LiftTrack: Isang 3D CNN-Based na Mobile Solution para sa Pagmamanman at Pagpapabuti ng Weightlifting Techniques

Capstone Project - Bachelor of Computer Science na may espesyalisasyon sa Software Engineering

Isang mobile application na batay sa Flutter na idinisenyo upang subaybayan ang pag-unlad ng workout at pagbutihin ang anyo sa pagbubuhat gamit ang real-time na feedback na pinapagana ng isang 3D Convolutional Neural Network (3D CNN). Ang proyektong ito ay nagsasama ng mobile development, machine learning, at cloud computing sa isang pinag-isang solusyon sa fitness.

Tagal ng Pag-unlad: 8 buwan (Hulyo 2024 - Pebrero 2025)

Paunawa: Ang GitHub repository para sa proyektong ito ay pribado dahil sa akademikong patakaran. Ang isang demo at code walkthrough ay available kapag hiniling.
Ang kasamang capstone research paper ay available din kapag hiniling.
Upang mag-explore pa, i-click ang AI icon sa kanang ibaba ng website na ito.

Mga Tampok

• Subaybayan ang mga workout at i-log ang mga session ng ehersisyo
• Subaybayan ang pangmatagalang pag-unlad at mga layunin sa fitness
• Personalized na feedback batay sa aktibidad ng user
• Responsive at intuitive na UI para sa Android at iOS

Aking mga Kontribusyon

• Flutter Frontend (iOS/Android): Binuo ang cross-platform mobile interface gamit ang Dart at Flutter
• Arkitektura: Inilapat ang Clean Architecture na may BLoC para sa scalable at maintainable na code
• Core Features: Ininhinyero ang pangunahing functionality para sa workout logging, progress tracking, at authentication
• UI/UX Design: Idinisenyo ang mga interactive na interface na may diin sa kalinawan at feedback
• iOS Compatibility: Niresolba ang mga isyung partikular sa platform at nagpatupad ng mga alternatibo sa Android-only na mga Flutter package
• Refactoring: Pinangunahan ang architectural refactor ng Profile module upang mapabuti ang separation of concerns
• Cloud Infrastructure: Tumulong sa pag-deploy ng 3D CNN model sa isang remote cloud server dahil sa mataas na compute requirements
• DevOps Setup: Isinama ang frontend sa backend ML services gamit ang isang custom deployment pipeline

Mga Hamon na Kinaharap

• iOS Development Barriers: Ang paunang pag-unlad ay umasa sa MacBook simulators, bagaman ang ilang mga camera functionality ay nangailangan ng mga workaround.

• Cross-Platform Integration: Maraming Android-first Flutter libraries ang walang alternatibo sa iOS. Nagsaliksik at nagpatupad ako ng mga cross-platform na solusyon para sa tuluy-tuloy na functionality.

• State Management Complexity: Ang pamamahala ng state sa buong workout logging, user authentication, at real-time feedback gamit ang BLoC ay nangailangan ng maingat na disenyo.

Arkitektura ng Proyekto

Ang app na ito ay sumusunod sa Clean Architecture na may modular layers at feature-based organization.

• Layered Structure: Ang Presentation, Domain, at Data layers ay mahigpit na pinaghiwalay
• Feature Modules: Ang bawat pangunahing feature (hal. Profile, Progress, Workout Logging) ay independyenteng naka-structure
• BLoC State Management: Tinitiyak ang predictable na state transitions at testable business logic