokken waren, werden weggefilterd. Ze concentreerden zich op een dataset van tweeentachtig hoogwaardige opnames. Toen ze de squat-video's analyseerden, werkte het systeem opmerkelijk goed. Het volgde de beweging succesvol in bijna elk frame, waarbij het de vloeiende curve van het buigen en strekken van de knie vastlegde. De computer kon het verschil zien tussen een diepe, gecontroleerde squat en een ondiepe of trillende squat. Door de hoek van de knie in een testvideo te vergelijken met de hoek in de perfecte referentievideo, gaf het systeem een score toe. Een score van honderd betekende dat de beweging de ideale situatie perfect matche, terwijl een lagere score een afwijking aangaf. In één test waarbij tien herhalingen van een squat werden uitgevoerd, identificeerde het systeem dat de eerste herhaling het meest verschilde van het ideaal, terwijl de achtste de beste match was, wat aantoonde dat de technologie zelfs binnen een enkele set oefeningen subtiele veranderingen in techniek kon opmerken.

De studie onthulde echter ook een belangrijke beperking die iedereen die dergelijke technologie gebruikt, moet respecteren: de hoek van de camera is belangrijker dan bijna alles. De onderzoekers testten dit door een persoon een statische squat-positie te laten vasthouden terwijl zij eromheen liepen en filmden vanuit de zijkant, de achterkant en de voorkant. Wanneer de camera direct aan de zijkant stond en een tweedimensionaal profiel van de beweging vastlegde, zag de kniehoek er correct uit. Maar zodra de camera naar de voorkant of de achterkant bewoog, veranderde de schatting van de computer over de kniehoek drastisch, ook al had het been van de persoon niet bewogen. Deze vervorming werd erger wanneer de lifter zich in een metalen rek bevond, waar de stangen delen van het lichaam blokkeerden voor het zicht. Het systeem had moeite om te raden waar de verborgen gewrichten waren, wat leidde tot verwarrende en onnauwkeurige gegevens. Deze bevindinging weersprak het idee dat een camera overal geplaatst kon worden; voor de technologie om te werken, moet de video vanuit een specifiek zijwaarts perspectief worden opgenomen.

De technologie liet ook zien dat deze beter werkt voor sommige oefeningen dan voor andere. Terwijl de squat en de deadlift met hoge betrouwbaarheid werden gevolgd, bleek de bench press problematisch. Bij de bench press ligt de persoon op de rug en blokkeert de zware barbell vaak het zicht op de armen en schouders. Omdat de computer de cruciale gewrichten niet duidelijk kon zien, kon hij de beweging in een groot deel van de video's niet volgen. Dit suggereert dat hoewel de methode krachtig is voor rechtopstaande bewegingen waarbij het lichaam volledig zichtbaar is, het nog niet klaar is voor elk type oefening. De onderzoekers concludeerden dat hun systeem een veelbelovende stap is naar toegankelijke biomechanica, in staat om nuttige feedback te geven voor de squat en de deadlift, maar het is geen magische oplossing die in elke situatie werkt.

Uiteindelijk laat dit werk zien dat we dichter bij een toekomst komen waarin hoogwaardige bewegingsanalyse beschikbaar is voor iedereen, niet alleen voor mensen met een laboratoriumbudget. Het systeem kan het verhaal van een lift succesvol extraheren uit een eenvoudige video, waarbij het identificeert wanneer een techniek consistent is en wanneer deze afwijkt van het ideaal. Het kan een atleet vertellen dat de eerste paar herhalingen wankel waren en dat hij later in de set zijn ritme vond. Toch vereist de weg vooruit discipline. Om het meeste uit dit hulpmiddel te halen, moeten gebruikers voorzichtig zijn met waar ze hun camera plaatsen en wat ze filmen. De technologie is geen vervanging voor een coach, maar een nieuw soort spiegel, één die ons de geometrie van onze eigen kracht kan tonen, mits we weten hoe we ernaar moeten kijken.