本發(fā)明涉及機器學(xué)習(xí)，特別是一種基于人工智能的健身評估系統(tǒng)。

背景技術(shù)：

1、隨著健康意識的提升和人工智能技術(shù)的快速發(fā)展，智能健身已成為當(dāng)代體育與科技融合的重要方向之一；近年來，基于圖像識別和姿態(tài)估計技術(shù)的智能健身系統(tǒng)逐漸興起，其中以openpose等開源姿態(tài)識別工具為代表的計算機視覺技術(shù)，為人體動作的自動識別和分析提供了可行方案；同時，機器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的發(fā)展也為運動模式的自動建模與評估提供了技術(shù)基礎(chǔ)；然而，現(xiàn)有健身評估系統(tǒng)仍存在諸多不足：首先，現(xiàn)有系統(tǒng)僅對基礎(chǔ)位置變化或角度偏差進行靜態(tài)分析，未能從運動生物力學(xué)角度提取高維派生特征，導(dǎo)致在評估動作完整性、穩(wěn)定性及連貫性方面存在信息缺失，評估結(jié)果準(zhǔn)確度有限；其次，現(xiàn)有系統(tǒng)未建立有效的姿態(tài)聚類機制，或僅采用基于歐式距離的傳統(tǒng)聚類算法，難以捕捉高維動作特征之間的非線性關(guān)系與密度變化趨勢，導(dǎo)致對復(fù)雜姿態(tài)模式的識別與歸類精度不高；最后，傳統(tǒng)系統(tǒng)大多基于規(guī)則驅(qū)動或模板匹配方式，無法處理個體差異、動作變形或非標(biāo)準(zhǔn)化訓(xùn)練場景；在不同用戶、不同訓(xùn)練強度和目標(biāo)下，該類系統(tǒng)易出現(xiàn)評估誤差，難以提供動態(tài)適應(yīng)與跨人群遷移能力。

技術(shù)實現(xiàn)思路

1、本發(fā)明涉及一種基于人工智能的健身評估系統(tǒng)，旨在解決現(xiàn)有健身動作評估過程中存在的精度低、適應(yīng)性差、反饋不智能等問題；該系統(tǒng)在特征提取階段，通過引入動態(tài)層次密度聚類算法，對由openpose提取得到的姿態(tài)坐標(biāo)序列構(gòu)建多維姿態(tài)派生特征，并進一步提取其姿態(tài)聚類特征；該算法能夠在不同密度尺度下挖掘姿態(tài)數(shù)據(jù)間的結(jié)構(gòu)關(guān)系，有效識別動作中的模式演化和穩(wěn)定特征，提升特征表達的完整性與區(qū)分度；將姿態(tài)派生特征與聚類特征拼接后形成姿態(tài)增強特征數(shù)據(jù)，為后續(xù)健身評估提供高質(zhì)量輸入；在評估階段，本發(fā)明構(gòu)建了一種基于多體微擾理論、領(lǐng)導(dǎo)者協(xié)同機制與自適應(yīng)離散處理技術(shù)的微擾引導(dǎo)蜘蛛猴優(yōu)化算法，對xgboost模型進行多維度超參數(shù)優(yōu)化，該模型融合了局部引導(dǎo)與全局擾動搜索機制，在多源特征空間中具備更強的收斂能力與泛化性能，能夠針對不同用戶和訓(xùn)練場景實現(xiàn)精準(zhǔn)的健身評估與動作分析；通過以上兩個技術(shù)特征，本發(fā)明實現(xiàn)了對健身動作的高精度、多維度分析，提供了一種全新的智能化健身評估方案，具備更強的適應(yīng)性和實時性，能夠根據(jù)用戶的運動習(xí)慣和訓(xùn)練進展進行動態(tài)調(diào)整，確保運動效果最大化。

2、本發(fā)明提供了一種基于人工智能的健身評估系統(tǒng)，該系統(tǒng)包括健身圖像采集模塊、特征提取模塊、健身評估模塊和反饋與推薦模塊；

3、健身圖像采集模塊，采集健身動作圖像和視頻幀，將健身動作圖像和視頻幀進行尺寸和顏色空間的標(biāo)準(zhǔn)化處理，生成標(biāo)準(zhǔn)化健身圖像數(shù)據(jù)，使用openpose提取標(biāo)準(zhǔn)化健身圖像數(shù)據(jù)的姿態(tài)坐標(biāo)數(shù)據(jù)，對姿態(tài)坐標(biāo)數(shù)據(jù)進行平移縮放歸一化處理，得到姿態(tài)坐標(biāo)序列；

4、特征提取模塊，提取姿態(tài)坐標(biāo)序列的姿態(tài)派生特征，姿態(tài)派生特征包括關(guān)節(jié)間距離特征、骨骼角度特征、比例特征和動態(tài)統(tǒng)計特征；構(gòu)建動態(tài)層次密度聚類算法，通過動態(tài)層次密度聚類算法提取姿態(tài)派生特征的姿態(tài)聚類特征；將姿態(tài)派生特征和姿態(tài)聚類特征拼接，得到姿態(tài)增強特征數(shù)據(jù)；

5、健身評估模塊，建立xgboost模型，通過多體微擾理論、領(lǐng)導(dǎo)者協(xié)同機制與自適應(yīng)離散處理技術(shù)構(gòu)建微擾引導(dǎo)蜘蛛猴優(yōu)化算法，優(yōu)化xgboost模型，得到增強型xgboost模型；通過增強型xgboost模型處理姿態(tài)增強特征數(shù)據(jù)，生成健身評估結(jié)果；

6、反饋與推薦模塊，根據(jù)健身評估結(jié)果生成訓(xùn)練反饋與推薦策略，包括針對動作規(guī)范性的評分與糾正建議、階段性訓(xùn)練計劃、訓(xùn)練強度與頻率的調(diào)整建議。

7、進一步的，特征提取模塊，通過動態(tài)層次密度聚類算法提取姿態(tài)派生特征的姿態(tài)聚類特征的過程，具體包括以下步驟：

8、步驟s1：對姿態(tài)派生特征應(yīng)用pca算法進行特征降維，生成姿態(tài)嵌入特征矩陣；

9、步驟s2：設(shè)定最小鄰域樣本數(shù)，計算姿態(tài)嵌入特征矩陣中的每個樣本點到最小鄰域樣本數(shù)最近鄰的歐氏距離，將此距離作為樣本點的局部密度估計，生成樣本點核心距離向量；

10、步驟s3：根據(jù)姿態(tài)嵌入特征矩陣和樣本點核心距離向量，計算所有樣本的互達距離，構(gòu)建互達距離圖；

11、步驟s4：利用kruskal在互達距離圖上構(gòu)建最小生成樹，連接所有樣本節(jié)點，同時保持總互達距離最小，保留密度結(jié)構(gòu)骨架；

12、步驟s5：根據(jù)互達距離從小到大切割最小生成樹，生成密度生命周期樹；

13、步驟s6：結(jié)合密度生命周期樹，生成聚類標(biāo)簽序列，提取姿態(tài)聚類特征。

14、進一步的，步驟s5具體包括：根據(jù)互達距離從小到大切割最小生成樹，建立單鏈接聚類樹，展示樣本在不同密度尺度下的聚合結(jié)構(gòu)，生成初始層次聚類樹；設(shè)定層次參數(shù)，遍歷初始層次聚類樹，剔除所有小于層次參數(shù)的短命分支，篩選穩(wěn)定簇，記錄其生命周期，生成密度生命周期樹；在生成密度生命周期樹的過程中，采用link-cut?tree對密度生命周期樹進行局部更新，避免重新計算整個樹的切割過程；link-cut?tree對密度生命周期樹進行局部更新，指的是在樣本增刪或互達距離變化時，通過高效的樹形結(jié)構(gòu)操作，快速地維護和更新最小生成樹的連通性和結(jié)構(gòu)，以支持后續(xù)密度生命周期樹的構(gòu)建和聚類過程。

15、進一步的，健身評估模塊，生成健身評估結(jié)果的過程，具體包括以下步驟：

16、步驟b1：初始化增強型xgboost模型的超參數(shù)和猴子群體，猴子群體中每個猴子位置代表一個超參數(shù)組合；

17、步驟b2：計算猴子群體中每個猴子的適應(yīng)度值；基于適應(yīng)度值，根據(jù)局部領(lǐng)導(dǎo)者更新機制和全局領(lǐng)導(dǎo)者更新機制，對猴子位置進行更新；

18、步驟b3：檢查局部領(lǐng)導(dǎo)者更新機制有效性，引入基于多體微擾理論思想的擾動修正機制，構(gòu)建微擾修正機制-更新策略，對猴子位置繼續(xù)更新，生成擾動猴子位置；

19、步驟b4：針對擾動猴子位置中包含的離散型參數(shù)和類別型參數(shù)，采用四舍五入法處理離散型參數(shù)，采用輪盤賭算法處理類別型參數(shù)，實現(xiàn)對混合類型參數(shù)的有效更新，生成離散-類別猴子位置；

20、步驟b5：迭代步驟b2-步驟b4，得到最優(yōu)猴子位置，即最優(yōu)參數(shù)組合；結(jié)合最優(yōu)參數(shù)組合，使用姿態(tài)增強特征數(shù)據(jù)訓(xùn)練增強型xgboost模型，生成健身評估結(jié)果。

21、進一步的，步驟b3具體包括：檢查局部領(lǐng)導(dǎo)者更新機制有效性，如果猴子群體中的局部領(lǐng)導(dǎo)者長時間沒有提升，引入基于多體微擾理論思想的擾動修正機制，構(gòu)建微擾修正機制-更新策略，對猴子位置繼續(xù)更新，生成擾動猴子位置；微擾修正機制-更新策略通過非相互作用狀態(tài)（當(dāng)前猴子位置）與相互作用修正狀態(tài)（全局領(lǐng)導(dǎo)者與同伴猴子差異）之間的偏差，引入一個擾動修正項，形成新的位置更新策略；該策略不僅考慮系統(tǒng)當(dāng)前的穩(wěn)定性，還引入了微擾修正的方向和強度，以增強局部探索能力。

22、采用上述方案，本發(fā)明取得的有益效果如下：

23、本發(fā)明通過構(gòu)建動態(tài)層次密度聚類算法，實現(xiàn)了對姿態(tài)派生特征的深層次結(jié)構(gòu)提取，在傳統(tǒng)動作數(shù)據(jù)處理中，往往由于姿態(tài)特征維度高、變化復(fù)雜，導(dǎo)致動作模式識別能力受限；本發(fā)明針對這一問題，引入密度生命周期分析和最小生成樹剪枝等策略，能夠有效發(fā)現(xiàn)不同運動者在同一動作下的個體差異以及連續(xù)動作中的結(jié)構(gòu)變化；該機制使系統(tǒng)在面對復(fù)雜動作序列時，仍可穩(wěn)定提取具有區(qū)分度和代表性的聚類特征，提升了特征表達的完整性和動作分析的精準(zhǔn)性，為健身評估提供高可靠性的基礎(chǔ)數(shù)據(jù)輸入，顯著提高了動作識別的準(zhǔn)確率和健身質(zhì)量分析的魯棒性；

24、在健身評估模型構(gòu)建方面，本發(fā)明采用融合多體微擾理論、領(lǐng)導(dǎo)者協(xié)同機制及自適應(yīng)離散處理策略的蜘蛛猴優(yōu)化算法，優(yōu)化xgboost評估模型的結(jié)構(gòu)參數(shù)與訓(xùn)練策略；與傳統(tǒng)評估模型依賴人工調(diào)參或靜態(tài)搜索機制不同，該優(yōu)化方法能在高維非線性空間中實現(xiàn)快速收斂與全局尋優(yōu)，特別適用于健身場景中高動態(tài)性、高個體差異的數(shù)據(jù)分布特性；通過動態(tài)引導(dǎo)與擾動修正相結(jié)合的群體智能機制，增強型xgboost模型能更加高效地挖掘姿態(tài)增強特征數(shù)據(jù)中的判別信息，從而實現(xiàn)健身動作的細粒度評估與狀態(tài)判斷，提升了系統(tǒng)對多種動作類別、訓(xùn)練水平及姿態(tài)偏差的識別能力；

25、基于上述技術(shù)集成，本發(fā)明不僅實現(xiàn)了對健身動作過程的高精度、多維度智能分析，還在實際應(yīng)用中增強了系統(tǒng)的環(huán)境適應(yīng)性與用戶個性化響應(yīng)能力；系統(tǒng)可根據(jù)用戶的訓(xùn)練習(xí)慣、動作執(zhí)行質(zhì)量及階段性目標(biāo)動態(tài)調(diào)整評估策略與反饋內(nèi)容，提供精準(zhǔn)的訓(xùn)練改進建議與規(guī)劃支持，有效解決了傳統(tǒng)健身評估過程中反饋延遲、指導(dǎo)不明確、動作差異難以識別等問題；最終，本發(fā)明構(gòu)建了一套集成圖像感知、特征推理與策略優(yōu)化于一體的智能健身評估體系，為健身訓(xùn)練的科學(xué)化、個性化和高效化提供了有力支撐。