ダンベルの動きを読み、AIが疲労と乱れを見抜く

回数は数えられても、「質」は記録されない

筋力トレーニングの効果は、正しいフォームで、適切なテンポと可動域を継続して積み上げることで生まれます。けれども現場では、自分の動きが「正しいか」「疲れてどう崩れてきたか」をリアルタイムに知る手段がありません。回数は数えられても、動きの質は記録されないままです。

このデモでは、ダンベルに取り付けた6軸センサーが1回ごとの動きを捉え、デバイス上のエッジAIが可動域・テンポ・ブレを評価。疲労による乱れや異常な動きをその場で検出します。

技術構成 — 軽いデバイス、賢いダッシュボード

センサー側はできるだけ軽く、表示・分析はダッシュボード側で——という役割分担です。デバイスは M5StickS3（ESP32-S3）に 6軸IMU の BMI270 を組み合わせ、加速度・角速度を 50Hz でサンプリング。レップ検出・特徴抽出・疲労判定までをデバイス上で行い、結果を BLE（Nordic UART）でリアルタイム送信します。

受け手のダッシュボード「RepSight」は、ブラウザ版（Chart.js）とタブレット向けアプリ（Flutter）を用意。加速度波形、総レップ数、平均ROM、疲労カウント、IMUの実測Hzをリアルタイムに表示します。

計測する4つの指標

生の6軸波形から、1レップごとに意味のある4つの指標を取り出します。

• ROM（可動域）：1レップ中に動いた角度。動きが浅くなっていないか
• Duration（動作時間）：1レップにかかった時間。テンポが落ちていないか
• Sway（軌道のブレ）：角速度のゆらぎ（標準偏差）。フォームが乱れていないか
• Peak Accel（最大加速度）：勢いに頼っていないか

デバイス上で動く「ルールベース疲労スコア」

特徴的なのは、疲労の判定をセンサーデバイス自身がリアルタイムに行うことです。クラウドにもPCにも頼りません。最初の数レップを「基準」として記録し、その後のレップと比較します。

Duration が基準の1.25倍以上（遅くなった）、ROM が基準の0.85倍以下（浅くなった）、Sway が基準の1.5倍以上（乱れてきた）でそれぞれ加点し、合計2点以上で「疲労フラグ」が立ちます。1条件だけでは判定しない設計で誤検知を抑制。重い機械学習ランタイムを載せず、計算式と閾値で判定するからこそ、非力なエッジデバイス単体でも遅延なく動きます。

教師なし機械学習で「異常」と「転換点」を見つける

デバイスがリアルタイム判定を担う一方、ダッシュボード側ではより踏み込んだ分析を教師なし機械学習で行います。事前に正解データを用意しなくても、そのセッションのデータだけで動くのがポイントです。

• Isolation Forest：レップが5件以上たまると自動で動き、「他と明らかに違う動き」（外れ値レップ）を検出
• K-Means：全レップの Duration を速い/遅いグループに自動分類し、疲労の転換点（境界値）を推定
• 独自モデルの新規学習は行わず、scikit-learn の確立した手法をそのまま活用