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，是現今科學健身運動的研究熱點之一。本文利用Kinect收集健身動作數據，對動作進行自動分類，與標準動作進行比對評分，計算出易受傷程度。具體的，首先通過對骨架點的收集和預處理，從骨架點數據中提取特征值，計算權重并對特征值歸一化，得到健身動作的動作測試數據集和模板數據集。通過KNN算法對測試數據進行分類與識別，得到測試動作的分類結果。對應分類結果，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，提取的骨架數據特征對所有動作識別僅配合微調的KNN算法就能有較好的效果，并比神經網絡算法更具有廣泛性。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展，新型科技在傳統領域的應用也愈發廣泛。傳統的體育行業中，人們愈來愈注重提高身體素質，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、動作不標準而造成運動傷害。如何規范動作，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容。

　　規范運動動作需要對動作進行識別分類，與模板對應計算評分結果。因此動作規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（support vector machine， SVM） ，K最近鄰（K-nearest-neighbor， KNN） ，人工神經網絡（Artificial Neural Networks， ANN） 等。Lin L 等提出基于Kinect 的靜態人體姿勢評分方法，對評分進行修改，能夠有效對動作進行評分。

　　KNN 算法能夠有效分類靜態動作，神經網絡具有較高的自學習和自適應能力。評分方法基于模板數據和測試數據特征向量的角度差，對一般常見健身動作可評分。

　　本文選取KNN 算法和神經網絡算法作為識別算法并將兩者計算結果進行對比，對于基于個人的運動識別領域樣本數據不宜選取過多而影響用戶體驗的原則，選擇能夠準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。在進行運動分類后，針對運動的標準性和易受傷性，通過獲取24 維特征值并對評分公式進行修改，最終對用戶動作是否易受傷和是否有鍛煉效果進行綜合評分，為用戶的運動提供了有效的科學指導。