研究目的:双标水法、间接热量测定法、问卷调查法、心率法和运动传感器法这些当前常用的身体活动能量消耗检测方法具有诸多局限。研究旨在建立一种基于计算机视觉的能量消耗估算方法,在没有任何肢体接触的情况下,使用手机、相机等可视化设备估算多关节健身操运动的能量消耗。研究方法:要求20名20-30岁的女性受试者佩戴K5气体分析仪和心率带完成由15个不同动作组成的健身操运动。15个动作涉及上肢、下肢以及躯干在矢状面内的屈伸运动以及在冠状面的外展内收运动,每个动作持续三分钟,原地踏步30秒后开始下一个动作,以能量消耗由低至高的顺序排列。在受试者正前方、正左侧和正右侧架置的三台智能手机以30帧/秒的帧率记录运动全过程。记录受试者的年龄、身高、体重、身体质量指数（BMI）、腿长、腰围、体脂率、静息心率和运动心率,计算得到心率储备百分比（%HRR）。数据处理包括:（1）选取K5记录的每个动作最后1分钟摄氧量稳态时的氧耗均值作为该动作的实际能量消耗,并换算为梅脱值（MET）;（2）使用Open Pose计算机视觉算法分析运动视频,得到肩、肘、髋、膝各关节中心的坐标位置,并基于坐标位置计算得到左右肩、肘、髋、膝关节和躯干在运动中的角度,角速度和角加速度,以及身体中心点的坐标位置、水平和竖直方向的移动速度、加速度。以上所有数据在时间线上与K5记录的数据对齐,计算最后一分钟稳态时的平均值和标准差,作为预测能量消耗的人体运动指标。使用斯皮尔曼相关性检验分析所有动作的人体运动指标和受试者个人特征指标与梅脱值之间的相关性,保留相关大于0.02（P<0.05）的指标。该部分指标按照数据来源分为三类:（1）数据来自正前方相机;（2）数据来自正左侧和正右侧相机;（3）数据来自正前方、正左侧和正右侧的所有相机。以K5测得的梅脱值为因变量,对分类后的指标进行逐步回归分析,建立3个只含关节运动变量的能量消耗预测模型,分别为模型1、模型2和模型3。在上述三个模型中均加入%HRR变量,得到模型1-1、模型2-1和模型3-1。使用10-k交叉验证方法检验模型的预测准确性,以平均绝对值误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和平均相对误差（MRE）表示。研究结果:经斯皮尔曼相关性检验,发现身体中心、躯干及下肢运动关节指标与能量消耗指标的相关性普遍高于上肢运动关节指标与能耗间的相关性;侧面拍摄所得的运动关节指标与能量消耗指标的相关性普遍高于正面拍摄所得的运动关节指标与能量消耗指标的相关性;心率与心率储备百分比变量显示出与能耗间的强相关性,相关系数分别为0.638和0.661。筛选后保留了56个人体运动指标和2个心率指标。使用逐步回归方法建立三个能量消耗预测模型,其中模型1的决定系数为0.387,纳入3个自变量;模型2的决定系数为0.542,纳入7个自变量;模型3的决定系数为0.628,纳入7个自变量。加入%HRR后,模型1-1、模型2-1和模型3-1的决定系数分别为0.557、0.656和0.696。经交叉验证后发现,误差结果可总结为:模型3<模型2<模型1。纳入正面和侧面人体运动指标的能耗预测模型3同时拥有最小的平均绝对值误差（MAE=0.81）、均方误差（MSE=1.11）、均方根误差（RMSE=1.02）和平均相对误差（MRE=13.60%）。在模型3中加入%HRR变量后,模型预测准确性得到了进一步提升（MAE=0.74,MSE=0.91,RMSE=0.92,MRE=12.33%）。研究结论:基于OpenPose计算机视觉算法的能量消耗估算方法可以在没有任何肢体和心理束缚的情况下,使用简单的摄像设备较为准确地预测多关节复杂健身操运动的能量消耗。相比于上肢关节的运动指标,下肢关节的运动指标对能量消耗有更大影响;相比于正前方相机拍摄得到的外展内收类运动,正侧方相机拍摄得到的屈伸类运动对能量消耗影响更大;身体中心竖直方向的运动指标在能量消耗预测方程中起到了重要作用;模型中纳入的人体运动数据越全面,预测准确度越高。心率监测设备可以作为辅助工具,提高模型的预测准确度。