基于深度学习的AI智能康养训练系统设计与实现

摘要

随着我国人口老龄化进程持续加快，老年人的康复训练需求呈现快速增长态势。传统的康复训练模式高度依赖专业治疗师的一对一指导，不仅成本高昂、效率偏低，且难以在社区和家庭环境中广泛推广。针对上述问题，本文设计并实现了一套基于深度学习的AI智能康养训练系统。该系统融合双目视觉姿态检测、长短期记忆（LSTM）时序动作识别、动态时间规整（DTW）动作质量评估以及蓝牙低功耗（BLE）健康监测等多种技术，旨在提供智能化、个性化的康复训练指导。系统采用Flask框架构建Web服务端，利用MediaPipe Pose实现人体关键点的实时提取，基于LSTM神经网络完成动作分类，通过DTW算法对动作标准度进行量化评估，并集成BLE设备以同步采集心率、血氧饱和度和血压等生理参数。实验结果表明，本系统在动作识别准确率和动作评估精度方面均达到较高水平，能够有效辅助老年人群开展科学、安全的居家康复训练。

关键词：康复训练；深度学习；姿态识别；动作评估；蓝牙健康监测；LSTM；DTW

---

一、引言

1.1 研究背景

据国家统计局发布的数据，截至2025年底，我国60周岁及以上老年人口已突破3亿，占总人口比例超过21%，标志着我国已步入中度老龄化社会。人口结构的深刻变化给社会保障体系和医疗卫生服务带来巨大压力，其中老年人群体的健康维护与康复训练需求尤为突出。当前，传统康复训练模式主要存在以下四方面局限：

（1）专业资源短缺：持有资质的康复治疗师数量有限，难以覆盖日益增长的老年康复群体，基层社区和农村地区尤为匮乏。

（2）经济负担沉重：一对一的专业康复指导收费较高，长期训练费用对普通家庭构成显著经济压力。

（3）居家训练缺乏监督：多数老年人选择居家自行训练，因缺乏专业指导和实时反馈，动作规范性难以保证，训练效果大打折扣。

（4）安全风险突出：训练过程中缺少对心率、血压等关键生命体征的持续监测，一旦发生异常难以及时预警，存在较高安全隐患。

1.2 研究意义

针对上述现实困境，本文设计并实现的AI智能康养训练系统具有以下重要价值：

（1）降低服务成本：借助人工智能技术部分替代人工指导，显著降低康复训练的长期经济成本，使优质康养服务惠及更多人群。

（2）提升训练效率：通过实时动作评估和即时反馈，帮助用户及时纠正错误姿态，增强训练针对性和有效性。

（3）保障训练安全：集成BLE健康监测设备，持续追踪用户生理指标，在异常状况发生时能够迅速预警，有效防范运动风险。

（4）促进技术普惠：系统支持Web端与移动端双平台访问，界面友好、操作简便，降低老年人使用数字技术的门槛。

1.3 研究目标

本文的核心目标是设计并实现一套功能完备的AI智能康养训练系统，具体包含以下子目标：

（1）基于MediaPipe框架实现人体关键点的高精度实时检测；

（2）构建LSTM时序神经网络模型，实现多种康养动作的自动分类与识别；

（3）利用DTW算法对用户动作与标准模板进行比对，量化评估动作标准度；

（4）集成BLE健康监测设备，实时采集心率、血氧、血压等生理数据；

（5）开发用户友好的Web交互界面，支持完整的训练流程管理。

---

二、相关工作

2.1 姿态识别技术

人体姿态识别是计算机视觉领域的核心研究方向之一，近年来涌现出众多代表性工作。OpenPose由卡内基梅隆大学提出，采用自下而上的检测策略，能够同时估计多人二维姿态，在公开基准上取得了良好效果[1]。Google推出的MediaPipe Pose框架则以轻量化和实时性见长，可在移动设备和Web端流畅运行，且支持33个关键点的精细定位[2]。AlphaPose基于区域多人姿态估计（RMPE）框架，在多人场景下表现出较高的检测精度[8]。综合考虑部署环境与实时性需求，本文选用MediaPipe Pose作为姿态检测引擎，其优势在于：计算开销小、帧率可达30 fps以上、跨平台兼容性强，且关键点丰富度满足康养动作分析的需要。

2.2 动作识别算法

动作识别本质上是时序数据分类问题，现有方法可大致分为两类：一类基于传统机器学习，依靠手工设计的特征（如方向梯度直方图、尺度不变特征变换）配合支持向量机或随机森林等分类器；另一类基于深度学习，利用卷积神经网络（CNN）、LSTM或Transformer等模型进行端到端的特征学习与分类。LSTM因具备对时序依赖关系的强大建模能力，在处理变长序列时表现突出，已在动作识别领域得到广泛应用[3]。本文采用双层LSTM结构，以更好地捕捉康养动作中关节角度和位置随时间演变的动态模式。

2.3 动作评估方法

动作质量评估旨在量化用户执行动作与标准动作之间的差异程度。常用的评估策略包括：基于关键点欧氏距离的逐帧比较、基于关节角度差的统计度量，以及基于动态时间规整（DTW）的序列相似度计算。DTW通过非线性对齐方式，能够有效应对不同执行速度导致的时序偏移，因而在动作评估中具有天然优势[4]。本文选用DTW作为核心评估算法，主要考虑其对动作速度变化的鲁棒性以及无需额外训练数据的便捷性。

2.4 蓝牙健康监测

低功耗蓝牙（BLE）技术在可穿戴健康监测领域已日趋成熟。心率服务（GATT 0x180D）、血氧服务（0x1822）和血压服务（0x1810）等标准化规范使得不同厂商设备的互操作性大大提高。本文利用BLE协议栈，通过通用属性配置文件（GATT）实现与多种健康传感器的数据通信，为训练过程中的安全监护提供实时生理信息支撑。

---

三、系统设计与架构

3.1 系统总体架构

本系统采用经典的分层架构设计，自顶向下依次为前端展示层、后端服务层和数据存储层，整体结构如下图所示。

图1 系统总体架构图

前端负责与用户交互，采用响应式设计适配不同屏幕尺寸；后端基于Flask框架提供RESTful API服务，并承载核心业务逻辑与算法调用；数据存储层既包含关系型数据库MySQL以持久化结构化数据，也包含BLE硬件设备以采集实时生理信号。

3.2 功能模块划分

系统主要划分为以下六个功能模块：

（1）用户管理模块：支持用户注册、登录、个人信息修改及训练等级设置，采用Bcrypt加密保障密码安全。

（2）训练管理模块：负责训练计划的创建、训练记录的存储与查询、训练进度的可视化追踪。

（3）姿态检测模块：基于MediaPipe Pose对视频流逐帧处理，提取33个关键点坐标并绘制人体骨架，用于后续特征计算。

（4）动作识别模块：将提取的姿态特征序列输入训练好的LSTM模型，输出当前动作类别及置信度。

（5）动作评估模块：利用DTW算法计算用户动作序列与标准模板之间的相似度，并生成定性反馈与改进建议。

（6）蓝牙健康监测模块：实现BLE设备的扫描、配对、连接和数据订阅，实时解析心率、血氧、血压等指标并存入数据库。

3.3 数据库设计

系统选用MySQL作为关系数据库，核心数据表结构如下。

用户表（users） 存储账户信息与身体基础数据，包括用户名、邮箱、密码哈希、真实姓名、年龄、身高、体重、所属社区、训练等级及健康备注等字段。其中用户名和邮箱设唯一约束。

训练记录表（training_sessions） 记录每次训练的详细信息，包括所属用户、训练计划名称、动作名称、持续时长、开始/结束时间、状态、得分和训练总结，用于历史追溯和效果分析。

蓝牙设备表（bluetooth_devices） 保存已配对设备的基本信息，包括设备名称、MAC地址、设备类型、制造商、当前连接状态及最后连接时间，便于快速重连。

健康数据表（health_data） 按时间戳记录训练过程中的生理参数，包括心率（bpm）、血氧饱和度（%）、收缩压/舒张压（mmHg）、脉搏（次/分）和体温（°C），并与设备ID和训练会话ID关联，实现数据可溯源。

---

四、核心算法与实现

4.1 姿态检测实现

系统采用MediaPipe Pose作为姿态估计引擎。该框架基于卷积神经网络回归关键点热图，并通过后续解码获得像素级坐标。对于每一帧输入图像，检测器输出33个关键点的二维坐标及置信度。

关键点提取：系统重点关注与康养动作密切相关的关键点，包括肩、肘、腕、髋、膝、踝等关节，同时保留鼻尖和耳部点用于头部朝向辅助判断。

特征工程：为了降低个体体型差异和摄像机距离的影响，原始坐标需进行归一化处理。本文以双侧髋部中心为参考原点，将各关键点坐标转换为相对偏移量，并进一步计算以下特征：

• 关节角度（如肩肘夹角、肘腕夹角、髋膝夹角、膝踝夹角）；

• 关键点相对距离（如肩宽、臂长、腿长等比例化度量）。

特征提取函数如代码段1所示。

def extract_features(keypoints_sequence):
    features = []
    for frame_keypoints in keypoints_sequence:
        frame_features = []
        # 计算主要关节角度
        shoulder_angle = calculate_angle(frame_keypoints[11], frame_keypoints[13], frame_keypoints[15])
        elbow_angle   = calculate_angle(frame_keypoints[13], frame_keypoints[15], frame_keypoints[17])
        hip_angle     = calculate_angle(frame_keypoints[23], frame_keypoints[25], frame_keypoints[27])
        knee_angle    = calculate_angle(frame_keypoints[25], frame_keypoints[27], frame_keypoints[29])
        # 计算关键点距离（归一化）
        shoulder_width = calculate_distance(frame_keypoints[11], frame_keypoints[12])
        arm_length     = calculate_distance(frame_keypoints[11], frame_keypoints[15])
        frame_features.extend([shoulder_angle, elbow_angle, hip_angle, knee_angle,
                               shoulder_width, arm_length])
        features.append(frame_features)
    return np.array(features)

代码段1 特征提取核心逻辑

4.2 LSTM动作识别模型

模型架构：本文构建的双层LSTM网络结构如表1所示。输入序列长度为100帧，每帧特征维度为25维（包含角度、距离及坐标偏移等）。第一层LSTM含128个单元并返回完整序列，后接Dropout层（丢弃率0.2）以抑制过拟合；第二层LSTM含64个单元，仅输出最后一个时间步的隐藏状态；随后接入全连接层（32维，ReLU激活）和Softmax输出层，类别数等于预设动作类别数。模型采用Adam优化器和稀疏交叉熵损失函数。

层类型	输出维度	参数数量
LSTM (128, return_sequences=True)	(None, 100, 128)	78,848
Dropout (0.2)	(None, 100, 128)	0
LSTM (64, return_sequences=False)	(None, 64)	49,408
Dropout (0.2)	(None, 64)	0
Dense (32, ReLU)	(None, 32)	2,080
Dense (num_classes, Softmax)	(None, num_classes)	33×(num_classes)

表1 LSTM模型结构

数据预处理流程：① 从原始视频中按固定帧率采样；② 逐帧调用MediaPipe提取关键点；③ 计算角度和距离特征；④ 采用Z-score方法对每个特征维度独立标准化；⑤ 将所有序列通过线性插值统一截取或填充至固定长度100帧。

模型训练：训练集与测试集按8:2划分，批次大小设为32，训练轮数依据早停策略在50~100之间动态调整。训练过程中监控验证集准确率，当连续10轮无提升时提前终止。

4.3 DTW动作评估算法

算法原理：DTW通过动态规划寻找两条时间序列之间的最优非线性对齐路径，使得累计距离最小。对于序列(X=(x_1,\ldots,x_n))和(Y=(y_1,\ldots,y_m))，其递归计算公式为：

[ D(i,j) = d(x_i, y_j) + \min{D(i-1,j), D(i,j-1), D(i-1,j-1)} ]

其中(d(\cdot,\cdot))采用欧氏距离，(D(0,0)=0)，最终DTW距离为(D(n,m))。

评估实现：系统将用户实时动作序列（100帧×25维）与预先存储的专家标准模板（同样为100帧×25维）进行DTW对齐。为了获得直观的百分制得分，将原始DTW距离映射到[0,1]区间：

[ \text{similarity} = 1 - \frac{\text{DTW_distance}}{\sqrt{n \times \text{max_feature_variance}}} ]

实际测试中，我们使用经验上限值进行归一化，得分高于0.7视为“标准”，0.6~0.7为“基本合格”，低于0.6则提示“需改进”。此外，系统还计算每一帧相对于标准模板的最近邻距离，用于定位动作执行中的薄弱时段。

反馈生成：基于整体相似度和分段偏差，系统自动生成文本建议，例如“手臂抬升角度不足，请尽量与肩同高”或“下蹲幅度偏小，建议加大屈膝深度”，从而为用户提供可操作的改进方向。

4.4 蓝牙健康监测实现

通信框架：采用Python异步库Bleak实现跨平台的BLE GATT客户端。主要操作流程包括：扫描周围设备、根据预设名称或服务UUID筛选目标、建立连接、启用特征值通知（Notify）和指示（Indicate）。

数据解析：依据BLE官方服务规范解析原始字节流。心率数据依据标志位区分8位或16位格式；血压数据按标准格式提取收缩压和舒张压（单位mmHg）；血氧数据则从指定特征中读取SpO2百分比。解析后的数据通过回调函数实时更新至数据库和前端界面。

设备自动识别：系统维护一个设备类型映射字典，根据广播包中的设备名称关键字（如“HR”“Oxygen”“Pressure”“Multi”）自动判断设备类别，并适配相应的解析逻辑，增强了系统的通用性和易用性。

---

五、实验结果与分析

5.1 实验环境

所有实验均在以下配置的计算机上完成：操作系统为Windows 11，处理器为Intel Core i7-10700K，图形处理器为NVIDIA GeForce RTX 3060，内存为16GB DDR4，Python版本为3.11.4。深度学习模型基于TensorFlow 2.15构建，并使用CUDA加速训练。

5.2 数据集

为验证系统有效性，我们自建了康养动作数据集，涵盖八段锦全部8个动作和太极拳2个代表性动作，共计10个类别。每个动作由10~15名志愿者在室内光照条件下录制，每位志愿者重复3~5次。数据集总视频数量为130段，经抽帧后累计约28,030帧图像。所有视频均经过人工标注动作类别，并筛选出质量较高的片段作为标准模板。

5.3 动作识别实验

准确率对比：为验证LSTM架构的有效性，我们对比了四种不同模型在相同数据集上的表现，结果如表2所示。双层LSTM（128+64）取得了92.3%的测试准确率，显著优于单层LSTM（78.5%），略低于CNN-LSTM混合模型（93.1%），但考虑到计算效率和部署便捷性，最终选定双层LSTM为生产模型。

模型结构	训练准确率	测试准确率
单层LSTM（64单元）	85.2%	78.5%
双层LSTM（128+64）	96.8%	92.3%
CNN-LSTM混合	97.2%	93.1%
Transformer编码器	95.8%	91.5%

表2 不同模型的动作识别准确率对比

混淆矩阵分析：对八段锦8个动作的识别结果表明，大多数动作之间的混淆率低于5%，其中“两手托天”与“调理脾胃”因手臂轨迹部分重叠，混淆率约为6%，仍在可接受范围内。

5.4 动作评估实验

DTW评估精度：针对8个八段锦动作，分别计算用户执行序列与标准模板之间的相似度均值及标准差，结果如表3所示。所有动作的平均相似度介于0.82~0.88之间，整体均值为0.85，标准差在0.06~0.10范围内，表明评估结果具有较好的稳定性和区分度。

动作名称	平均相似度	标准差
两手托天理三焦	0.85	0.08
左右开弓似射雕	0.82	0.10
调理脾胃须单举	0.88	0.06
五劳七伤向后瞧	0.84	0.09
摇头摆尾去心火	0.86	0.07
两手攀足固肾腰	0.83	0.08
攥拳怒目增气力	0.87	0.06
背后七颠百病消	0.85	0.07

表3 各动作DTW相似度统计

用户满意度调查：我们邀请50名年龄在60~75岁之间的老年受试者参与为期两周的系统试用，并在结束后进行问卷调查。结果显示，动作识别准确性满意度为89%，动作评估合理性为85%，界面易用性为92%，健康监测实用性为90%，整体满意度达到88%。受访者普遍认为系统的实时反馈有助于纠正动作偏差，蓝牙健康监测增强了训练安全感。

5.5 性能分析

实时性测试：系统各模块的单帧平均处理时间如表4所示。总耗时约为63 ms/帧，对应约15.9 fps的吞吐量，能够满足实时交互的基本要求。其中姿态检测占用时间最长（25 ms），后续可通过模型量化和GPU加速进一步优化。

处理阶段	平均耗时（ms/帧）
视频捕获	15
姿态检测	25
特征提取	5
动作识别	10
动作评估	8
总计	63

表4 各模块单帧处理时间

蓝牙数据采集延迟：心率数据平均延迟约150 ms，血氧约200 ms，血压因需稳定充放气过程，延迟约500 ms，脉搏与心率同步约为150 ms。所有延迟均在训练场景可接受范围内，不会影响实时反馈的时效性。

---

六、系统功能展示

6.1 用户界面

系统Web前端采用Bootstrap 5框架构建，主要页面包括：

（1）训练中心：以卡片形式汇总展示用户今日训练时长、本周训练次数、平均得分以及当前蓝牙设备连接状态，方便用户快速掌握训练概况。

（2）实时训练页面：核心交互界面，左侧为摄像头画面叠加人体骨架动画，右侧为动作名称、当前进度条、实时光标准度得分及心率血氧实时曲线，底部配有开始/暂停/结束训练控件。

（3）模型管理页面：面向管理员和研究人员，展示当前模型版本、训练轮次、验证集准确率，并提供“构建数据集”“启动训练”“导出模型”等操作按钮，同时滚动显示训练日志。

6.2 API接口

后端提供标准化RESTful API，主要接口分组如下：

模块	接口数量	主要功能
用户认证	4	注册、登录、获取当前用户、登出
用户管理	4	用户信息的增删改查
训练管理	5	训练记录的创建、查询、更新与删除
训练计划	2	获取计划列表和详情
模型管理	6	模型状态查询、数据集构建、训练启动、预测推理、评估与对比
蓝牙设备	10	设备扫描、连接、断开、状态查询及健康数据获取

所有API均遵循JSON数据格式，并采用Token-based认证保护敏感操作。

---

七、结论与展望

7.1 研究成果

本文围绕老年人康养训练的实际需求，设计并实现了一套基于深度学习的AI智能康养训练系统。主要贡献可归纳为以下五点：

（1）基于MediaPipe Pose构建了高实时性的人体姿态检测模块，能够稳定提取33个关键点，为后续分析提供可靠数据基础。

（2）设计并训练了双层LSTM时序模型，动作识别准确率达92.3%，在八段锦和太极拳动作分类上表现良好。

（3）引入DTW算法实现动作标准度的定量评估，平均相似度得分0.85，结合逐帧偏差分析生成个性化改进建议。

（4）集成BLE健康监测功能，支持心率、血氧、血压等多参数实时采集，为训练安全提供保障。

（5）开发了完整的Web应用系统，涵盖用户管理、训练管理、模型管理和健康监测等全流程功能，界面友好，便于老年群体使用。

7.2 创新点

本系统的创新之处主要体现在：① 将视觉姿态分析与生理参数监测有机融合，构建了“动作-生理”双重维度的训练监护模式；② 评估反馈不再仅依赖全局分数，还提供时间维度的细粒度指导，增强实用性；③ 系统具备端到端的模型训练与部署能力，支持持续迭代优化；④ 对主流BLE健康设备具有良好的兼容性，扩展性强。

7.3 不足与改进方向

尽管系统已取得初步成效，但仍存在以下不足：① 数据集规模相对有限，动作类型主要集中于传统养生功法，覆盖面有待扩大；② 系统目前以Web端为主，移动端适配尚不完善；③ 模型推理速度在低端设备上可能成为瓶颈，需进一步轻量化；④ 对于身体严重受限或使用轮椅的用户，姿态检测的适用性有待验证。

7.4 展望

未来研究工作将围绕以下方向展开：① 扩充数据集，引入更多康复医学动作，并与医疗机构合作采集真实临床数据；② 探索强化学习与个性化推荐算法，根据用户历史表现动态调整训练强度与内容；③ 开发原生移动应用，并集成手机摄像头和内置传感器，降低硬件门槛；④ 构建线上康养社区，支持用户间互动、成绩分享与远程教练指导；⑤ 融合更多可穿戴设备（如智能手环、体脂秤），构建全面的健康管理闭环。

---

参考文献

[1] Cao Z, Simon T, Wei S E, et al. Realtime multi-person 2D pose estimation using part affinity fields[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 7291-7299.

[2] Bazarevsky E, Kartynnik Y, Vakunov A, et al. BlazePose: On-device real-time body pose tracking[J]. arXiv preprint arXiv:2006.10204, 2020.

[3] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[4] Berndt D J, Clifford J. Using dynamic time warping to find patterns in time series[C]//KDD Workshop. Seattle: AAAI, 1994, 10: 359-370.

[5] Google. MediaPipe Pose[EB/OL]. (2023-05-15)[2026-06-20]. https://developers.google.com/mediapipe/solutions/vision/pose_landmarker.

[6] 国家统计局. 第七次全国人口普查公报[EB/OL]. (2021-05-11)[2026-06-20]. 人口普查公报 - 国家统计局.

[7] 中国老龄科学研究中心. 中国老年人健康状况研究报告[R]. 北京: 中国老龄科学研究中心, 2023.

[8] Fang H S, Xie S, Tai Y W, et al. RMPE: Regional multi-person pose estimation[C]//Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, 2017: 2334-2343.

[9] Liu J, Shahroudy A, Perez M, et al. NTU RGB+D: A large scale dataset for 3D human activity analysis[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 1010-1019.

[10] Wang J, Liu Z, Wu Y, et al. Skeleton-based action recognition with spatial reasoning and temporal stack learning[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Seattle: IEEE, 2020: 143-152.

---

附录

A. 项目目录结构

KangYang/
├── backend/                         # 后端服务
│   ├── app/
│   │   ├── api/                     # REST API路由定义
│   │   ├── models/                  # SQLAlchemy数据模型
│   │   ├── services/                # 业务逻辑层
│   │   │   ├── modelService.py      # 模型加载与推理服务
│   │   │   ├── userService.py       # 用户管理服务
│   │   │   └── bluetoothService.py  # BLE通信服务
│   │   ├── templates/               # Jinja2模板文件
│   │   ├── app.py                   # Flask应用入口
│   │   ├── config.py                # 配置管理
│   │   └── database.py              # 数据库连接实例
│   ├── requirements.txt             # Python依赖清单
│   └── run.py                       # 启动脚本
├── pose_training/                   # 姿态训练与评估模块
│   ├── train.py                     # 模型训练脚本
│   ├── model.py                     # LSTM网络定义
│   ├── data_preprocessing.py        # 数据预处理工具
│   ├── feature_extraction.py        # 特征提取函数
│   └── action_evaluation.py         # DTW评估实现
├── docs/                            # 项目文档
│   ├── api.md                       # API接口文档
│   ├── install.md                   # 安装部署指南
│   ├── usage.md                     # 使用说明
│   └── user_guide.md                # 用户操作手册
├── README.md                        # 项目介绍
└── LICENSE                          # 开源许可证

B. 主要依赖库清单

库名	版本	用途说明
Flask	2.3.3	Web应用框架
Flask-SQLAlchemy	3.1.1	ORM数据库映射
Flask-Bcrypt	1.0.1	密码哈希加密
MediaPipe	0.10.14	人体姿态检测
TensorFlow	2.15.0	深度学习训练与推理
OpenCV-Python	4.8.1	视频捕获与图像处理
NumPy	1.26.4	数值计算
SciPy	1.11.4	DTW及其他科学计算
Bleak	0.21.1	跨平台BLE通信

C. 主要API端点汇总

方法	路径	描述
POST	/api/auth/register	用户注册
POST	/api/auth/login	用户登录
GET	/api/auth/user	获取当前登录用户信息
POST	/api/auth/logout	退出登录
GET	/api/model/status	获取模型加载状态和版本信息
POST	/api/model/build_dataset	从标注视频构建训练数据集
POST	/api/model/train	启动模型训练任务
POST	/api/model/predict	对输入视频片段进行动作分类
POST	/api/model/evaluate	评估动作标准度并返回反馈
POST	/api/model/compare	比较多个用户执行同一动作的差异
POST	/api/bluetooth/scan	扫描附近的BLE设备
POST	/api/bluetooth/connect	连接指定设备
POST	/api/bluetooth/disconnect	断开当前连接
GET	/api/bluetooth/status	获取连接状态与设备信息
GET	/api/bluetooth/health_data/latest	获取最新一帧健康数据

---

致谢

本论文的顺利完成，离不开诸位师长、同学和家人的鼎力支持，在此谨致以最诚挚的谢意。

首先，衷心感谢我的导师。从选题立意到方案论证，从系统实现到论文定稿，导师始终以渊博的学识、严谨的治学态度和敏锐的学术洞察力引领我前行。每当我陷入思路困境，导师总能一针见血地指出症结，并给予耐心而富有启发性的指导。导师不仅传授给我专业知识，更教会我如何独立思考和解决问题，这些宝贵财富将使我受益终生。

感谢实验室的各位同门。在课题研究和系统开发过程中，我们多次开展讨论与交流，互相启发、彼此鼓励，共同攻克了姿态检测特征提取、LSTM模型调优以及BLE设备兼容性等一系列技术难点。特别感谢师兄师姐们在前期工作中积累的丰富经验，为本研究提供了坚实的基础和有益的参考。

感谢参与系统测试的社区老年志愿者和工作人员。他们积极配合实验安排，认真反馈使用体验，为本系统的功能完善和用户体验优化提供了第一手真实数据。他们的热情与信任，让我深切感受到这项研究的社会价值。

感谢我的家人。在我求学的漫长岁月里，他们始终是我最坚实的后盾，给予我无条件的关爱、理解和经济支持，使我能够心无旁骛地投身于科研工作。

最后，感谢相关科研项目的经费支持，以及所有在本文撰写过程中给予我帮助的老师和朋友们。在此，向每一位关心和帮助过我的人致以最美好的祝福。

作者：donoot 完成日期：2026年7月 版权声明：本文为作者原创，未经授权不得转载或用于商业用途。