# 專題簡介/目標
### 題目: 基於骨架辨識之瑜珈動作準確度辨識系統

目前預期自己錄的動作

本專題旨在開發一套基於骨架辨識的瑜珈動作準確度辨識系統，讓用戶能夠即時瞭解自己在進行瑜珈動作時的準確度。通過架設網站，使用者可上傳或即時錄製瑜珈影片，系統將自動評分並顯示當前動作的準確度分數、正在進行的動作名稱及每個動作的次數。

為了實現這一目標，系統將使用事先訓練過的模型來識別特定的瑜珈動作，並根據其標準動作進行評分。評分的範圍計劃為1至100分，若系統難以精確區分100個級別，將改為使用5或7個等級的輸出。用戶可通過系統瞭解自己動作的準確性，從而提高瑜珈練習的效果。

系統的核心功能包括：
- **即時動作辨識與評分：** 對使用者進行的瑜珈動作進行實時分析與評分，並提供動作次數統計。
- **指定動作表的應用：** 系統將依據特定的瑜珈動作列表進行評分和次數記錄，僅當用戶進行列表中的動作時系統才會做出判斷與反饋。
- **使用簡單：** 使用者可通過網站即時錄影或上傳瑜珈影片，並即時收到動作準確度的反饋。

目標是通過這一系統，使普通瑜珈用戶能夠在居家練習中得到專業的動作準確度反饋，從而提升練習的正確性與效果。希望架設一個網站，讓使用者可以錄影並立即知道自己的動作標不標準，畫面內容會有目前動作的分數、正在做甚麼動作及每個動作做了幾次，會有一個預期動作表，只有做那些動作時才會有評分及記數，因此要有訓練過的動作才能評分，目前希望評分範圍是1-100(如果不行將會改成5或7個等級的輸出)

# 動機
現有的動作準確度辨識系統多針對運動康復或專業運動員，對於一般居家瑜珈愛好者並沒有太多針對性的輔助工具。
我們希望能夠開發一個針對居家瑜珈練習者的動作準確度辨識系統，讓普通瑜珈用戶可以通過簡單的錄影方式，快速瞭解自己動作的準確性，從而在家就能進行自我糾正與改善。這樣的系統不僅可以提升用戶的自我學習效率，還可以減少不正確動作可能帶來的傷害風險，幫助他們更安全、有效地進行瑜珈鍛煉。

# 資料集
* 我們自己建的資料集
* KIMORE
* UI-PRMD

# 實現方法技術
* ST-GCN
ST-GCN，全名為空間時間圖卷積網絡，是一種深度學習模型，專門用於處理時空圖數據。它結合了圖卷積網絡（GCN）和時間卷積網絡，用來分析隨時間變化的圖結構數據，這些數據通常可以用來表示動態、網絡或運動等複雜現象。ST-GCN 特別適合用於處理像人體骨架運動等時空信息。

ST-GCN 的核心功能:
1. 空間維度（Spatial Dimension）：ST-GCN 可以有效處理圖結構中的空間關係，比如在人體姿勢識別中，不同關節之間的相對位置和關聯性。它通過圖卷積來學習這些空間關係。
空間卷積：在每一個時間步驟中，ST-GCN 會對圖結構中的節點（例如人體的關節點）進行卷積操作，學習它們之間的關聯性。
2. 時間維度（Temporal Dimension）：ST-GCN 也能捕捉隨時間變化的數據，比如動作的連續帧。通過在時間維度上進行卷積，ST-GCN 可以學習到某些動作如何在時間上變化。
時間卷積：ST-GCN 再對各時間步的圖數據進行卷積，以捕捉節點之間在不同時間步驟中的變化。
* DSTA（Decoupled Space-Time Aggregation）
基於視頻的人體姿勢回歸方法，直接將輸入映射到輸出關節座標，分別捕獲相鄰關節之間的空間上下時間和每個單獨關節的時間提示，避免造成時空混淆（利用相鄰關節的空間依賴性和每個關節本身的時間依賴性）
* score function(還在找)

# 可能遇到的困難
* 複雜算法的開發和調整：數據集的準備、模型的訓練、參數調整可能需要多次實驗和調整
* 實時性要求：輸出是實時運動評分，要處理速度與精確度之間的平衡
* 數據質量與數量：因為要有評分，數據集的質量和數量直接影響模型的準確性。如果數據不足或有偏差，可能會導致模型表現不佳
* 標註數據：還在想運動姿勢的標記應該怎麼運作，可能非常耗時

# 疑慮解釋
# 甘特圖/分工

這並不是甘特圖
看誰去畫一下甘特圖
然後我們先不要分工因為我也不會分

### 需要做的事：

1. **需求分析與系統設計（10月-11月）**
- 了解使用者需求，定義系統功能。
- 制定數據集和模型的選擇方案。
- 規劃網站架構與前後端的功能需求。

2. **資料集準備與標註（10月-12月）**
- 收集瑜珈相關資料集（KIMORE, UI-PRMD, 自建瑜珈數據集）。
- 整理並標註資料，特別是關鍵骨架點的標註。
- 數據增強，擴充資料集以增加多樣性。

3. **骨架提取技術選擇（11月-12月）**
- 決定使用OpenPose或MediaPipe等工具來進行骨架提取。
- 測試骨架提取工具的準確性和效率，確定最適合的方案。

4. **模型訓練與調整（12月-3月）**
- 訓練ST-GCN或DSTA模型，並進行多次測試與調整。
- 調整參數，優化模型的準確性與效能。
- 進行模型評分機制的設計與實驗（score function）。

5. **網站開發與整合（2月-4月）**
- 開發網站的前端和後端功能。
- 整合骨架辨識模型到後端，確保可以即時進行動作分析與評分。
- 在網站上顯示動作名稱、分數和次數等訊息。

6. **系統測試與優化（4月）**
- 系統整合測試，確保網站能穩定運行。
- 根據用戶測試的反饋進行調整和優化。
- 測試系統的實時性能，進行最終的優化。

7. **專題報告與準備發表（4月-5月）**
- 撰寫完整的專題報告。
- 準備演示文稿與成果展示。
- 進行專題發表的模擬練習。

---

### 甘特圖：

- **需求分析與系統設計：** 10月 - 11月
- **資料集準備與標註：** 10月 - 12月
- **骨架提取技術選擇：** 11月 - 12月
- **模型訓練與調整：** 12月 - 3月
- **網站開發與整合：** 2月 - 4月
- **系統測試與優化：** 4月
- **專題報告與準備發表：** 4月 - 5月

看一下要改哪裡
認真看因為我打超急
1. 要做成ppt
2. 要畫甘特圖
3. 選一個人報告
4. 想一下疑慮解釋
5. 實現方法技術那邊應該還要加那些model的原理，然後報告的時候可能也要帶過，但我懶得弄了那個你們應該可以弄
這篇類似報告者的大抄
然後交給你們了掰掰