如何使用Kinect進(jìn)行健身動(dòng)作的識(shí)別與評(píng)價(jià)

　　隨著健康問題越來越受到人們的重視，運(yùn)動(dòng)健身越來越被廣大人民所接受。如何更有效的運(yùn)動(dòng)健身并合理減少身體傷害，是現(xiàn)今科學(xué)健身運(yùn)動(dòng)的研究熱點(diǎn)之一。本文利用Kinect收集健身動(dòng)作數(shù)據(jù)，對(duì)動(dòng)作進(jìn)行自動(dòng)分類，與標(biāo)準(zhǔn)動(dòng)作進(jìn)行比對(duì)評(píng)分，計(jì)算出易受傷程度。具體的，首先通過對(duì)骨架點(diǎn)的收集和預(yù)處理，從骨架點(diǎn)數(shù)據(jù)中提取特征值，計(jì)算權(quán)重并對(duì)特征值歸一化，得到健身動(dòng)作的動(dòng)作測試數(shù)據(jù)集和模板數(shù)據(jù)集。通過KNN算法對(duì)測試數(shù)據(jù)進(jìn)行分類與識(shí)別，得到測試動(dòng)作的分類結(jié)果。對(duì)應(yīng)分類結(jié)果，利用評(píng)價(jià)和易受傷害計(jì)算模型，最終得到健身動(dòng)作的評(píng)分和建議。實(shí)驗(yàn)表明，提取的骨架數(shù)據(jù)特征對(duì)所有動(dòng)作識(shí)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(dòng)作評(píng)價(jià)和易受傷分析可以減少運(yùn)動(dòng)傷害，提高健身運(yùn)動(dòng)趣味性。

?

　　隨著信息化時(shí)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(yùn)動(dòng)的首選方式。但是，青年人在運(yùn)動(dòng)時(shí)，多因熱身不充足、動(dòng)作不標(biāo)準(zhǔn)而造成運(yùn)動(dòng)傷害。如何規(guī)范動(dòng)作，減少運(yùn)動(dòng)傷害，更加健康、有效并具有趣味性的運(yùn)動(dòng)成為了熱門的研究內(nèi)容。

　　規(guī)范運(yùn)動(dòng)動(dòng)作需要對(duì)動(dòng)作進(jìn)行識(shí)別分類，與模板對(duì)應(yīng)計(jì)算評(píng)分結(jié)果。因此動(dòng)作規(guī)范化的重點(diǎn)是動(dòng)作識(shí)別分類和動(dòng)作評(píng)分。動(dòng)作識(shí)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(píng)分方法，對(duì)評(píng)分進(jìn)行修改，能夠有效對(duì)動(dòng)作進(jìn)行評(píng)分。

　　KNN 算法能夠有效分類靜態(tài)動(dòng)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(píng)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(duì)一般常見健身動(dòng)作可評(píng)分。

　　本文選取KNN 算法和神經(jīng)網(wǎng)絡(luò)算法作為識(shí)別算法并將兩者計(jì)算結(jié)果進(jìn)行對(duì)比，對(duì)于基于個(gè)人的運(yùn)動(dòng)識(shí)別領(lǐng)域樣本數(shù)據(jù)不宜選取過多而影響用戶體驗(yàn)的原則，選擇能夠準(zhǔn)確識(shí)別錯(cuò)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(yùn)動(dòng)分類后，針對(duì)運(yùn)動(dòng)的標(biāo)準(zhǔn)性和易受傷性，通過獲取24 維特征值并對(duì)評(píng)分公式進(jìn)行修改，最終對(duì)用戶動(dòng)作是否易受傷和是否有鍛煉效果進(jìn)行綜合評(píng)分，為用戶的運(yùn)動(dòng)提供了有效的科學(xué)指導(dǎo)。