في عالم الرياضة الحديثة، أصبح تحسين الأداء الرياضي هدفًا أساسيًا لكل الرياضيين، سواء كانوا محترفين أو هواة. تسلط دراستنا الضوء على تقنيات تتبع الحركة في الوقت الحقيقي (Real-Time Motion Tracking) وتقدير وضعية الجسم (Human Pose Estimation - HPE) ودورها في تحسين الأداء الرياضي.

تواجه تقنيات HPE العديد من التحديات عند تطبيقها في البيئات الحقيقية، ولكن هذه الدراسة تقوم بمسح شامل لأساليب تتبع الحركة الفورية والقيود التي تواجهها. من خلال التطور من أنظمة التقاط الحركة التقليدية القائمة على العلامات إلى الأساليب الحديثة القائمة على التعلم العميق (Deep Learning)، نحن هنا لنستعرض الهياكل الأساسية التي توازن بين الدقة والكفاءة.

يتم مقارنة الأطر الخوارزمية المختلفة مثل الأساليب من أعلى (Top-Down) ومن أسفل (Bottom-Up) وأساليب المرحلة الواحدة (One-Stage Approaches) بناءً على مقاييس التطبيق العملي مثل زمن الاستدلال (Inference Latency) ومعدل الإطارات (Frame Rate) ومتوسط خطأ موقع المفاصل (Mean Per-Joint Position Error). تهدف هذه المقارنات إلى توجيه عملية اختيار النماذج المناسبة لتطبيقات الرياضة.

مساهمتنا الرئيسية هي تقديم نموذج برمجي خفيف يستخدم إطار عمل MediaPipe HPE، حيث يتضمن منطقًا محددًا للتمارين المختلفة لتوفير تحليلات فورية وتغذية راجعة مدعومة بالذكاء الاصطناعي لمستخدميه غير الخبراء. للقيام بذلك، نعتمد على موارد حسابية محدودة بينما نعرض مؤشرات الأداء والموثوقية.

وفي نهاية الدراسة، نقترح اتجاهات بحثية مستقبلية مثل دمج الحساسات وتقنيات الواقع المعزز (AR) والواقع الافتراضي (VR). هذه الدراسة تعتبر مصدرًا تقنيًا مهماً للباحثين والمهندسين وعلماء الرياضة، كما تعد خطة عمل قابلة للتطبيق لتطوير نظام تحليل HPE في الوقت الحقيقي لتحسين الأداء الرياضي أو أغراض أخرى.