隨著健康問題越來越受到人們的重視，運動健身越來越被廣大人民所接受。如何更有效的運動健身并合理減少身體傷害，是現(xiàn)今科學(xué)健身運動的研究熱點之一。本文利用Kinect收集健身動作數(shù)據(jù)，對動作進(jìn)行自動分類，與標(biāo)準(zhǔn)動作進(jìn)行比對評分，計算出易受傷程度。具體的，首先通過對骨架點的收集和預(yù)處理，從骨架點數(shù)據(jù)中提取特征值，計算權(quán)重并對特征值歸一化，得到健身動作的動作測試數(shù)據(jù)集和模板數(shù)據(jù)集。通過KNN算法對測試數(shù)據(jù)進(jìn)行分類與識別，得到測試動作的分類結(jié)果。對應(yīng)分類結(jié)果，利用評價和易受傷害計算模型，最終得到健身動作的評分和建議。實驗表明，提取的骨架數(shù)據(jù)特征對所有動作識別僅配合微調(diào)的KNN算法就能有較好的效果，并比神經(jīng)網(wǎng)絡(luò)算法更具有廣泛性。動作評價和易受傷分析可以減少運動傷害，提高健身運動趣味性。

?

　　隨著信息化時代的快速發(fā)展，新型科技在傳統(tǒng)領(lǐng)域的應(yīng)用也愈發(fā)廣泛。傳統(tǒng)的體育行業(yè)中，人們愈來愈注重提高身體素質(zhì)，健身日漸成為青年人運動的首選方式。但是，青年人在運動時，多因熱身不充足、動作不標(biāo)準(zhǔn)而造成運動傷害。如何規(guī)范動作，減少運動傷害，更加健康、有效并具有趣味性的運動成為了熱門的研究內(nèi)容。

　　規(guī)范運動動作需要對動作進(jìn)行識別分類，與模板對應(yīng)計算評分結(jié)果。因此動作規(guī)范化的重點是動作識別分類和動作評分。動作識別分類中，常見的方法有支持向量機(jī)（support vector machine， SVM） ，K最近鄰（K-nearest-neighbor， KNN） ，人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN） 等。Lin L 等提出基于Kinect 的靜態(tài)人體姿勢評分方法，對評分進(jìn)行修改，能夠有效對動作進(jìn)行評分。

　　KNN 算法能夠有效分類靜態(tài)動作，神經(jīng)網(wǎng)絡(luò)具有較高的自學(xué)習(xí)和自適應(yīng)能力。評分方法基于模板數(shù)據(jù)和測試數(shù)據(jù)特征向量的角度差，對一般常見健身動作可評分。

　　本文選取KNN 算法和神經(jīng)網(wǎng)絡(luò)算法作為識別算法并將兩者計算結(jié)果進(jìn)行對比，對于基于個人的運動識別領(lǐng)域樣本數(shù)據(jù)不宜選取過多而影響用戶體驗的原則，選擇能夠準(zhǔn)確識別錯誤特征并推廣性更佳的KNN 算法作為模型最終方法。在進(jìn)行運動分類后，針對運動的標(biāo)準(zhǔn)性和易受傷性，通過獲取24 維特征值并對評分公式進(jìn)行修改，最終對用戶動作是否易受傷和是否有鍛煉效果進(jìn)行綜合評分，為用戶的運動提供了有效的科學(xué)指導(dǎo)。