1.一种基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，包括以下步骤：步骤S1：通过高精度的惯性式摄像头组网络对专家的练习动作进行运动捕捉，得到专家动作数据，其中专家动作数据包括关节运动角度数据以及肌肉活动电位数据；

步骤S2：基于刚体动力学模型以及肌肉骨骼模拟对专家动作数据进行关节扭矩、肌腱传递比以及惯性力分析，得到生物力学参数，步骤S2具体为：步骤S21：根据专家动作数据构建刚体链模型以及肌肉模型；将肌肉活动电位数据映射为肌肉模型的活动参数，从而得到参数化肌肉模型；

步骤S22：将关节运动角度数据作为运动输入，驱动刚体链模型运动，并基于牛顿第二定律对各关节的力和力矩进行求解，得到各关节在每个时间步的扭矩值，从而得到关节扭矩数据；

步骤S23：将关节扭矩数据作为输入，对参数化肌肉模型进行肌肉收缩力反解，从而得到肌肉收缩力数据；

步骤S24：根据肌肉收缩力数据进行基于肌肉附着点位置的作用于骨骼的力矩计算，从而得到骨骼力矩数据；根据骨骼力矩数据以及肌肉收缩力数据计算肌腱传递比数据，其中肌腱传递比=骨骼力矩/肌肉收缩力；

步骤S25：根据刚体链模型将关节运动角度数据分解为每个刚体的运动，并基于刚体进行线加速度以及角加速度的计算，从而得到刚体运动参数数据；

步骤S26：对刚体运动参数数据进行基于牛顿运动定律的身体各部分的惯性力和平衡力矩推导，从而得到惯性力数据；

步骤S27：根据关节扭矩数据、肌腱传递比数据以及惯性力数据进行生物参数分析，从而得到生物力学参数；

步骤S3：将专家动作数据以及生物力学参数导入虚拟现实引擎，并通过骨骼驱动以及逆运动学进行虚拟数字人动作演示生成，得到虚拟动作演示数据；

步骤S4：利用计算机视觉技术对预获取的学员动作视频数据进行关键关节点的特征表达强化，并根据虚拟动作演示数据对学员动作视频数据进行功法动作识别，从而得到学员运动模式数据；

步骤S5：对学员动作视频数据进行人体生物参数分析，得到学员生物参数；根据虚拟动作演示数据对学员运动模式数据进行差异度量分析，得到动作差异度量数据；根据学员生物参数以及动作差异度量数据进行基于生物力学模型的动作调整，并生成训练评估报告数据；根据训练评估报告数据进行基于决策树模型的训练评估决策模型构建。

2.根据权利要求1所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S1包括以下步骤：步骤S11：采用无纹理蓝绿色作为背景，布置多台高精度惯性捕捉相机进行全视角覆盖，得到高精度的惯性式摄像头组网络；

步骤S12：在专家身体关键部位粘贴反射标记点，并佩戴表面肌电图传感器，通过专家在惯性式摄像头组网络中进行功法动作流程完整演示，采集得到标记点的原始肌电数据以及原始3D位置数据；

步骤S13：对原始肌电数据以及原始3D位置数据进行噪声及缺失消除，并对位置和肌电数据进行时间戳同步，从而得到肌肉活性数据以及3D标记点位置数据；

步骤S14：通过生物力学建模软件根据肌肉活性数据以及3D标记点位置数据进行骨骼模型构建，从而得到专家骨骼模型数据；

步骤S15：将3D标记点位置数据绑定专家骨骼模型数据，进行关节运动角度计算，从而得到关节运动角度数据；根据肌肉活性数据进行肌肉活跃水平及作用强度估算，从而得到肌肉活动电位数据；

步骤S16：将关节运动角度数据以及肌肉活动电位数据存储为专家动作数据。

3.根据权利要求2所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S27包括以下步骤：步骤S271：将关节扭矩数据、肌腱传递比数据以及惯性力数据集成为初始生物力学参数集；

步骤S272：根据关节扭矩数据进行肌肉收缩功计算，得到肌肉收缩功数据；根据惯性力数据进行惯性力做的损失功计算，得到惯性损失功数据；

步骤S273：根据肌肉收缩功数据以及惯性损失功数据进行动作过程中的总体能量计算，得到能量消耗数据，其中能量消耗=肌肉收缩功+惯性损失功；

步骤S274：将关节扭矩数据、肌腱传递比数据、惯性力数据以及能量消耗数据集成为生物力学参数。

4.根据权利要求3所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S3包括以下步骤：步骤S31：将刚体链模型以及参数化肌肉模型导入虚拟现实引擎，从而得到虚拟人体模型；

步骤S32：根据专家动作数据对虚拟人体模型进行数据映射，并对人体模型进行动作驱动，从而得到动作驱动人体模型；

步骤S33：对动作驱动人体模型进行基于骨骼的高保真皮肤网格模型生成，从而得到带皮肤网格的虚拟人体动作模型；

步骤S34：通过骨骼动画技术根据虚拟人体动作模型初步实现人体运动，从而得到虚拟动作序列；

步骤S35：根据虚拟动作序列以及生物力学参数进行基于逆运动学约束的细节运动平滑，从而得到虚拟动作优化序列；

步骤S36：对虚拟动作优化序列进行基于生物参数的肌肉运动形变模拟，从而得到带肌肉形变的虚拟动作演示数据。

5.根据权利要求4所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S4包括以下步骤：步骤S41：获取学员动作视频数据；

步骤S42：对学员动作视频数据进行动作片段截取，对动作片段进行动作类型以及关键帧标注，从而得到动作标注数据集；

步骤S43：对动作标注数据集进行数据增强，进行基于姿态估计人体骨骼模型提取，从而得到骨骼动作标注数据；

步骤S44：根据骨骼动作标注数据以及专家动作数据进行基于骨骼的动作对齐，从而得到对齐学员动作数据；

步骤S45：对对齐学员动作数据进行关键关节点特征强化表达，从而得到学员动作特征数据；

步骤S46：根据虚拟动作演示数据以及学员动作特征数据进行功法动作识别，从而得到学员运动模式数据。

6.根据权利要求5所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S46包括以下步骤：步骤S461：将虚拟动作演示数据中的动作分解为语义动作单元，从而得到运动语义数据集；

步骤S462：对学员动作特征数据进行基于不同尺寸核卷积特征提取，并将不同尺度下的特征通道进行拼接，从而得到多尺度特征表示数据，其中不同尺寸核包括小尺寸核捕捉局部时空细节，大尺寸核捕捉大尺度运动模式；

步骤S463：基于多尺度特征表示数据构建时空注意力模块，并通过时空注意力模块对时空位置进行其与所有其他位置的相关性权重计算，从而得到时空依赖特征数据，其中相关性权重计算包括基于捕捉动作的时序依赖的时间注意力权重计算，以及基于捕捉躯干与肢体的相关性的空间注意力权重计算；

步骤S464：根据运动语义数据集对专家动作数据进行标注，并基于标注数据集训练预设的LSTM模型，从而得到动作识别模型；

步骤S465：将时空依赖特征数据输入动作识别模型，并进行功法动作识别，从而得到学员运动模式数据。

7.根据权利要求6所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S5包括以下步骤：步骤S51：根据学员动作视频数据对学员动作进行人体关键点检测以及骨骼模型构建，从而得到学员生物参数；

步骤S52：根据虚拟动作演示数据对学员运动模式数据进行虚实动作差异度量分析，得到动作差异度量数据；

步骤S53：根据学员生物参数以及生物力学参数构建个性化的刚体-肌肉模型表示，从而的得到个性化生物力学模型；

步骤S54：根据个性化生物力学模型以及动作差异度量数据进行约束优化，从而得到动作修正方案数据；

步骤S55：根据动作修正方案数据进行修正前后的动作差异，评估改进程度，从而得到训练评估报告数据；

步骤S56：根据训练评估报告数据进行基于决策树模型的训练评估决策模型构建。

8.根据权利要求7所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S52包括以下步骤：步骤S521：将学员运动模式数据与虚拟动作演示数据进行对齐，并利用动态时间规整算法进行骨骼运动轨迹的相似度计算，从而得到骨骼轨迹对比数据；

步骤S522：根据学员生物参数以及生物力学参数进行关节角度、扭矩以及肌腱传递比生物参数的差异计算，从而得到生物参数差异数据；

步骤S523：将骨骼轨迹对比数据以及生物参数差异数据合并为动作差异度量数据。

9.根据权利要求8所述的基于VR虚拟数字人的健身训练评估决策模型的构建方法，其特征在于，步骤S56包括以下步骤：步骤S561：对训练评估报告数据进行格式化清洗，并进行量化指标及文本提取，得到文本特征数据以及量化指标数据；

步骤S562：对量化指标数据进行归一化处理，从而得到归一化量化向量数据；对文本特征数据进行分词及词向量编码，从而得到分布式文本特征数据；

步骤S563：根据归一化量化向量数据以及分布式文本特征数据进行不同模态的特征信息融合，并构建复合特征组，从而得到复合特征数据；

步骤S564：将复合特征数据作为决策树模型的训练集，并进行参数调优，从而得到初步决策树模型；

步骤S565：在保留的测试集上对初步决策树模型进行泛化性能评估，并基于评估结果对初步决策树模型进行结构优化，从而得到训练评估决策模型构建。