基于机器学习的舞蹈动作质量评估

用运动捕捉数据给舞蹈动作打质量分：解析关节角度/身体段速度、做多粒度特征工程，五模型对比 + 网格调参 + 阈值优化 + 熵权-TOPSIS 选模 + SHAP 归因，一条完整的运动学评估流水线——代码、文档、面试问答全配齐。

• 任务类型机器学习
• 专业方向计算机 · 人工智能 · 数据科学

数据与任务

如果你想找一个把机器学习全流程做扎实、题目又新鲜好讲的项目，这个「用机器学习给舞蹈动作打质量分」很合适。

它的方向听起来挺有意思——运动捕捉 + 机器学习 + 可解释性，配套也都给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

给舞蹈动作做质量评价，靠人眼打分既慢又主观。难点在于：运动捕捉拿到的是关节角度、身体段速度这类原始运动学量，格式上还以字符串列表存着，得先解析、再变成模型能用、能反映"动作做得对不对"的特征。

这个项目从一份舞蹈仿真运动捕捉数据集出发，搭了一条完整的评估流水线：先把 Joint_Angles、Body_Segment_Velocities 解析展开成髋/膝/肘/肩四个关节角度与躯干/上肢/下肢/末端四段速度，再在其上构造均值、标准差、范围以及角度-速度交互等多粒度统计特征，凑成 20 维表示；然后对比五种主流分类器并网格调参，用熵权-TOPSIS 客观选模，最后用 SHAP 找出哪些运动学特征最影响"动作正确与否"的判断。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

原始运动捕捉量怎么变成有判别力的特征。 这是地基。你要能讲清楚为什么不能把四个关节角度、四段速度直接丢进模型——而是要解析展开，再叠加均值、标准差、范围这些统计量，以及"角度×速度"这种交互特征，从而在多个粒度上刻画一个动作做得标准不标准。

为什么对比五种模型 + 客观选模。 项目对比了逻辑回归、SVM、随机森林、XGBoost、LightGBM 五种从线性到集成的模型，配 GridSearchCV 调参，还在类别不平衡（约 2:1）下用逆频率类别权重，最后用熵权-TOPSIS 综合准确率、F1、AUC、精确率、召回率多个指标客观排名。你能借此讲清楚"单看一个指标会误判、怎么多准则地选出真正最优的模型"——这里 SVM 综合排名第一，召回率做到 100%（零假阴性）。

SHAP 怎么把模型讲成"看得懂的运动学依据"。 SHAP 能排出哪些关节角度、速度特征最推动"动作正确/不正确"的判断，让黑盒变透明。你能借此把模型的决策依据落回到运动学含义上去解释。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 为什么要从关节角度、速度里再造均值/标准差/范围这些统计特征，原始八个量不够吗？
• 类别 2:1 不平衡，你是怎么处理的？类别权重和阈值优化分别解决什么？
• 五个模型都很好，凭什么用 TOPSIS 选 SVM 而不是直接看准确率？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从研究背景、特征工程，一直讲到五模型对比、阈值优化、TOPSIS 与 SHAP，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量又不撞题的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、软件工程、数据科学、体育科学与人体运动分析方向都很合适。它把"原始信号 → 特征工程 → 多模型对比 → 客观选模 → 可解释性"这条机器学习经典链路走得完整又清晰，真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。