DK182223B1 - System og metode til realtids-feedback på træningsbevægelser ved hjælp af LiDAR, time-of-flight og 2D-bevægelsessporing med AI-teknologi. - Google Patents

Abstract

Opfindelsen vedrører et system og en metode til realtids-feedback på træningsbevægelser ved hjælp af en kombination af LiDAR-sensorer, time-of-flight-teknologi (ToF) og AI-drevet 2D-bevægelsessporing. Systemet giver præcis analyse af brugerens kropsbevægelser i realtid og leverer dynamisk feedback gennem visuelle overlays, tekstbeskeder og verbal kommunikation. Systemet inkluderer integration med eksterne sundhedsdataenheder som smartwatches til visning af puls, kalorieforbrænding og repetitionsoptælling. Deepfake-teknologi muliggør en virtuel AI-coach, der guider brugeren visuelt og verbalt. En dashboard-funktion giver mulighed for valg af træner, træningskategori og visning af tidligere rekorder samt progression. Systemet kan anvendes på mobil, tablet og eksterne skærme via Chromecast. Det understøtter både 3D-bevægelsessporing for nyere enheder og 2D-sporing for ældre enheder, hvilket sikrer bred anvendelighed.

Description

Titel:

System og metode til realtids-feedback på træningsbevægelser ved hjælp af LiDAR, time-of-flight og 2D- bevægelsessporing med Al-teknologi. — Teknikområde

Opfindelsen vedrører et softwareprogram/app, der analyserer brugerens træningsbevægelser i realtid og leverer feedback baseret på sensorbaseret sporing og Al-teknologi. Systemet er udviklet til at fungere på enheder med LiDAR-sensorer, time-of-flight (ToF)-sensorer eller 2D-kameraer samt med integration af eksterne sundhedsdata fra smartwatches (Figur 1, Figur 3).

Kendt teknik

Den kendte teknik omfatter systemer, der primært benytter 2D-videoanalyse eller motion capture, men de er begrænsede i funktion og mangler integration af avancerede sensorer (LiDAR/ToF) og realtids Al- feedback. Derudover tilbyder eksisterende systemer ikke muligheden for at tilpasse en virtuel træner med deepfake-teknologi, der både visualiserer øvelser og leverer træningsinstruktion (Figur 4, Figur 4a).

Problemet

Eksisterende systemer mangler realtidsfeedback baseret på flere datakilder og interaktive, brugertilpassede træningsløsninger. Brugeroplevelsen er typisk begrænset til standardiserede analyser eller efterbehandlet feedback uden integration med sensorer eller kunstig intelligens.

Løsningen

Opfindelsen kombinerer sensorintegration og Al-baseret analyse i et samlet softwaremiljø. Den anvender

Al-baserede bevægelsesanalysealgoritmer til bevægelsesanalyse og fejlidentifikation (Figur 2) samt deepfake-teknologi til at generere en virtuel træner, der leverer instruktion via tekst, tale og visuelle overlays (Figur 3, Figur 4).

Systemkomponenter og hardware

Systemet fungerer på mobile enheder, tablets eller smartenheder udstyret med LiDAR-sensor, time-of-flight- sensor og/eller 2D-kamera (Figur 1). Det softwarebaserede system indeholder: et analysemodul til realtids- kropspunktregistrering og bevægelsesanalyse (Figur 2), en database med eksempler på korrekt og ukorrekt teknik, enhed til generering af visuel, tekstuel, auditiv og videooutput (Figur 3), et modul til visuel gengivelse af coach (Figur 4), brugerinterface med valg og kalibrering, API-interface til sundhedsdata (puls, kalorier, reps) (Figur 3), og skærmoutput til visning via f.eks. Chromecast.

Softwarestruktur og funktionelle trin

Træningssessionen initieres med valg af øvelse og virtuel coach. En visuel guide positionerer brugeren foran kameraet (Figur 1). Sensorinput fra LiDAR, ToF og/eller 2D-kamera behandles i realtid, og Al-algoritmer identificerer og kortlægger kropspunkter og bevægelser (Figur 2). Bevægelsesdata sammenlignes med en bevægelsesmodel. Afvigelser såsom krum ryg, indadgående knæ eller utilstrækkelig dybde udløser:

Farvede overlays (Figur 3)

Tekstbaserede rettelser (Figur 3)

GIF/video-overlays (Figur 3)

Taleoutput med instruktion (Figur 2) En virtuel coach leverer instruktion synkroniseret med brugerens bevægelse (Figur 4). Systemet viser samtidigt sundhedsdata (Figur 3) og gemmer data i et dashboard.

Træning og datagrundlag

Den virtuelle coach er trænet med datasets fra registreringer af korrekte og ukorrekte bevægelser. Al- algoritmer identificerer og kortlægger kropspunkter og bevægelser med løbende feedback til tilpasning (Figur 2). En 2Dkamera benyttes på enheder uden dybdesensor.

Deepfake-personalisering

Integration af deepfake-teknologi til generering af en virtuel coach med realistisk ansigt og stemme (Figur 4 & 4a).

Figurliste

Figur 1: Bevægelsessporing fra kamera/LiDAR og 2D/3D visning af brugerens bevægelse

Figur 2: Al-feedbackmekanisme — realtidsanalyse og beslutningsflow

Figur 3: Visuelt output — overlay, tekst, indikatorer og sundhedsdata

Figur 4: Deepfake-integration — generering og personalisering af virtuel coach

Figur 4a: Deepfake-output — anvendelse af personlig avatar i realtidstræning

Figurbeskrivelser

Figur 1: Viser sensoropsætning foran bruger og kropspunktsporing, både i 3D (1) og med 2D skeletanalyse (2).

Figur 2: lllustrerer realtidsflowet fra sensorinput (3) via Al-analyse (4) til genereret feedback samt fejlidentifikation (f.eks. forkert vinkel) (5) og outputtyper (tekst, lyd, visuel) (6).

Figur 3: Viser skærmbillede fra app med overlay, tekst, lyd, og videooverlay. Inkluderer sundhedsdata (reps, puls, kalorier) og kamerastyring (7).

Figur 4: illustrerer den tekniske virkemåde for systemets deepfake-integration. Brugeren afgiver input i form af stemme og videodata af ansigt og bevægelse (8). Disse data behandles i et Al-modul (9), som anvender

Al-baseret deepfake-teknologi til at generere en realistisk virtuel coach. Resultatet er en personaliseret virtuel coach (10), der gengiver både bevægelser og stemme. Den virtuelle coach kan derefter anvendes i

B2B/B2C-struktur (11 og 12).

Figur 4a: viser realtidsvisualisering før og efter deepfake-integrationen. Til venstre ses en virtuel træner uden tilpasning, til højre med personlig avatar. Hele processen illustreres med (13).

Tilsigtede virkninger

Systemet kombinerer sensorintegration, realtids Al-analyse og deepfake-teknologi (Figur 1—4). Det giver mulighed for multimodal feedback, fleksibel coach-visualisering og integration med eksterne sundhedskilder (Figur 3). Systemet kan tilpasses enhedstype og vise data på ekstern skærm.

Konklusion — Opfindelsen kombinerer computer vision, Al, sensorteknologi og syntetisk kommunikation iet samlet træningssystem, der muliggør realtidsfeedback og interaktiv brugeroplevelse.

Claims (1)

1. Krav 1

   Et system til realtids-feedback på træningsbevægelser, omfattende en mobil enhed, tablet eller smart enhed, udstyret med en time-of-flight-sensor og/eller 2D-kamera til bevægelsessporing, et softwareprogram konfigureret til registrering og kortlægning af kropspunkter i realtid ved brug af time-of- — flight-sensor og 2D-bevægelsessporing, samt analyse af kropsposition og bevægelsesmønstre ved hjælp af

   Al-teknologi til sammenligning med en foruddefineret bevægelsesmodel og identifikation af fejlscenarier,

   såsom forkert kropsholdning, knæ der falder indad og manglende bevægelsesdybde,

   Kendetegnet ved:

   Generering af realtids-feedback i flere formater, herunder: visuelle indikatorer i form af farvede overlays, tekstbaserede rettelser, dynamisk feedback i form af taleoutput med instruktion og motivation, overlejring af instant GIF/video med korrekt teknik, et deepfake-modul konfigureret til at generere en virtuel coach med brugerens visuelle og auditive identitet, et systemmodul til upload af brugerdefinerede træningsøvelser og audiovisuelt materiale knyttet til specifikke trænere, et interface til valg mellem forskellige virtuelle trænere, integration med sundhedsdata via APVesr til puls, kalorieforbrug, repetitionstælling og tid, skærmoutputmodul til visning af øvelser og feedback på enhedens skærm eller ekstern skærm via trådløs transmission, og et dashboardmodul med funktioner til valg af træningskategori, visning af historiske træningsdata og tilpasning af individuelle træningsforløb.

   Krav 2 En metode til realtids-feedback på træningsbevægelser ved brug af systemet ifølge krav 1, omfattende: initiering af træningssession via et brugerinterface, indsamling af bevægelsesdata med en eller flere sensorer valgt blandt time-of-flight-sensor og 2D-kamera, realtidsanalyse af de indsamlede data for at identificere afvigelser fra foruddefinerede bevægelsesmodeller,

   Kendetegnet ved:

   Visning af realtids-feedback i form af visuelle overlays, tekstbeskeder, audiovisuelle GIF/video-overlays og verbal instruktion, fremvisning af en virtuel træner genereret med deepfake-teknologi, baseret på brugerens eller trænerens ansigt og stemme, visning af aktivitetsdata fra eksterne sundhedsdatakilder, og lagring af træningsforløb i en brugerprofil-database.