咨询：可用于MM-Fit 2D骨骼数据集的动作重复次数分割算法

以下是针对MM-Fit 2D骨骼数据集的重复动作分割可行算法：

• 动态时间规整（DTW）：这是时序序列匹配的经典方法，适配动作模式固定的重复动作（如深蹲、俯卧撑）。操作逻辑：先截取一段完整的动作周期作为模板，提取模板的骨骼关键点时序特征；在整个动作序列上滑动窗口，计算每个窗口与模板的DTW距离；将距离低于阈值的连续窗口判定为一个重复动作单元。

• 峰值/谷值检测法：针对骨骼关键点的周期性时序信号设计，比如深蹲时膝盖高度的周期性低谷、俯卧撑时肩肘角度的周期性峰值。具体做法：筛选动作中最具周期性的关节（如深蹲选膝盖、俯卧撑选肩肘），提取其坐标或角度的时序曲线；通过滑动窗口平滑、小波变换等方式检测曲线的峰值/谷值点；相邻两个特征点之间的区间即为一个完整的重复动作单元。

• 循环神经网络（LSTM/GRU）序列标注：适合复杂动作或多动作混合的场景，需少量标注数据训练。步骤：将每个帧标注为「动作起始」「动作进行中」「动作结束」三类标签；提取骨骼序列的帧级特征（如关节坐标、速度、加速度、相邻关节角度）；用LSTM/GRU模型学习时序特征与标签的映射关系，最终通过模型输出的帧标签分割重复动作单元。

• 无监督自编码器方法：无需标注数据，适合无监督场景。训练自编码器学习动作周期的紧凑特征表示，计算序列中每个窗口的重构误差；重构误差连续处于低位的区间即为重复动作单元。也可使用变分自编码器（VAE）将动作序列映射到潜在空间，通过潜在空间的聚类结果识别重复的动作周期。

• 聚类分割法：适配无标注且动作模式相对单一的场景。提取每个时间窗口的骨骼特征（如关节角度统计量、运动轨迹形状特征）；用K-means、DBSCAN等聚类算法对窗口特征进行聚类；同一类别的连续窗口即为一个重复动作单元，需提前根据动作周期数量设定聚类数目。

• Transformer时序分割：利用注意力机制捕捉长序列中的动作依赖关系，适合长时长、动作逻辑复杂的序列。用Transformer Encoder处理骨骼序列的帧级特征，后续接分类头预测每个帧对应的动作阶段；根据阶段标签的连续变化分割出重复动作单元。

内容的提问来源于stack exchange，提问作者Van Philip Pangan