体育人工智能领域关键技术的研究现状和发展方向

霍波 李彦锋 高腾 王子鑫 杜泽华 孙纪元

摘    要   随着人工智能技术在体育领域的逐步推广，体育人工智能学科已初现端倪，具体是指以人工智能技术为手段，通过感知、归纳、分析、挖掘人类体育运动的数据，揭示人体运动规律、评估运动表现效果、形成科学运动的方案、研发辅助运动训练的装备，以此提升竞技体育运动表现及实现健身科学化和主动健康。首先介绍人工智能及体育人工智能学科的发展历程，进而基于检索到的855篇学术论文，针对体育人工智能领域的3类主要技术——计算机视觉技术、智能可穿戴设备和大数据技术，归纳了不同技术的数据获取方式，介绍了包括深度学习在内的机器学习等人工智能算法，梳理了其在竞技体育、学校体育、全民健身领域中的应用现状和研究方向，最后分别分析了上述3类主要技术在当前的应用中面临的挑战及未来的主要发展方向。

关键词   人工智能；体育人工智能；体医工融合；主动健康；竞技体育；学校体育；全民健身

中图分类号：G 80-3；TP3           学科代码：040302            文献标志码：A

DOI：10.14036/j.cnki.cn11-4513.2023.03.001

Abstract   With the gradual promotion and application of artificial intelligence technology in the field of sports science， the discipline of artificial intelligence in sports has been emerging. Specifically， it refers to the use of artificial intelligence technology as the approach to perceive， summarize， analyze and excavate the data in the sports activities of human being， in order to reveal the rules of human movement， evaluate the effect of sports performance， establish scientific sports programs， and develop auxiliary training equipment. Finally， it aims to improve the performance of competitive sports and achieve scientific exercise and proactive health. This article firstly introduces the history of artificial intelligence as well as artificial intelligence in sports. Furthermore， by analyzing the 855 academic papers， the data acquisition methods of three mainstream technologies in the field of artificial intelligence in sports are summarized， i.e. computer vision， intelligent wearable devices， and big data technology. The data acquisition methods of different technologies are summarized. The relevant artificial intelligence algorithms including machine learning are introduced. The application and research directions of these technologies in competitive sports， school physical education， national fitness， and other fields are reviewed. Finally， the challenges for the three types of technologies are analyzed respectively， and the future development trend of this field is predicted.

Keywords   artificial intelligence; artificial intelligence in sports; integration of sport， medicine and engineering; proactive health; competitive sports; school physical education; national fitness

人工智能是指通過研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，使机器能做人类需要智力才能完成的工作的新的技术科学［1］。作为新一轮科技革命与产业变革的核心驱动力，人工智能技术正在深刻地影响人类的社会生活［2］。体育是人类促进自身健康、探索运动极限的重要方式，同时也是以丰富人类社会文化和精神文明为目的的一种有意识、有组织的社会活动［3］。近年来，随着人工智能技术在体育科技领域的逐步应用，体育学的研究和教学也在发生着巨大变化，体育人工智能学科已经初现端倪。国家体育总局于2021年10月印发的《“十四五”体育发展规划》中明确提出：信息技术在体育领域广泛应用［4］。这说明人工智能与体育持续、全面、深层次的融合已成为助力体育事业发展的必然趋势。基于此，将体育人工智能定义为：面向人类体育活动，基于人工智能技术，应用参数监测和感知的关键技术，通过建立数据分析和挖掘的理论与方法揭示人体运动规律、评估运动表现、形成科学的运动方案、研发辅助训练装备，以提升竞技体育运动表现、实现全民科学运动和主动健康。

体育学的主要应用场景包括竞技体育、学校体育、全民健身，在这3个方面体育人工智能都已经开展相关的理论研究和技术研发。在竞技体育领域，面向运动员、教练员、裁判员，基于人体动作捕捉、识别和分析开发的训练辅助系统、陪练机器人、戰术优化系统、智能裁判与辅助判罚系统等已在训练、竞赛及执裁方面得到了广泛应用［5］；在学校体育领域，依托人工智能和大数据打造的体育教学生态系统，能帮助学生开展个性化的体育学习与训练、辅助体育教师提高教学质量、协助管理者实现高效的教学管理，促进学校、家庭、社会3个方面的同向协力［6］；在全民健身领域，各类基于人体数据的健身APP大量上线，智能化可穿戴设备逐渐普及，智能化运动场馆开始兴起，人工智能为解决体育资源分布不平衡的问题提供了新的思路，使我国人民群众享受到了现实可行的体育资源获取渠道。

本文主要梳理体育人工智能发展历程、人工智能技术在体育各个领域的应用现状，以期为体育科技工作者进一步探索和研究体育人工智能的理论、技术及应用提供借鉴与参考。

1   文献研究法

本研究选取全球最具影响力和权威性的引文数据库——WOS核心合集数据库（SCI、SSCI和A&HCI）作为数据获取来源。因人工智能学科和体育学科各自都特有多学科交叉属性，所覆盖应用领域范围较广，如果仅以“sports artificial intelligence”为关键词进行检索无法全面分析体育人工智能领域的研究现状，所以根据当前人工智能的热点研究方向，例如：机器学习、深度学习、计算机视觉技术、大数据、智能可穿戴设备、自然语言处理等，提炼出热点词以确定检索词。检索条件为主题，即TS=（Sport*OR Exercise*OR Fitness OR“Physical activity”）AND（“Artificial Intelligence”OR“Machine Learning”OR“Deep Learning”OR“Computer Vision”OR“Inertial Measurement Unit”OR“Big Data”），时间跨度为2002—2022年，语种为“English”，检索时将文献类型限定为“Article”。在上述检索条件下，经人工精炼后共选取了855篇论文。

基于以上这些论文的研究结果，本研究主要针对体育人工智能领域的3类主流技术——计算机视觉技术、智能可穿戴设备技术和大数据技术，归纳其数据获取的方式，介绍包括深度学习在内的机器学习等人工智能相关算法，进而梳理其在竞技体育、学校体育、全民健身等几个领域中的研究现状和应用现状，最后分析上述技术在当前面临的挑战，预测该领域的未来发展趋势。

2   体育人工智能的发展历程

人工智能正在成为推动人类进入智能时代的决定性力量，诞生至今已有60余年的发展历程，可简单分为3个阶段。

在二十世纪四十年代，人工自动机理论出现。直至1956年，美国达特茅斯学院召开了第一次人工智能学术会议，标志着人工智能领域的形成。这一时期的人工智能相关研究关注的是证明几何定理、解决代数应用问题及语言学习问题，主要体现出教育用途［7］。第一台人形机器人“WABOT”（早稻田机器人）于1973年在日本早稻田大学诞生。该事件标志着人工智能技术向工业制造领域的介入，但囿于计算机内存和运算速度的不足，需要人耗费大量时间与精力对设备不断地进行调试，且多位专家对此公开批评，从而导致人工智能技术进入第一次发展停滞期［8］。在二十世纪八十年代，计算机内存容量与运行速度呈指数式增长，局域网技术创新提速，人工智能迎来发展契机。人工智能领域的研究者在这一时期开始将研究重点转向为不同的系统提供其所在领域的专业知识上，试图通过将专业知识与推理机制相结合达到专家水平。卡内基梅隆大学于1980年为某数字设备企业开发的用户订单配置系统-XCON取得了巨大成功，是这一时期的标志性事件。至此，各式各样的专家系统如雨后春笋般应用于工业领域，但是好景不长，除了计算机软硬件和资金方面的限制，没有开源软件和公开的数据标准可以使不同系统共享数据和策略，以及人类知识结构的复杂性均大大制约了专家系统及人工智能技术的进一步发展。佛瑞德·布鲁克斯于1986年发表的论文中提出了一个经典论断——“没有银弹”，即指没有任何一项技术或一种方法可以使软件工程的生产力在10年内提高10倍。这一论断质疑了学术界多年来的关于自动编程可以很快实现的幻想，同时也拉开了人工智能第二次受到冷遇的序幕［9］。进入二十一世纪，互联网开始普及，网络数据量与业务量的暴涨推动着计算机软硬件性能升级，物联网及传感技术的发展加速了物理世界量化进程，人类进入大数据时代，知识的自动获取成为现实。Hinton于2006年提出了一种基于深度信念网络（DBN）的无监督学习训练方法，促使学界开始深入研究深度学习［10］。使用DBN和深度自动编码器检索文件可以显示单词特征，与广泛应用的语义分析相比具有明显优势，可使文献检索更容易。这一思想已被初步扩展到音频文件检索和解决语音文件识别问题中。该方法可通过逐层预训练有效克服深层神经网络在有监督训练模型时学习特定任务的困难，从此出现了深度神经网络的研究，即通过分类、聚类、特征提取算法从大数据中获取知识的深度学习技术［11-12］。至此，人工智能技术逐渐应用于各个领域，深刻影响着人类的生活。

自1951年克里斯托弗·斯特雷奇编写了第一款能下西洋跳棋的计算机程序，到2016年Alpha Go击败围棋世界冠军李世石，可以说，体育始终是人工智能技术的实验与应用对象。纵观体育人工智能发展史，伴随着人工智能技术的产生、兴起、沉寂和复兴，体育人工智能技术也相应体现出阶段性特征（如图1所示）。

1）萌芽期（二十世纪五十年代至八十年代）。人工智能技术诞生之初，以西蒙和纽厄尔为代表的理性学派认为，人脑与计算机可以视为信息处理器，任何能够以一定的逻辑规则描述的问题都可以通过人工智能程序解决。而棋类游戏恰恰是这种形式化符号问题的典型，因此，体育在人工智能领域被用作理性学派的试验场，用来验证算法的优越性。科学家艾伦·纽厄尔和奥利弗·塞弗里奇于1955年分别作了下棋与计算机模式识别的研究［13］。阿瑟·塞缪尔于1956年提出了机器学习理论，并编写了能够与人类下西洋跳棋的程序。这套程序在1959年击败了设计者本人，又于1962年战胜了美国某州的州冠军［14］。之后，随着人工智能发展出现第一次低潮，体育与人工智能的结合也陷入20年的沉寂。

2）形成期（二十世纪八十年代至二十一世纪前十年）。在二十世纪八十年代，竞技体育蓬勃发展、大众健康意识增强、专家系统广泛应用，推动人工智能技术开始应用于提取和分析运动、饮食、运动损伤、疲劳方面的数据。由此，体育与人工智能的结合开始趋向深入。在科学训练方面，Nobbe于1988年编写了综合程序，用于分析和改善运动过程中生物力学、生理学及心理学表现，以有效地辅助运动训练［15］。此后，Takashi从技能模拟、负荷监测、动作分析等角度系统归纳了人工智能技术在健身活动中具有的功能和特点、发展方向等［16］。在医疗和伤病预防方面，Irler等基于健康信息大数据，通过概率模型预测锻炼活动的风险［17］；Zelieii等基于机器学习算法开发了可实际应用的运动损伤诊断专家系统［18］。在比赛预测方面，Mccabe使用神经网络算法构建了一种人工智能模型，用于预测特定运动比赛的结果［19］；Reed等的研究表明，人工智能和计算机化方法预测体育比赛结果的能力首次超过了人类，建议建立一个体育信息数据库以实现人工智能在体育领域的应用［20］。总体来说，体育与人工智能的融合在这一时期取得了一定成效，主要体现在促进科学训练、医疗保健、预测体育比赛结果等。同时，数据记录、算法、应用方案、软硬件技术等条件尚未成熟，使得体育人工智能技术并未形成整体化和系统化的应用局面。

3）全面融合期（二十一世纪前十年之后至今）。随着深度学习算法、大数据、云计算、虚拟现实、传感器、物联网等新技术的发展，体育人工智能技术进入高速发展期，在竞技体育、学校体育、全民健身领域逐步呈现整体化、系统化、精细化的应用局面。例如：在体育赛事转播、智能判罚、竞技体育训练、体育教学、智能体育场馆、个性化健康管理等方面成果丰硕。在竞技体育的技术训练与战术建模方面，无线传感的运动监测装备已得到初步应用。NBA早在2013年就引入“Sport VU”系统，将3D高清摄像头、各类传感器与超级摄像机相连，通过动态捕捉、跟踪分析、提取数据建立战术模型，并最终输入NBA数据库。在学校体育方面，以大数据为核心的人工智能领域的各种技术应用于教育教学后取得了显著的成效，不但推动了学校体育课程改革，而且加快了体育教育现代化建设，以科技手段和智能技术促进学校体育各方面的发展，改善现有的体育教学模式，降低体育教学中的运动损伤风险，确保学生安全而愉快地进行体育锻炼。在全民健身方面，围绕健身计划生成、实时动作反馈、健身膳食安排、健身效果评估的智能算法与虚拟现实（VR）技术相继落地应用，用户可以通过APP软件在沉浸式、数字化的虚拟运动训練环境中健身，不仅可以实时监测热量消耗、步频、心率等，而且还能选择最合适的运动强度健身服务方案［21］。此外，随着智能建筑的开发与建设，智能化和数字化的体育场馆的研究也进一步深入。该阶段能突破之前体育与人工智能结合的局限得益于信息技术的快速发展和互联网的普及，尤其是算力突破、算法强化等使输入的数据可以自行模拟和构建相应的模型，并且精准度大大提高，实现了体育与人工智能多方位、深层次、立体化的融合。

3   计算机视觉技术在体育领域的应用

计算机视觉技术是人工智能领域的重要分支，主要使用摄像机对目标对象进行测量，并通过人工智能算法进行图形处理和人体动作识别。近年来，基于卷积神经网络的深度学习模型在大规模图像分类和身体姿势识别方面取得了标志性进展，不仅能够精准地识别和检测人体运动动作，而且在训练效果反馈和辅助决策中发挥着越来越重要的作用。

3.1  数据获取与分析

当前，人们主要采用高速相机获取视觉图像，包括基于反光标记追踪的红外三维动作捕捉和无标记动作捕捉2种方式。基于反光标记追踪的红外三维动作捕捉主要通过多个摄像头聚焦到同一公共捕获区域，追踪特定的标记点，通过计算机视觉技术方法计算得到标记点的三维位置信息。该方式的优点主要是对捕获目标的运动区域无限制，且有较高的采样频率和毫米级的精度，但是不足之处在于：操作系统价格过于昂贵，前期标定过程较繁琐，后期需要处理的数据体量较大、耗时过长。无标记动作捕捉是基于计算机视觉技术的机器学习算法对视频进行自动分析和信息提取，其特点是具有较高的准确性、鲁棒性且易于操作，并以较低的成本实现对日常训练比赛中人体动作的无干扰识别。

目前主流的基于计算机视觉技术的运动捕捉系统有Vicon、Qualysis、Microsoft Kinect等［22］，其大多依靠摄像机拍摄二维平面图像，然后再将多个相机拍摄的二维图像进行三维合成，以进行人体运动动作识别和分析［23］。如果要更精准地捕捉和识别运动员的动作，监测用的摄像机在运动场地中的摆放位置非常关键。例如，Kasuya［24］、Montoliu［25］及Leo［26］在体育场设置了多个摄像头（如图2所示），以鸟瞰视角采集整个体育场的运动图像。有多项研究显示，运动摄像机的典型采集频率在25～250 Hz，使用过快的采集频率会导致过大的数据量，但是对极为快速的运动则应采用高速摄像机［27-32］。

传统的二维相机只能拍摄到相机镜头视角内的物体，但是无法测量物体到相机的实际距离。而深度相机可以通过无接触、基于光反射的方法获取物体到相机的实际距离参数。结合特定点在二维平面图像中的坐标便可获取图像中每个点的三维空间坐标，并依此重构三维图像，实现真实场景还原及目标对象定位和识别。因此，深度相机凭借较少的相机数量、简易的操作流程及低廉的成本，开始广泛应用于计算机视觉技术领域。当前，市场上的深度相机主要有3类：结构光、光飞行时间法、双目立体视觉法。

有专家提出，基于视觉的人体动作识别主要有以下3个步骤：1）从图像帧中检测运动信息并提取底层特征；2）对行为模式或动作进行建模；3）建立底层视觉特征与动作类别等语义信息之间的对应关系［33］。实际上，目标检测是在视频的每一帧中定位目标对象，这是视频监控的第一步；之后再对目标对象进行分类和跟踪并检测出运动目标［34］。应该注意的是，在运动目标检测时存在噪声、光照强度变化、动态背景、遮挡、阴影等问题。而提取图像特征主要是通过机器学习算法对摄像机捕获的视频数据进行预处理（例如消除噪音等）并生成一个用于分类的降维空间。相关研究表明，为了获得球员的精确动作或与之相互作用的球的轨迹，最常用的方法是使用光流提取特征信息，其主要思想为计算帧内目标监测点的速度，并估计该目标监测点在下一帧中的位置［35-37］。随着信息技术的进步，深度学习算法能自动化地进行图像的特征提取和信息的整合归类，包括进行检测识别的卷积神经网络（CNN）［38］、循环神经网络（RNN）［39］等。具体操作步骤包括将拍摄到的人体动作二维图像进行转换、输入分割后的图像特征数据信息等，在借助深度学习算法识别人体动作后，便可以构建人体运动学模型，这是视频监控的第二步。最后，根据已提取的底层视觉特征获取连续图像中的运动学参数，预测或估计目标对象在图像序列中的位置和方向，并与视频数据集中的动作类别等语义信息进行对比，通过识别连续图像中具有相同或相近特征的目标，自动化地通过计算机视觉技术识别人体动作，以便后期针对个人专项技术进行优化。

3.2  在竞技体育领域的应用现状

3.2.1  构建智能辅助决策系统，预测运动技术和战术

随着计算机视觉技术在竞技体育中的广泛应用，通过高清摄像头对快速运动的球和运动员进行拍摄，并通过相关算法对快速运动的球和运动员进行识别与追踪，显著提高了对球员移动轨迹分析的精准性，并且可以提高运动队使用比赛录像进行球队战术分析及效果评判的效率［40-41］。精准且高效地对球员和球的运动轨迹进行识别是技战术预测的前提，在运动队中的应用尤为凸显。针对足球比赛視频中集体运动特征识别困难的问题，Takahashi等在2013年首次提出了一种用于识别篮球比赛中运动特征的方法，并侧重于分析人的动作和摄像机运动之间的关系，称为时空多尺度袋（STMB）［42］。通过这种方法能将在时空子区域中提取的关键点变化轨迹作为运动特征，而后能将STMB中的一个子区域的全局表示与局部表示相结合创建全局成对表示（GPR）。相关研究表明，使用基于STMB的GPR训练的两阶段支持向量机对动作进行分类与识别，能够可靠地检测视频中的特定行为［42］。因此，基于机器学习智能算法能实现在复杂场景下的运动目标跟踪，为后续进行的动作识别、特征提取奠定了坚实基础。

计算机视觉领域的某视频分析企业研发了一套系统，能通过智能AI算法综合分析训练与比赛（包含自己的和对手的）中的统计数据和视频数据，可以从中发现比赛中的技战术安排或执行上的缺陷，量化评估阵容搭配或战术策略的效果（得分增加、获胜概率等），并据此提出有关比赛排兵布阵的方案，最终通过平板电脑等载体可视化呈现比赛数据分析结果，为教练员的赛前备战和临场技战术调整提供支撑［43］。

综上所述，特定运动项目的比赛技战术分析与预测及教练员的临场指挥主要依赖教练员的个人经验，而将传统的技战术分析、预测方法与人工神经网络、卷积神经网络算法的计算机视频分析技术相结合可以从日常训练和正式比赛中收集和分析运动员的各项数据指标，并且据此可以构建更具精细分析功能的智能辅助决策系统，有助于教练组结合自身丰富的实战经验精准而高效地制定比赛中的应对策略和球队战术。

3.2.2  研发智能辅助训练系统，评估运动员动作质量

运动员的动作质量和训练效果可基于计算机视觉技术进行评估，并可以开发智能辅助训练系统，以针对运动员进行个性化的动作分析和训练。在相关研究中，通过计算机视觉技术获取运动学信息最常见的方法是根据运动生物力学原理运用三维动作捕捉技术获取，即在实验室环境下追踪黏附在人体表面骨性标志点的反光点，然后基于人工修正后的标记点进行三维坐标构建，形成构建人体骨架模型的技术［44-45］。然而，在正式比赛中不允许运动员佩戴附着在身体上影响其运动表现的标记物，这些限制促使运动分析系统转向应用深度学习和计算机视觉技术的自主与无标记的方法。

无标记动作捕捉方法是应用视频跟踪技术量化运动学指标，通过深度学习算法对多个特定动作指标进行连续性的追踪观测，并精准重建人体三维模型，这样便可确保定量化分析动作质量的可靠性，而且能提高获取相关运动数据的精确性［46-47］。在实现精准识别数据的基础上，Baclig等更进一步地将姿态自动识别算法运用到识别视频中每一帧的人体关节点，并首次将深度学习和计算机视觉技术应用于优秀壁球运动员的运动学指标评估中，计算出运动员在整场比赛中的平均移动速度，揭示了优秀壁球运动员在比赛中必须具备令人难以置信的速度和耐力水平［48］。此外，计算机视觉技术还可助力构建智能教练系统。例如：中国“跳水梦之队”使用的“3D＋AI”跳水训练系统可以通过高速相机、计算机视觉技术、3D建模技术等设备和技术从360°全方位地采集运动员在1～2 s内完成的跳水动作指标，并能完成身体姿势的三维重建及量化评估［49］。除此之外，还构建了其他运动项目的智能教练系统，例如：在篮球运动员训练时，可以通过人工智能教练系统摄像机录制到的球员投篮动作，实时监测运动员投篮的发力顺序、出手角度等，如果动作未达标，可以通过指示器发出的声音或振动提示球员［46］。基于VR技术的排球运动训练模拟系统能通过捕捉动作数据的方式收集运动员的相关参数，结合人体运动学理论检查动作的合理性［44］。VR感知交互模型能够识别运动员是否动作规范且达到标准，同时还可以对训练过程中未达到动作标准的运动员进行提示，以提高训练质量和效率。

可见，基于深度学习的人体关键点检测算法在解决竞技体育的非接触测量方面已有突破性进展。目前广泛应用于运动生物力学方面的研究中，主要是结合地面反作用力进行逆动力学计算，分析关节和肌肉受力情况及通过识别到的运动员技术动作参数进行运动员的运动效果评估和技术动作优化。开发基于计算机视觉技术的智能辅助训练系统将会提高训练质量及训练效率，优化教练团队职能，有利于取得更加优异的竞赛成绩。

3.2.3  构建视频辅助裁判系统，提高体育赛事判罚准确性

囿于人眼的视野范围、反应速度及遮挡问题，当前已经开始采用人工智能技术建立视频辅助裁判系统来提高判罚的准确性。例如，2006年美国网球公开赛首次应用“鹰眼系统”，人工智能技术协助裁判员多次解决了重大比赛中难以抉择的判罚，起到了举足轻重的作用。近年来，原本排斥“鹰眼系统”判罚的红土场网球赛事也开始采用“鹰眼系统”辅助边线判罚，并进行网球运动轨迹和落地位置还原。例如：美国职业棒球大联盟（MLB）基于“鹰眼系统”的快速捕捉能力，在正式比赛中尝试使用人工智能驱动的自动判罚系统（ABS）。美国男子篮球职业联赛也开始通过“鹰眼系统”和可穿戴设备打造能够还原比赛争议场景的三维动画系统，用以辅助裁判决策。

在同场对抗类运动项目中（例如：篮球、足球等），犯规和违例往往是判罚中极具争议的部分。随着视频辅助判罚技术在欧洲足球协会联盟于2016年举办的赛事中初次亮相，该技术逐步进入研究者的视野。视频助理裁判（VAR）是由现役裁判担任，负责通过回放视频向主裁判提供信息，协助主裁判判断足球赛场上的形势，提高判罚的准确性。该技术主要依靠遍布在球场上的多个摄像机，从多机位和多角度捕捉球员的动作。在2022年卡塔尔世界杯举办时，作为VAR系统的延伸，半自动越位识别技术（SAOT）被广泛应用。该系统运用视频动作捕捉技术，通过球场顶部的12台特制摄像机，定位29个与判罚相关的不同部位以形成数据采集点，并以50次/s的频率发送数据，能实时追踪足球和球员的位置、自动划出虚拟越位线并生成三维图像，可以精确展示足球与其附近球员的位置。同时，当监测到球员越位后，SAOT便会将信息通知VAR，帮助裁判作出决定［50］。

综上所述，竞技体育始终要最大程度地营造公平与公正的比赛环境，因此，运用高新技术构建视频辅助裁判系统是所有竞技体育赛事发展的趋势。例如“鹰眼系统”的开发，显著杜绝了乒乓球、网球等球类运动项目中有失公允的漏判和误判的发生。使用高科技手段辅助裁判员执裁成为了现实，并且其判罚准确性也有了质的提升。

3.3  在学校体育领域的应用现状

3.3.1  构建学校运动训练与教学系统，改善体育课堂教学效果

现阶段为了提高学校体育教学和运动训练的效率，运用计算机视觉技术为学生提供的人机交互的运动训练教学系统，可以使学生通过此类系统深化自己的认知和了解自己的不足，以更好地完成训练和学习任务。人机交互（HCI）是通過计算机输入与输出设备有效地实现人与计算机互动的技术。其将语音识别技术、手势识别技术、人体识别技术与人机交互相结合，可以为学生学习专业知识和运动训练提供数据支撑［51-52］。HCI不仅能自动分析学生的训练和学习效果，还能为学生提供相应的建议，帮助学生迅速改进当前的不足。有一个基于人工智能的运动训练教学模型（如图3所示）能运用基于人工智能驱动的摄像头系统及配套分析软件自动检测学生在体育课堂的身体活动情况（例如：跑动距离、能量消耗等）。在此类智能体育课堂实践中，相机可以监督学生训练和测试的整个过程。每个操作完成后，学生可以在现场屏幕中以可视化的方式看到自身运动过程的数据、运动能力评估结果和运动处方［53］。该模型可以根据采集到的学生的运动信息结合其历史运动成绩，制定出合理的个性化训练方案，提高学生的训练效率。因此，通过构建基于计算机视觉技术的运动训练与教学系统，对于教师而言，可以在学生未觉察的情况下监控体育课堂的运动负荷，甚至可以帮助体育教师监控学生的技术动作完成质量，从而从整体提高体育课堂教学质量；对于学生而言，该系统在为其提供个性化的和精准的运动处方的同时，还能可视化学生在体育锻炼过程中的进步情况，能更好地激发学生的学习兴趣。

3.3.2  构建体育课堂智能预测系统，准确评估学生的运动损伤风险

学校体育课程在体育教育与体育教学中起着非常重要的作用，而针对体育活动过程中的运动损伤情况的调查、预测乃至形成预防措施已然成为学界的热点议题。然而基于经验的运动损伤预判容易出现偏差，所以应将计算机视觉技术与机器学习算法相结合对运动损伤风险进行有效评估及预测，根据有针对性的评估结果调整课程内容，可以大幅度提高体育教学水平，最终促进学生体质健康水平提高。因此，完善学校体育教学中的运动损伤评估手段是降低运动损伤风险、改善体育教学效果的重要途径［54］。例如，可以通过计算机视觉技术捕捉学生的运动姿势，并与“视频集”中的错误运动姿势进行对比，实时发出警报声，同时自动生成多种干预方法，以降低学生在体育锻炼过程中的运动损伤风险［55］。

已有研究表明，应用视觉传感技术预测学生在体育课中的运动损伤风险是切实可行的［56］。从图4可以看出，在评估学生的运动损伤风险过程中，首先需要通过图像采集技术采集学生的身体形态信息、运动学和生理信息，并实时发送到数据处理系统。进而使用不同的图像处理技术处理所采集的图像，对处理后的图像进行综合分析与评价［57］。综上所述，学校运用视觉传感技术辅助构建学生运动损伤预测系统能有效地对学生的运动损伤风险进行预测和评估。

3.4  在全民健身领域的应用现状

3.4.1  构建沉浸式运动健身系统，打造“AI＋健身”元宇宙

VR技术能使用户在运动中体验到前所未有的沉浸感。该技术为居民个人健身提供了丰富的运动场景，可增强运动乐趣，满足体育运动项目向数字化与智慧化转型的需求，能为体育产业的高质量发展赋予新动能。例如，虚拟健身俱乐部可以将VR技术与运动健身相结合［58］，通过智能视频技术和Kinect体感技术实时采集用户动作信息，再通过机器学习中的K近邻空间插值算法（KNN）和人工神经网络算法进行动作评分和技术指导。已有研究表明，虚拟健身俱乐部体验系统可能会减少实体健身房产生的将近70%的资源耗费［58］。如果再出现疫情，可以通过VR技术辅助使健身者足不出户地参与多种健身活动，在运动中享受乐趣，也可以与线上的朋友一起运动，塑造一个更新颖的“体育新世界”，打造智慧健身元宇宙。

3.4.2  研发智能健身教练系统，提供科学的健身指导

随着现代科学技术的日益进步，基于计算机视觉技术的动作监测与识别技术能精准地捕捉人体运动时的动作细节，可以通过图像识别算法对摄像头采集到的图片或视频进行实时解码分析，为用户生成体适能与运动损伤风险评估的可视化报告，并提供科学的健身指导。

广场舞作为全民健身活动之一，尤其受到女性的喜爱。有学者发现，运用卷积神经网络构建模型对识别多人且具有难度的动作用时更短、效果更好，由此可以更加准确地识别运动轨迹，进而判断动作的质量［59］。例如：Flores等研发了一个移动应用程序“Verum Fitness”并应用于健身房中。该应用程序可以通过手机上的摄像头实时记录健身爱好者的运动状态，将每一帧图像反馈到模糊推理系统（FIS）并能告知用户是否在进行正确的锻炼，也可以间接预防相关运动损伤［60］。还有一个商用移动智能篮球馆系统（如图5所示）能通过球场上多台摄像机记录整场比赛，可以使用支持向量机预测高光分数的估计值，能实现比赛场景的实时自动监测、球员高光时刻捕捉、精彩视频剪辑及用户与球友进行线上互动［61］。

综上所述，计算机视觉技术是通过动作捕捉系统，以身体姿势识别技术分析人体的运动过程，并且能将采集到的数据作为运动爱好者体能训练和运动康复的重要量化支撑。通过人工智能模型自动进行的运动过程分析与运动损伤风险评估，可以提高健身指导服务效率和科学运动水平，响应主动健康的国家战略，以科技赋能促进居民健康水平提高。

4   智能可穿戴设备在体育领域的应用

智能可穿戴设备是采用智能化嵌入式技术对普通运动装备进行智能化设计，使运动监测传感器可穿戴于人体各部位，再通过全球定位系统、加速度计、心率检测仪等采集人体运动和生理数据。自2016年起，可穿戴技术在美国运动医学学会（ACSM）发布的全球健身趋势榜单中位居前三，近两年稳居第一，智能可穿戴设备在全民健身领域的消费者之多不言而喻［62］。在互联网技术和传感器技术尚未高度智能化时期，采集各类运动项目运动员的数据时常常面临运动速度快、时间短、监测范围大等困难，对设备的更新率提出了更为严苛的要求。

传统的基于GPS的定位系统已无法对运动员的场上位置、速度、运动轨迹等参数信息进行精准采集和低延时传输与分析。随着人工智能技术的迅猛发展，多模式AI立体联合定位系统通过内置的惯性传感器和智能定位卡片很好地解决了这一难题。研究人员使用数据挖掘、机器学习等数据分析手段，分析了不同运动负荷类型数据的特征，并且可以对不同运动负荷的具体数值进行概括，以数字化和可视化的方式呈现运动员的运动负荷，使教练员对训练过程有更为直观的认识，进而为后续个性化训练提供数据支撑，而且可以实时追踪运动员的场上位置及采集动作与身体姿势数据进行技术动作评估。与正确的和合理的运动姿势进行比对，得出的比对结果能为运动员规范技术动作和糾正细节提供参考。

4.1  数据获取与分析

可穿戴设备按照使用对象和应用情境可分为普通型、训练型和科研型。不同类型可穿戴设备的需求、测量精度、操作复杂程度各不相同。可穿戴设备按照身体穿戴部位可以分为头部可穿戴设备、手部可穿戴设备、躯干可穿戴设备、下肢可穿戴设备，以此可以实现全方位和立体化的人机交互。

随着多传感器AI融合算法的鲁棒性、运算速度及精度进一步提升，采集到的运动指标或运动生物学指标数据可集成于同一可穿戴设备中。随着传感器的类型越来越丰富、精度越来越高、体积越来越小，基于可穿戴传感器的动作识别及生理指标监控逐渐成为学界研究的热点。图6清晰地显示了当前市场中销售的可穿戴设备在竞技体育领域的应用现状，能更为全面地体现不同类型传感器如何全方位和多维度地采集运动过程中的各项指标数据。同时，还可以通过AI算法充分挖掘这些数据中的信息，以此提供专项训练建议和优化运动员的运动表现。

4.2  在竞技体育领域的应用现状

4.2.1  构建“可穿戴设备+AI”运动伤病管理系统，实现运动负荷监测和运动风险预测智能化

运动负荷是指在运动过程中机体所承受的内外部刺激的总和，贯穿于运动训练和体育比赛的全过程，也是决定竞技运动表现的关键影响因素。有专家提出［63］，运动负荷的量化调节和精细化控制是当前运动训练科学化的一个主要发展趋势。有学者使用文献计量法分析得出，早期体育人工智能研究的主要载体为智能可穿戴设备，目的是对人体运动状态的相关参数进行采集，并自动构建数字模型以进行简单有效的监控与评估［64］。可穿戴设备对人体内部负荷的监控指标可以分为3类，即心肺指标、体液指标和神经肌肉指标。例如，光电容积脉搏波（PPG）传感器结合AI技术，除了可以持续监测血氧和心率，还可以评估最大摄氧量、训练负荷、恢复时长等指标，因而成了监测运动健康状况的得力“助手”。与此同时，对外部负荷的监控通常以GPS、陀螺仪和加速度计3种传感器为主，并且可以对运动员的跑动能力、变向次数、负荷累积等相关指标进行分析，以评估运动员的身体活动能力及进行运动损伤预警。

如何使运动员避免伤病并能以最佳状态上场比赛、延长运动员的职业生涯是竞技体育领域长久以来关注的问题。大多数教练员对新兴人工智能技术并不了解，仍然依赖自身多年的训练经验预估运动员所能承受的极限运动负荷及指导运动员在低受伤风险的情况下达到最佳运动成绩。这种方法虽然有效，但是风险太大且成功率太低，一旦某个环节出现纰漏便会导致运动损伤的发生，在严重的情况下，可能会影响到运动员的整个职业生涯。相关数据显示，美国职业棒球联盟在1年中用于运动员伤病治疗就要花费10亿美元［65］。鉴于此，有效应用现代科学技术设计最佳训练方案及进行伤病预防是十分必要的，即需要打造“智能可穿戴设备+AI”伤病管理系统。

人体是一个极其精妙且复杂的系统，而人体运动损伤产生机制仍未完全明确。因此，可穿戴设备不仅要不断优化硬件以精准采集动作、心率及肌电数据，还应关注由AI驱动的软件分析系统。由AI驱动的软件分析系统能基于采集到的数据进行有效的运动负荷评估，并可以提出有针对性的训练计划调整建议，减小运动伤病发生的概率。当今学界主要通过构建人工神经网络模型以识别与判定动作类别及能量消耗［66-67］，从海量的“数据集”中通过数据驱动的学习过程识别变量的非线性变化，从而可以构建复杂系统模型，能从多视角诊断运动损伤成因并可以有效地预测运动损伤的发生。因此，应用人工智能技术辅助教练员在训练中及时而有效地进行运动负荷控制并给予运动员适时的反馈，不仅可以避免过度训练和降低运动损伤风险，还能增强运动员的内在动机和产生更好的神经肌肉适应性。

综上所述，近年来，大量的可穿戴设备运用了数字技术、智能化手段及大数据技术，尤其通过人工智能技术建立了各种运动负荷控制及预测模型，在很大程度上促进了训练负荷的量化，而只有对运动负荷强度进行精准测量，才能实现对竞技训练的有效控制，才可以追根溯源地解决运动负荷的量化问题，也才能深入了解运动员在运动表现方面的短板和优势，从而使运动员不仅可以提升运动表现，还能预防运动损伤和延长运动寿命。

4.2.2  研发一体化智能可穿戴设备，提高使用舒适度

运动员不仅需要进行高强度的运动训练，甚至在一些运动项目训练中需要激烈的身体对抗，所以要求可穿戴设备要尽可能地缩小体积和减轻重量，以减少运动员穿戴时的不适感，降低对运动员的运动表现的影响［68-70］。同样，可穿戴设备获取的信息量决定了监控质量，在智能传感器集约化技术未成熟前，为了实现对运动训练过程的最优化控制，往往需要运动员一次性穿戴多种监控设备以获取生理、运动训练学等方面更为全面的指标参数。这就对如何将现有可穿戴设备进行高度集成及构建全面的自动化测试指标体系提出了新的挑战，而且已然成为可穿戴设备在竞技运动训练领域应用面临的重要瓶颈。

为了在不影响运动员正常发挥的前提下采集数据，传感器功能的集成化和外观的微型化便显得尤为重要。例如，在监控外部负荷时，某企业研发的内嵌几十片微型传感器的高水平运动员运动表现分析系统已被中国自由式滑雪空中技巧国家队采用［71］。该系统主要通过内嵌智能微型传感器的动作捕捉紧身衣、紧身裤、鞋垫、手套来收集记录穿戴者的肢体各部位的加速度、角速度等数据。相比传统的光学传感器，应用惯性传感器的智能服装具有信息数据捕捉更准确、全天候、抗干扰能力强等更多优势。为了不影响运动员比赛，隐藏在智能可穿戴设备中的传感器重量仅有0.9 g，体积也只有1元硬币的1/3。同样，在监控内部负荷时，某品牌的智能健身衣已在国内外市场有了大量消费者。该健身衣内置呼吸和肌电传感器，不仅可以计步、监测心率，还能监测人体不同部位肌肉力量的训练情况，并可以将数据同步至APP以转化为可视化图表，实现对身体锻炼情况的精准把控，辅助教练员及时调整训练计划［72］。同时，该健身衣还具有高延展性，材料透气、防水且防晒，100%机洗也不会破损。

随着可穿戴设备的不断更新，汗液乳酸的测定可以为血液乳酸测定提供一种无创的检测方法，且可以作为肌肉组织受损的预警指标。高伟等发现的一种实时可穿戴汗液分析传感阵列（FISA）可以选择性筛选汗液中的各种代谢物及电解质，能将乳酸氧化酶固定在壳聚糖渗透膜上，通过传感器产生的电流与代谢物形成比例关系，可以进行乳酸浓度分析［73］。还有已应用于训练及比赛中的某种可穿戴皮肤贴片（重量仅为14 g）能通过监测汗液乳酸和出汗率自动进行疲劳预警，同时可以为用户提供运动过程中的实时水合反应数据和个性化补水建议。

综上所述，随着可穿戴设备数据采集材料等硬件和智能算法的日益进步，应加强相关学科之间的密切融合，以“安全、准确、稳定、便携、可视化、实时反馈”为研发标准，结合教练员和运动员的切实需要，致力于实现可穿戴设备无创、无干扰、智能化驱动精准训练的科技助力理念。

4.2.3  构建智能一体化运动训练管理系统，监测运动训练全过程多源参数

大量研究者认为，多传感器训练信息融合分析技术已成为当前科学化训练的前沿技术［74-81］。囿于单一传感器监控训练过程的局限性，使用多传感器融合互联技术，从全方位捕捉训练信息、优化训练监控准确度已经成为学界共识，所以如何应用人体传感网络（BSNs）技术将单一节点传感器采集到的运动参数和生理参数通过信号处理和机器学习等智能算法汇总至一个数据处理平台（为构建智能一体化训练管理系统）已成为智能可穿戴设备在竞技体育方面的研究热点和新兴的前沿应用方向。

多源信息融合系统是借助各类传感器采集到的信息，运用神经网络、模糊推理等智能算法将那些在时间和空间上相关的信息进行有效组合，提高系统预测结果的信效度及稳定性。传统的训练评估方法依靠单一传感器采集单一训练指标，不利于进行训练负荷监控和竞技状态评估，并且采集到的数据无法为教练员制定训练计划提供支撑［82］。实际上，随着各类智能可穿戴设备广泛应用于竞技运动训练实践中，运动数据维度的监测愈见完善。需注意的是，为了避免采集运动数据时陷入盲人摸象的困局，一些学者提出应采用多传感器融合技术，通过信息融合算法使训练信息资源得以高效协同利用，构建更智能化的辅助决策系统［80-81，83］。例如：有研究者通过实验发现，即便单个传感器使用了更高的采样频率、更精细的特征集和分类器，多个传感器在动作识别方面的精确度及效率都超过了单个传感器［74］。已有文献显示，训练量化评价的有效性和可靠性受限于场地范围过大、身体对抗激烈、恶劣极寒天气等不利因素，使用单一传感器难以确保对运动员跑动能力测评的准确性。例如，受试者仅佩戴装有GPS的可穿戴设备进行不同移动速度的非线性运动时，监测结果与实际线性运动相比存在明显误差，并且随着运动强度的增大，测量误差也显著增加［69，84-86］。有研究者认为，从根源上解决传统单一采集方式精确度低的问题，可以使用多类传感器协同采集，以机器学习等算法进行训练信息整合［75-77，81］。近年来，大量科研人员使用穿戴在躯干上的三轴加速度计测量运动负荷［87-88］，但是会导致下肢的力学载荷无法得以精确量化［89］，例如小腿段的加速度和垂直地面反作用力（VGRF），所以为了更为精准地进行生物力学评估，当今学界通过在四肢上穿戴同步微型传感器，运用智能算法融合传感器信息并建模以计算关节力矩，并深入了解肌肉-肌腱和关节的接触力，不断弥合实验室和训练现场测试之间的鸿沟，以使研究能够准确量化实际运动过程中的机械负荷。基于此，Imeasureu［83］、孙晋海等［82］通过开发多传感器皮划艇训练信息集成分析系统，可以同步分析各传感器采集的训练信息，并能将采集的心率、桨频等数据以图表的形式呈现，进而将其融合至同一个交互界面中，以辅助教练员使用该系统进行决策及进行运动负荷、运动技术质量、运动成绩三位一体的集成式分析。该系统基于生物力学路径的架构见图7。

综上所述，体育科技工作者应该应用人体传感网络技术将单一传感器采集到的运动参数和生理参数通过信号处理和机器学习等智能算法汇总至一个数据处理平台中，实现“万物互联”，加速研发智能一体化训练管理系统，为竞技体育的发展增效赋能。

4.3  在学校体育领域的应用现状

4.3.1  构建高校体育教学负荷监控系统，实现运动负荷监测可视化

传统体育课堂教学在运动负荷等方面的监测主要依靠体育教师的主观观察，运动数据的监测缺乏精确性和连续性。因此，体育教师根据大学生在体育课中的实际运动状态进行动态负荷调整的难度较大且缺乏客观性。而将人工智能技术嵌入智能可穿戴设备，并构建高校体育教学负荷监控系统，就可以使这一问题得到有效解决。

近年来，智能可穿戴设备逐步被应用于体育课堂教学中，能使授课教师获取有关学生的运动负荷参数和身体活动水平数据，有助于授课教师实时掌握学生的课堂活动时间、运动强度等指标，为动态调整教学目标和教学内容及组织教学活动提供客观数据支撑。愈加成熟的可穿戴设备和运动APP可以使学生在锻炼时快速地向体育教师反馈有关数据，體育教师无需再做相关测试和逐一登记成绩的工作，能成倍提升体育教学效率［90］。在体育教学中，为了降低体育课的运动损伤风险，向学生提供个性化的运动指导，可以使学生佩戴内嵌GPS及加速度计的运动手环、智能手表等，测评其不同运动状态下的跑动能力和运动负荷。当前，更为精准地监控学生在体育课堂中的运动负荷已成为提升体质健康水平的重要任务。随着人工智能相关领域技术的快速发展，智能可穿戴设备更加先进，针对学生在体育课中的身体活动的生理生化指标分析将更为全面和准确。例如，在学生进行高强度运动时，体育教师可以对学生的血氧饱和度进行实时和无创检测，从而能及时地了解学生的身体健康状况。随着AI算法持续升级和硬件设备不断更新，多数研究者运用自适应滤波等去噪算法对采集到的光电容积脉搏波信号进行抗运动干扰处理［91-92］。这也使得智能血氧运动指环得以广泛应用于实时监控学生课堂活动的血氧情况［93］。上述设备能够精准地监测学生在体育活动过程中的行走、跑步、跳跃的肌肉运动传感信号，以此生成可视化分析图表，对学生在体育课运动过程中的健康状况进行跟踪、分析和评估［94］。此外，使用智能可穿戴设备可以增强学生对运动的兴趣，通过可视化自身运动数据和进步情况实现运动正强化（积极强化），有助于规范技术动作。

因此，研发高校体育课堂教学运动负荷监控系统能够准确地评估学生的课堂活动负荷和能量代谢状况，有助于提升学生的体质健康水平，同时还可以预防体育课上潜在的运动损害风险和意外事故，以确保学生在体育课中的安全，所以基于智能可穿戴设备打造的新型体育教学模式不仅能增强体质和健全人格，而且对未来的高校体育教学也将产生深远影响。

4.3.2  推进构建运动技能虚拟仿真学习系统，实现虚拟现实与体育教育的深度融合

校园体育是我国教育体系的重要组成部分，因此，推动学校体育教学体系的科学化、现代化、智能化建设不仅有利于提升体育教育的有效性，还能促进青少年体质健康水平的提高。传统的运动技能学习主要通过教师讲解与示范动作、学生模仿动作、教师纠正错误的过程实现，这种教学方式很难充分调动学生的学习兴趣和积极性。此外，当前在体育教学过程中还存在教学方法单一、远程教学能力不足的问题。由此，可以结合智能可穿戴设备和虚拟现实技术设计一个由物联网、云平台和移动客户端组成的体育虚拟现实系统。

虚拟现实技术应用的最终目的是实现物理世界与虚拟世界的融合。这一理念及衍生产品已广泛应用于教育及体育领域，主要是使学生通过更直观的视觉体验加深对运动技能的认识［95］，不仅有助于学生形成运动表象，还有利于优化教育资源配置。通过头戴式显示设备，应用人机交互技术能使学生感受真实运动中的视觉、触觉、听觉，获得身临其境的互动体验，并且能激发学生的学习兴趣，将学生从被动接受转化为主动学习。例如，通过构建VR体育课堂（如图8所示），结合中小学生身心发展特点构建场景化的基于任务的学习环境，寓教于乐，提高学生的学习兴趣。

综上所述，校园体育虚拟现实系统通过从物联网中收集相关数据，在云平台中储存海量运动数据，并采用云渲染技术实现与虚拟现实场景的实时交互，最后通过移动终端体验近乎真实参与的运动项目。此种VR体育课堂能使学生身临其境，在虚拟环境中感受、体验及学习技术动作，并且不再受学校场地有限而导致相关运动项目无法进行教学的局限，能使学生从以往的被动练习转变为主动体验交互式学习模式。以上均说明校园体育虚拟现实系统具有良好的应用与推广意义，能全面加强和改进新时代学校体育工作，同时可以为深化学校体育改革提供参考。

4.4  在全民健身领域的应用现状

4.4.1  研发智能可穿戴设备，监测健身运动数据

当今，智能可穿戴设备不是仅局限于简单地记录运动者的步数、心率等，还能通过将“知识图谱+深度学习算法”嵌入至智能可穿戴设备中使其更动态、完整地监测与记录健身活动全过程，并且可以通过构建的算法模型对采集的数据进行处理与分析，从而能更加智能化、专业化、个性化地针对用户在体育锻炼过程中的身体活动状况进行监测，并能实时提供反馈建议和进行错误动作纠正。因此，使用智能可穿戴设备可以监测身体活动状况和能量消耗，同时还可以预防运动损伤。

大量文献表明，现今市场中销售的智能可穿戴设备无法满足消费者在有效预测能量消耗方面的需求［96-98］。例如，某企业生产的智能可穿戴设备应用了多传感器信息融合技术［84］，可以精确地测量加速度、心率及能量消耗。然而，有研究人员通过调查发现，使用此类融合传感器测量能量消耗的有效性主要受控于实验室环境［97］。Chevance等通过分析52项研究同样表明，该传感器对能量消耗的测量并不准确［96］。随着人工智能技术的快速发展，可以通过构建深度学习能耗预测模型将AI驱动的软件分析系统嵌入至可穿戴设备中，能提高健身过程中能量消耗监测结果的信效度。

综上所述，运动爱好者可根据自身健身需求及具体运动场景选择适合的智能可穿戴设备，精准量化分析运动数据，能最大限度地发挥体质健康监测设备的作用。

4.4.2  研发智能化可穿戴运动设备，辅助运动障碍人群健身

当前，人口老龄化程度加剧，因年龄增长而出现的各种疾病（心肺功能下降、骨质疏松等）是导致运动障碍的主要因素。世界卫生组织（WHO）的相关调查显示：中国脑中风发病率排名世界第一［99］。还有相关研究显示：脑卒中发病已趋于年轻化，鼓励患者在身体状况允许的情况下保证适当的体育锻炼，例如：抗阻训练、有氧训练、身体运动功能性活动等，以降低高血压、血糖、血脂及防止冠状动脉粥样硬化，是避免二次复发的主要方式［99］。因此，依据精细化和智能化的可穿戴设备实时监控的运动障碍人群在体育锻炼时的机体状况制定个性化方案辅助患者尽快康复更显弥足珍贵。Burridge等研发的嵌入式惯性传感器可以通过收集患者运动时的各部分数据用以设计益于助其康复的功能性运动［100］。在此基础上，Burns等研发的另一种监测患者运动的可穿戴设备可以为脑和脊髓损伤的患者制定运动计划，以恢复其运动能力［101］。此类可穿戴设备可以在患者运动时记录其生理指标数据，并能通过5G网络向医生发送，以供医生根据收到的远程数据进行监督［101］。

此外，智能可穿戴设备近年来结合智能机器学习算法能使运动障碍患者实现个体化诊疗和远程医疗［102］。例如，某企业研发了一种可穿戴的外骨骼，用户在锻炼过程中可以通过按钮控制外骨骼支架，使小型电机驱动外骨骼支架以促进膝盖和臀部运动。同时，嵌入至外骨骼的机器学习算法模型能结合用户的运动障碍情况及运动状态自动调节外骨骼助力阈值，由此辅助患者重建神经肌肉运动模式。

鉴于此，今后应以主动健康为导向，应用人工智能技术制定个性化运动处方，积极推动智能化可穿戴运动设备的研发。

5   大数据技术在体育领域的应用

大数据技术的核心理念是挖掘数据并探究其中规律，以解釋当前现象和预测未来［103］。应用大数据技术探究海量的体育运动数据之间的内在逻辑和关联，并预测风险事件发生的可能性，相较数据量小且因果关系简单的传统运动训练理念更有优势。运动训练的本质特性是复杂的，由运动员选材的高效性到运动员的身体素质提升，再到运动成绩突破，大数据技术作为重要手段贯穿始终。因此，竞技体育领域的海量运动训练数据的研究以复杂性为攻艰关键，以人工智能技术为分析方法，可以基于多层次和多维度的数据建立运动训练分析与预测模型。

由于基于惯性传感器的可穿戴设备、基于计算机视觉技术的运动智能捕捉系统和基于机器学习的智能算法等设备或技术的持续更新，通过数据分析与评估运动训练效果已较为普遍。例如，在竞技体育领域，国际足联（FIFA）等体育赛事组织已使用无线传感器技术监测球员位置和生理参数；而在学校体育和全民健身领域，随着智慧校园的逐步完善和城市建设，视觉动作捕捉技术和传感器技术被广泛应用于智能识别和健身指导服务中。因此，如何將上述各领域的冗杂数据进行有效整合，并通过数据挖掘、数字孪生等技术进行分析和呈现结果［104］，辅助构建预测模型，进而据此探析竞技运动项目规律、促进提高青少年体质健康水平、构建与完善主动健康模式，是目前亟待解决的问题。

5.1  数据获取与分析

在现代信息技术和大数据技术还未充分与体育融合时，传统的运动表现评估方法是专家通过观察人工收集数据并基于个人经验评估运动表现，但是相关变量缺乏普遍共识［105-106］，评估结论欠缺客观性［107］。此外，竞技比赛中攻防疾速转换，人工记录数据耗时费力，因此，亟需采用自动化、精确化、定量化的方法获取和分析有关数据［108］。据此，从数据采集、数据传输、数据处理3个方面论述数据获取过程。首先，数据采集要能精准地感知运动情境和收集运动数据。现代智能化设备采集运动数据时是基于计算机视觉技术和智能传感器识别人体运动，并以智能算法进行运动监测、特征提取及数据化处理视频图像和滤波。现有运动捕捉跟踪系统主要用于监测运动轨迹，兼以微型传感器技术收集参数、评估动作质量及监控运动负荷。其次，高效能的数据传输机制在竞技体育赛事的相关信息的实时反馈中至关重要。阶段性战术报告、运动员的瞬时机能状况等数据信息皆需即时传输至存储系统，以用于分析。随着无线网络、量子通信等技术的创新，在复杂通信条件下亦可实现高速、安全、稳定的数据传输。最后，数据处理则是指在数据处理时设计过滤器，以聚类分析或关联分析的规则将无用或错误的数据剔除［109-110］，以此高效地传输、存储和挖掘数据。

在数据分析层面，多数学者认为，运动科学一部分功能就是将训练的过程通过数据进行量化，并归纳出规律［63， 69，111-115］。运动训练方面的大数据研究在应用研究层面不以数据本身为研究目的，而是作为一种研究工具和手段探究事物本身的内在规律。仇乃民等提出了数据密集型的科研范式（即不断采集、更新和分析数据），并且认为：运用数据驱动的方法尽可能多地采集人体运动信息，相较理论假设驱动的研究策略（即通过小样本推测总体）可能更适合对复杂的人体运动现象展开研究［116］。所以有专家提出了“数据驱动精准训练”的理论范式，系统地陈述了智能科学训练决策系统应以收集多维训练指标数据为前提条件、以通过深度挖掘算法处理和分析训练数据为基本路径、以提供有价值的信息促进训练效能提升为核心目的［117］。

5.2  在竞技体育领域的应用现状

5.2.1  构建个性化运动训练模型，分析运动训练及比赛中的规律

随着大数据技术的发展，面对运动训练中的复杂问题，不应只强调因果关系，而应通过数据采集与数据驱动的方法，确保数据的多维度及实时性［116］。在如今的竞技体育数据分析领域，数据和AI技术缺一不可，两者相辅相成、相互促进。没有优质的数据，再好的算法模型也难以发挥作用；而没有Al技术的加持，再多的数据也难以从中获得真正有价值的信息，所以通过数据分析运动训练及比赛中的复杂规律，实现对整体比赛技战术的优化和控制、对运动训练过程中难以解决的复杂问题作出相应预测和解释。例如如何解决运动员在多周期训练和比赛的问题、顶尖运动员的技术动作难以复制及运动损伤的问题［117］，已然成为现今学界的热点议题。

人体在运动训练过程中的竞技能力存在周期性变化。因此，有必要收集运动员开始从事竞技体育训练前的各项数据到退役后的数据，应用大数据技术结合机器学习等智能算法构建针对运动训练全过程实施精确控制的个性化训练模型（如图9所示）。例如，从运动员选材之前就可以通过人工智能技术结合多组学技术辅助预测今后运动损伤的风险，进而可以在赛前的智能化训练备战阶段通过构建“AI＋大数据”智能教练模型对训练过程中运动员的营养、心理及机体状况进行实时监测，实现精准化监控训练和大幅提升备战效率；还可以在比赛过程中通过深度学习算法进行技战术预测并辅助教练员决策，同时还能将数据传输至大数据云平台，自动生成《可视化比赛表现数据分析报告》。此外，还能通过使用AI智能算法结合大数据技术构建智能化精准训练数据库，评估运动员在整个训练周期的运动表现，为下一步调整《训练计划》提供参考。应当注意的是，可以从2个视角审视图9中的AI模型对竞技运动训练全过程的科技赋能。首先，从横向而言，可以通过AI结合大数据构建“冠军模型”，并结合多组学技术挖掘天赋出众且易于培养的运动员后备人才，而后通过“AI＋大数据”全过程记录运动员成长过程中的各项数据指标，再深度分析培养过程中的优劣势，从而进一步完善该“冠军模型”。从纵向而言，运动员的竞技状态变化由“准备期→比赛期→恢复期”组成，而以传统教练员的经验为导向的运动员竞技状态变化全过程监控难以挖掘到更深层的信息。因此，由“AI＋大数据”构成的新兴个性化训练模型能进行全方位评估，可以助力运动员竞技运动表现持续提高。

综上所述，各水平的运动队应积极将人工智能技术与大数据技术相结合，以构建个性化训练模型。随着竞技体育领域的可监测数据愈渐丰富，智能动态视频捕捉系统和可穿戴设备并不是孤立存在的个体，而是基于大数据背景下的科技产物，通过两者采集训练信息仅仅是科学监控的外在表现，而运用科学的数据处理方法对所得的原始数据进行提取和计算才是监控的核心所在［69］，也是进行数据分析的底层逻辑。当今，数据规模的增大已然成为一种普遍现象，谁掌握了数据变化的趋势及能预测各类因素对竞技能力的影响，谁就掌握了主动权，例如：训练时的监控、比赛时的决策辅助、对运动员身体状况进行的长期追踪、分析对手竞技状态的变化等。

5.2.2  定量化预测和控制运动负荷，实现运动损伤的智能化预防

随着竞技运动训练科学化的发展，对运动负荷的精准测量和有效控制是降低运动损伤风险的关键要素。Thornton等以训练负荷为预测指标，运用决策树分类器的方法预测了职业橄榄球运动员的运动损伤发生率［118］。kautz等使沙滩排球运动员佩戴可穿戴式传感器以监测其运动负荷数据，并通过人工神经网络建模进行运动损伤风险的预测，其精度达到83%以上［119］。Ruddy等通过对362名精英足球运动员的腘绳肌在离心时的力量强度进行评估，并应用机器学习技术预测造成腘绳肌拉伤的各种因素［120］。现有研究在有效量化预测橄榄球比赛中的身体碰撞方面存在较大的差异，所以如何量化高强度身体碰撞过程中的负荷是作为当今学界亟待解决的热点问题。Naughton使用微技术设备（GPS和惯性传感器IMU的结合）通过机器学习多传感器融合方法将运动员的动作效率、整体运动概况及训练和比赛中的峰值运动量进行了整合分类，以此量化碰撞的频率和强度［121］。英格兰足球超级联赛球队广泛使用的一种训练背心可以监测运动员热身时的步频、步幅、双脚的压力负荷等指标，并且会在热身开始15 min后生成反馈报告，以评估运动员的训前准备状态，有助于团队科学合理地安排后续训练任务。英格兰足球超级联赛的各个参赛俱乐部在使用这种训练背心后，单赛季球员训练伤病的发生风险降低了约50%［122］。Tammimi等的研究发现，前交叉韧带损伤患者的胫骨后部外侧的斜率和外侧半月板的斜率增加，内、外侧半月板高度降低，应用机器学习技术建立了前交叉韧带损伤的预测算法，准确率达到90%以上［123］。

在构建伤病管理软件系统方面，某企业研发了足球运动风险预警和损伤分析软件系统，能凭借收集到的运动数据和生理数据，结合比赛数据、医疗档案、天气、场地等信息，通过自创的Al算法评估运动员的伤病风险，并能找出可能导致伤病的因素［124］。例如，使用该系统后，西甲赫塔菲在2017—2018赛季减少了65％的球员因伤缺阵时间，并对80%的最终发生的伤病进行了提前预警；在2020赛季使用该系统后，减少了全队57％的伤病案例，并提前一周对仍旧出现的13例伤病中的9例作出了高风险预警。

綜上所述，基于深度学习算法对数据进行处理和挖掘，可明晰运动员在训练和比赛中机体所承受的内外部负荷与运动损伤存在的内在关联，通过把握负荷阈值，能使运动员在突破身体运动极限的同时避免运动损伤的发生，以此提高训练的科学化水平。

5.2.3  构建智能化精准训练服务平台，分析运动员竞技状态

AI赋能竞技体育的最终目标是将传感器采集到的运动参数、生理参数、历史成绩等信息通过多模态机器学习集成到智能化精准训练服务平台中，为运动员提供自动的、即时的评估和反馈信息［125］。这一平台主要是应用大数据技术对运动员的竞技状态数据进行处理，应用5G通信技术低功耗实时传输相关数据，而后将数据输入AI算法模型中，之后可以将关键信息发送给教练员及科研人员。例如，目前已有一些优秀运动队采用“Smartabase”大数据管理平台对运动员在训练中的各项指标进行一体化管理，实现对运动员的数据进行采集、分类、统计及建模的全面覆盖，可以精准地进行运动员选材、球员饮食营养管理、训练计划制定、竞技状态及运动损伤风险预测［126］。在数据集成方面，应用云计算方法可以实现数据之间的相互流通，能使用户将时间和精力更多地用于数据分析上而不是整理数据，用户只需将训练数据传输到数据平台即可，之后就可以等待平台通过数据拟合和分析后提供相关反馈信息，通过算法自动生成与运动员竞技水平相匹配的个性化训练方案，并将运动员竞技状态、身体机能恢复情况等各方面数据以可视化面板的方式呈现。如此一来，不仅能辅助教练员深度洞悉训练全过程，纠正训练计划在细节方面的纰漏，还能采用实时反馈的数字化训练方法显著地提升运动员的运动表现，增强运动员积极的心理定向并强化其内在动机，使运动员的潜能被进一步激发。

鉴于此，运动员的运动数据分析的战略意义不在于掌握海量的数据，而是基于此要构建智能化精准训练服务平台，通过多模态AI智能模型使基于传统经验预测的不确定性得以量化，探究隐含的规律与逻辑，实现运动数据从数字化分析到智能化分析的演变。

5.3  在学校体育领域的应用现状

5.3.1  构建计算机辅助体育教学系统，改善体育课程教学效果

计算机辅助系统（CAI）在教学活动中的应用主要是指使用计算机及其技术传输教学过程中的信息，达到教育目的，完成教学任务。人工智能在专家系统领域的成功应用为CAI的广泛应用创造了新的条件，网络化和智能化已成为CAI的升级方向。而随着多媒体技术和网络技术的日益成熟，多媒体辅助教学和网络课程已成为高等院校的教学方法和教学手段。CAI结合多媒体技术则是通过展示图片、视频等方式将动作的重点和难点以慢放或者连续播放的形式展现给学生，使学生以可视化的方式更为清晰地学习技术动作的重点和难点，便于学生掌握正确动作和纠正错误动作。与此同时，基于人工智能的自主干预模型可以客观地评价学生在课堂中的运动表现并实时对错误的技术动作进行监测，自动提出更改建议和解决方法。在体育课程教学中，可以使用计算机辅助系统将学生认知模型输出的信息输入至神经网络模型，通过智能搜索与推理动态生成适于个体化教学的内容与策略，辅助体育教师对学生提出针对性的学习建议。不止于此，在体育课程教学中应用这种技术还可以激发学生的学习兴趣，使学生更直观地领悟动作要领，产生更好的教学效果。

5.3.2  集成展示校园体育教学场景，以数字孪生技术构建智慧体育校园平台

智慧校园平台建设是以全面贯彻“互联网+”的基本理念，充分应用互联网、云计算、大数据等现代信息技术，打造“人人学习、随时学习、不停课的校园” ［127］。在当前的研究实践中，有学者已经在探究大数据背景下的高校智慧体育校园的概念，分析了高校智慧校园的典型特征和发展目标，设计了物理空间与数字空间相结合的数字孪生式智慧体育校园架构，并且探讨了以AI赋能高校实现智慧校园的关键［128］。例如，某企业设计的体育信息化课堂［129］（如图10所示）就使用了一些可穿戴设备，实时记录学生的身体状况及运动密度，通过可穿戴设备采集生理参数，而后通过无线传输技术将学生的相关数据传输至后台，应用人工智能技术匹配学生的个人信息，最终呈现在可视化平台上，有利于教师监控体育课中的运动密度及训练强度，便于教师通过实时监控得到课堂教学效果反馈，使学校体育工作更加科学化和精准化。又例如，应用人工智能、物联网、5G通信、大数据、云平台等技术打造的智慧操场的数字孪生反馈系统［130］，旨在增强体育课堂的安全性、科学性与针对性及提高教学效率与学生的依从度。

综上所述，要从智能化入手建设体育教学的智慧校园平台。随着新兴计算机技术的出现，智慧体育校园平台将突破空间的限制，有助于体育教师全面把握“教会、勤练、常赛”一体化系统性教学思路与方式，掌握教学规律，实施更有效的教学和全面提高教学质量。

5.4  在全民健身领域的应用现状

5.4.1  构建多平台互联互通的全民健身智慧化空间，以实现信息不断迭代和更新

2019年国务院办公厅印发的《体育强国建设纲要》中明确提出：推进全民健身智慧化发展［131］。运用物联网、云计算等新信息技术，推进智慧健身路径、智慧健身步道、智慧体育公园建设［131］。可见，建设“AI＋大数据”驱动的全民健身综合管理平台和全民健身公共服务平台可以说是构建全民健身智慧化空间的主要路径。已有研究显示，可以通过将云计算、物联网、AI、大数据等新一代智能信息技术结合市级体育赛事活动、体育社会组织、体育场馆及设施、国民体质监测与健身记录、运动处方等信息资源建立体育大数据中心，并将其嵌入至公共体育基础设施中（例如：体育场馆、体育公园、健身步道），同时可以通过数据挖掘及融合的方式构建智能数字模型，将原有的基础设施、运动环境、居民锻炼习惯及爱好、训练状态等信息输入模型中，以实现信息不断迭代和更新。在实际应用层面，大数据结合AI算法是有效推动全民健身智慧化空间升级的关键因素。有研究者提出，可以设计与开发体育公园全民健身数据库，例如根据某市的体质健康监测数据和居民日常健身数据圈定正常范围值，采集前往体育公园健身的居民的体质健康数据和运动数据后，与正常范围值进行比对，通过AI算法自动生成体育锻炼计划。而智能体育场馆不论是在丰富居民体育锻炼体验，还是在体育赛事举办过程中增强球迷参与度，均已成为运动爱好者的迫切需要。例如，某大学的研究团队将研发的新型增强现实技术广播系统（TEBS）嵌入至校园的智能体育场，以使球迷获得沉浸式观看比赛的体验［132］（如图11所示）。该系统可以通过5G实时传输、AI、大数据等技术将比赛过程实时影像和运动员数据传输至终端，并通过即时回放技术和网络直播结合增强现实（AR）技术可以根据场馆座位分布情况将处理好的比赛影像投放于屏幕。此外，还可以通过局域网技术高效低延迟地将视频传输至移动用户端，以便用户线上通过电视机、手机屏幕进行观赛和互动。

5.4.2  构建个性化运动处方管理系统，完善主动健康模式

以主动健康为导向制定个性化运动方案已成为解决健康问题的新策略。有专家提出，在运动促进健康的实施路径中，需建立面向不同人群的运动处方库，提高运动处方的个性化和精准化，有助于不同人群在体育锻炼时结合自身的身体状况、医疗情况等全方位和智能化地选择体育运动［133］。互联网技术的快速发展为生成个性化运动指南带来了极大的便利。基于“AI+大數据”构建的个性化运动处方管理系统能在采集到用户身体各项数据时快速地进行诊断并形成《运动健康报告》，最终可以生成用户的个性化运动指南。此外，有研究者提出，应以个性化和精准化的运动处方为基础，研发智能健康管理系统［134］。对于慢性病患者来说，目前有一种在公共体育场馆应用的运动推荐系统，可以根据用户的身体状况评估结果和病理特征应用大数据技术进行相应的个性化运动处方推荐，从而能更好地服务于用户的体育锻炼［135］。在实践中，因工作繁忙无法亲临体育场馆的居民还可以在健身锻炼过程中使用智能手机传感器远程评估自身的平衡性、灵活性和肌肉力量，并通过深度学习算法自动生成个性化体育锻炼计划［136］。有研究表明，公务员每日久坐时间长达8.2 h，且公务员总人数中的慢性病患者占较大比例［137］。为了解决这一问题，有学者应用“AI+大数据”构建了公务员智能运动处方系统。该系统以智能数据库为基础，以智能算法驱动模型为支撑，应用大数据技术实现了智能化提供运动处方的在线服务［138］，能根据个体生理状况自动设计“零食式”的运动处方［139-141］，可以改变久坐不动办公人群的运动习惯，增强其健身意识。

综上所述，在公共健康政策制定和健身设备设计时应考虑人工智能技术应用的综合集成、标准制定、设备准入等方面的问题，以提高全民健身的科学化、智能化及个体化水平，完善主动健康模式。

6   当前体育人工智能应用中存在的挑战及未来的应用与研究方向

本文从计算机视觉技术、智能可穿戴设备、大数据技术等人工智能关键技术在竞技体育、全民健身及学校体育领域的应用现状进行了综述。上述这些人工智能技术在体育领域的应用还面临着一些挑战，未来会出现以下一些研究方向。

1）计算机视觉技术在竞技体育领域的广泛应用大大提高了训练监控和体育比赛技战术分析的效率，但是仍有许多挑战。例如：摄像机的拍摄视角较小，不能覆盖整个比赛场地区域；运动员在集体性运动项目中的高频率肢体碰撞时的遮挡造成计算机识别错误，且后期图像分割处理过程较费时且繁琐；视频处理的时间较长，其效率无法满足现代职业体育赛事的赛制要求。

2）在学校体育和全民健身领域，基于计算机视觉技术的人工视频分析技术虽然能够全面地监测学生或体育锻炼爱好者的动作质量，但是需要架设多台摄录设备，并且要有专人负责处理图像和数据，而且摄录时易受遮挡，从而会导致监测误差。同时，目前也缺乏基于大量的视频数据集形成的训练机器学习模型。

3）体育人工智能技术的未来应用方向应是将计算机视觉技术与智能可穿戴设备进行融合，实现优势互补。例如，如果智能可穿戴设备采集到的数据只来自目标运动者，那么就可以通过与计算机视觉技术的结合有效地避免其他运动者或物体对动作识别过程产生的影响。而基于深度学习算法的无标记动作捕捉系统在不同条件下（光照强度、距离远近、环境因素等）使用的效果需要不断改善、拍摄效率需要不断提高及算法模型鲁棒性需要不断增强。

4）对于智能可穿戴设备，多数由官方举办的大型体育赛事仍然禁止运动员使用。在学校体育和全民健身领域，智能可穿戴设备通常存在佩戴繁琐、信号传输慢等劣势，也面临着无法全面而准确地采集人体生理数据及无法准确评估健康状况的困境。因此，在未来，学界亟需研制微型化、集成化及智能化的便捷式可穿戴设备（例如纤维类可穿戴测试装备）。此外，应以安全性、准确性、稳定性、便携性、可视化、实时反馈为研发标准，应用多源信息融合技术创新算法，强化训练深度学习模型。同时，还需促进计算机视觉技术与可穿戴设备的结合，实现对运动过程中的多参数的联合采集。

5）不论是在竞技体育领域，还是在学校体育和全民健身领域，运动数据资源均十分丰富，但是数据之间的融合依旧不足，数据孤岛的问题普遍存在，即数据碎片化严重、数据缺乏统一的标准化格式。因此，学界应以更加新颖的方法分析数据，并构建更加全面的理论模型，以更加全面和精确地评估运动员的竞技表现、监测学生的体质健康水平及预防居民健身过程中的运动损伤。

总之，在当今的竞技体育、学校体育及全民健身领域，教练员、体育教师、社会体育指导员、康复理疗师、体育科研人员及相关从业者必须共同发力，始终秉持科学理念和应用多学科交叉融合理论，以构建更加多维度和深层次的数据集，使用云服务器及边缘服务器进行计算，以避免因数据堆积导致的存储空间不足。与此同时，要应用大数据技术对运动数据进行挖掘，进一步阐明运动训练中的内在规律，以促进各种体育场景下的大数据在体能、运动技术、运动疲劳、运动营养、伤病防护、运动表现等分析方面的充分应用。

参考文献：

［1］  STEPHEN L， DANNY K. Artificial intelligence in the 21st century［M］. 2nd edition. Dulles， Virginia： Mercury Learning and Information， 2015：29-31.

［2］  本刊记者. 构筑人工智能先发优势 把握新一轮科技革命战略主动——国家科技部副部长王志刚访谈［J］. 宁波经济（财经视点）， 2017（12）： 3-5.

［3］  《体育概论》编写组. 体育概论［M］. 北京：北京体育大学出版社， 2013：10-12.

［4］  国家体育总局政策法规司负责人解读《“十四五”体育发展规划》［EB/OL］.（2021-10-25）［2023-05-19］. https：//www.sport.gov.cn/zfs/n4977/c23655890/content.html.

［5］  梁楠楠， 李亚玲. 人工智能与体育融合发展历程、现状与展望［J］. 体育科技文献通报，2022，30（9）：199-202.

［6］  曹宇，刘正. 人工智能应用于体育的价值、困境与对策［J］. 体育文化导刊，2018（11）：31-35.

［7］  戴琼海. 人工智能教育：通识与专业［J］. 清华大学教育研究，2022，43（3）：23-24.

［8］  MCCARTHY J. Artificial intelligence： a general survey ［M］. Holland：Artificial Intelligence， Elsevier， 1974： 317-322.

［9］  BROOKS J F P. No silver bullet： Essence and accidents of software engineering［J］. IEEE Computer Society， 1987（10）：8-11.

［10］  HINTON G E， OSINDERO S， TEH Y W. A fast learning algorithm for deep belief nets［J］. Neural Computation， 2006， 18（7）： 1527-1554.

［11］  周飞燕，金林鹏，董军. 卷积神经网络研究综述［J］. 计算机学报，2017，40（6）： 1229-1251.

［12］  孙志军，薛磊，許阳明，等. 深度学习研究综述［J］. 计算机应用研究，2012，29（8）：2806-2810.

［13］  张梓堃. 人工智能的历史与发展［J］. 数字通信世界， 2018（11）： 149-150.

［14］  李红霞. 人工智能的发展综述［J］. 甘肃科技纵横，2007（5）： 17-18.

［15］  NOBBE T A. Olympic athletes get a boost from technology［J］. Machine Design， 1988， 25：62-64.

［16］  TAKASHI T， YOSHIO T. Virtual reality system： Construction of virtual environment with force display for ball dribbling［J］. テレビジョン学会誌，1995，49（10）：1339-1346.

［17］  IRLER W J， BERTOLDI A， BETTINI R， et al. A causal probabilistic model for the estimation of risk of sudden death in  athletes［C］// Proceedings Computers in Cardiology.Venice：IEEE， 1991.

［18］ ZELIElI I， KONONENKO I， LAVRA N， et al. Machine learning applied to diagnosis of sport injuries［C］//Artificial Intelligence in Medicine， Grenoble：Springer，1997.

［19］  MCCABE A. An artificially intelligent sports tipper［C］//AI 2002： Advances in Artificial Intelligence， Canberra：Springer， 2002.

［20］  REED D， ODONOGHUE P. Development and application of computer-based prediction methods［J］. International Journal of Performance Analysis in Sport， 2005， 5（3）： 12-28.

［21］  徐偉康，林朝晖. 人工智能与全民健身融合发展的价值逻辑、现实困境与优化路径［J］. 上海体育学院学报，2022， 46（10）： 9-22.

［22］  VAN DER K E， REIJNE M M. Accuracy of human motion capture systems for sport applications; state-of-the-art review［J］. European Journal of Sport Science， 2018， 18（6）： 806-819.

［23］  NAKANO N， SAKURA T， UEDA K， et al. Evaluation of 3D markerless motion capture accuracy using open pose with multiple video cameras［J］. Frontiers in Sports and Active Living， 2020， 2： 50.

［24］  KASUYA N， KITAHARA I， KAMEDA Y， et al. Real-time soccer player tracking method by utilizing shadow regions［C］//Proceedings of the 18th ACM international conference on multimedia. New York： ACM， 2010.

［25］  MONTOLIU R， MARTIN F R， TORRES S J， et al. Team activity recognition in association football using a bag-of-words-based method［J］.  Human Movement Science， 2015， 41： 165-178.

［26］  LEO M， MOSCA N， SPAGNOLO P， et al. Real-time multiview analysis of soccer matches for understanding interactions between ball and players［C］//Proceedings of the 2008 international conference on content-based image and video retrieval. New York： ACM， 2008.

［27］  NAIK B T， HASHMI M F， BOKDE N D. A comprehensive review of computer vision in sports： Open issues， future trends and research directions［J］. Applied Sciences， 2022， 12（9）： 4429.

［28］  HOST K， IVA？譒I K M. An overview of human action recognition in sports based on computer vision［J］. Heliyon， 2022： e09633.

［29］  OLEA C， OMER G， CARTER J， et al. Analysis of deep learning action recognition for basketball shot type identification［C］//Proceedings of the 9th international conference on sport sciences research and technology support （icsports）. Setubal： Scitepress， 2021.

［30］  WEERATUNGA K， DHARMARATNE A， HOW K B. Application of computer vision and vector space model for tactical movement classification in badminton［C］//2017 IEEE conference on computer vision and pattern recognition workshops （CVPRW）. Honolulu： IEEE， 2017.

［31］  LIU S， LIU Y. Application of human movement and movement scoring technology in computer vision feature in sports training［J］. IETE Journal of Research， 2021： 1-7.

［32］  BEGON M， COLLOUD F， FOHNNO V， et al. Computation of the 3D kinematics in a global frame over a 40 m-long pathway using a rolling motion analysis system［J］. Journal of Biomechanics， 2009， 42（16）： 2649-2653.

［33］  胡琼，秦磊，黄庆明.  基于视觉的人体动作识别综述［J］. 计算机学报，2013， 36（12）： 2512-2524.

［34］  CHAVDA H K， DHAMECHA M. Moving object tracking using PTZ camera in video surveillance system［C］//2017 International conference on energy， communication， data analytics and soft computing （ICECDS）. India： IEEE， 2017.

［35］  CALANDRE J， P？魪TERI R， MASCARILLA L. Optical flow singularities for sports video annotation： Detection of strokes in table tennis［C］//Media Eval. France： Sophia Antipolis， 2019.

［36］  MARTIN P E， BENOIS P J， MANSENCAL B， et al. Sports video annotation： Detection of strokes in table tennis task for mediaeval 2019［C］//Media Eval 2019 workshop. France： Sophia Antipolis， 2019.

［37］  FARAJIDAVAR N， DE CAMPOS T， KITTLER J， et al. Transductive transfer learning for action recognition in tennis games［C］//2011 IEEE international conference on computer vision workshops （ICCV workshops）. ［s.n.］： IEEE， 2011.

［38］  GU J， WANG Z， KUZE J， et al. Recent advances in convolutional neural networks［J］. Pattern Recognition， 2018， 77： 354-377.

［39］  YICHEN W， YAMASHITA H. Lineup optimization model of basketball players based on the prediction of recursive neural networks［J］. International Journal of Economics and Management Engineering， 2021， 15（3）： 287-293.

［40］  BROOKS J， KERR M， GUTTAG J. Using machine learning to draw inferences from pass location data in soccer［J］. The ASA Data Science Journal， 2016， 9（5）： 338-349.

［41］  ZHANG K， WU J， TONG X， et al. An automatic multi-camera-based event extraction system for real soccer videos［J］. Pattern Analysis and Applications， 2020， 23（2）： 953-965.

［42］  TAKAHASHI M， NAEMURA M， FUJII M， et al. Recognition of action in broadcast basketball videos on the basis of global and local pairwise representation［C］//2013 IEEE international symposium on multimedia. anaheim， CA： IEEE， 2013.

［43］  視频和数据分析可提升性能［EB/OL］. （2023-01-13）［2023-03-10］. https：//metrica-sports.com/.

［44］  赵琼. 基于视频和三维动作捕捉数据的人体动作识别方法的研究［D］. 北京：中国科学技术大学， 2013.

［45］  李曉丹，肖明，曾莉. 人体动作捕捉技术综述以及一种新的动作捕捉方案陈述［J］. 中国西部科技，2011，10（15）： 35-37.

［46］  BARRIS S， BUTTON C. A Review of vision-based motion analysis in sport［J］. Sports Medicine， 2008， 38（12）： 1025-1043.

［47］  COLYER S L， EVANS M， COSKER D P， et al. A review of the evolution of vision-based motion analysis and the integration of advanced computer vision methods towards developing a markerless system［J］. Sports Medicine-Open， 2018， 4（1）： 1-15.

［48］  BACLIG M M， ERGEZINGER N， MEI Q， et al. A deep learning and computer vision based multi-player tracker for squash［J］. Applied Sciences-Basel， 2020， 10（24）： 87-93.

［49］  中国跳水队背后的“3D+AI”跳水辅助训练系统亮相［EB/OL］.（2021-08-18）［2023-01-13］. https：//tech.gmw.cn/2021-08/18/content_35090878.htm.

［50］  谭嘉敏. 2018赛季中国足球超级联赛引入VAR技术的实证研究［D］. 武汉：武汉体育学院，2019.

［51］  NADIKATTU R R. Implementation of new ways of artificial intelligence in sports［J］. Journal of Xidian University， 2020， 14（5）： 5983-5997.

［52］  XUE B， LIU T. Research on emotional model of sports arena based on artificial intelligence emotion calculation［J］. Cluster Computing， 2019， 22： 14927-14933.

［53］  WEI S， WANG K， LI X. Design and implementation of college sports training system based on artificial intelligence［J］. International Journal of System Assurance Engineering and Management， 2022， 13（S3）： 971-977.

［54］  ZHOU H. Research on the function of computer aided teaching in college physical education［J］. Journal of Physics： Conference Series， 2021， 1992（2）： 022107.

［55］  YI W， FANG F. The design and realization of the management system of college physical education under the network environment［J］. Journal of Physics（Conference Series）， 2019， 1345（5）： 052034.

［56］  DENG C， TANG Z， LI X， et al. Construction and application of web-based resource repository of college physical education［J］. Journal of Physics（Conference Series）， 2020， 1575（1）： 012024.

［57］  SUN Y， ZHENG Y， HE L， et al. Application of visual sensing techniques in computational intelligence for risk assessment of sports injuries in colleges［J］. Computational Intelligence and Neuroscience， 2022： 1-9.

［58］  ZHAO C. Application of virtual reality and artificial intelligence technology in fitness clubs［J］. Mathematical Problems in Engineering， 2021： 1-11.

［59］  JI W， QIU X. Analysis of the impact of the development level of aerobics movement on the public health of the whole population based on artificial intelligence technology［J］. Journal of Environmental and Public Health， 2022： 1-12.

［60］  FLORES A， HALL B， CARTER L， et al. Verum fitness： An AI powered mobile fitness safety and improvement application［C］//2021 IEEE 33rd international conference on tools with artificial intelligence （ICTAI）.Washingto：IEEE，2021： 980-984.

［61］  LIU W， YAN C C， LIU J， et al. Deep learning based basketball video analysis for intelligent arena application［J］. Multimedia Tools and Applications， 2017， 76（23）： 24983-25001.

［62］  ACSM fitness trends［EB/OL］. （2023-01-02）［2023-01-31］. https：//www.acsm.org/education-resources/trending-topics-resources/acsm-fitness-trends.

［63］  陈小平. 竞技运动训练发展的主要趋势——科学化［J］. 中国体育教练员， 2022， 30（2）： 4-6.

［64］  路来冰， 李小龙. 人工智能技术在国际体育运动领域的聚类与演化［J］. 山东体育学院学报，2020，36（3）： 21-32.

［65］  WHITELEY R. ‘Moneyballand time to be honest about preseason screening： it is a sham making no inroads on the 1 billion dollar injury costs in baseball［J］. British Journal of Sports Medicine， 2016， 50（14）： 835-836.

［66］  STAUDENMAYER J， POBER D， CROUTER S， et al. An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer［J］. Journal of Applied Physiology， 2009，107（4）：1300-1307.

［67］  CROUTER S E， LOWERS K G， BASSETT D R. A novel method for using accelerometer data to predict energy expenditure［J］. Journal of Applied Physiology， 2006， 100（4）： 1324-1331.

［68］  苏炳添，李健良，徐慧华，等. 科学训练辅助：柔性可穿戴传感器运动监测应用［J］. 中国科学：信息科学，2022，52（1）： 54-74.

［69］  李海鹏，陈小平，何卫，等. 科技助力竞技体育：运动训练中可穿戴设备的应用与发展［J］. 成都体育学院学报，2020， 46（3）：19-25.

［70］  NAHAVANDI D， ALIZADEHSANI R， KHOSRAVI A， et al. Application of artificial intelligence in wearable devices： Opportunities and challenges［J］. Computer Methods and Programs in Biomedicine， 2022， 213： 106541.

［71］  北京冬奧会探索：各种传感器一览［EB/OL］. （2022-05-25）［2023-03-27］. https：//www.sensorexpert.com.cn/article/57680. html.

［72］  让全身的肌肉都智能起来—Athos智能压缩衣［EB/OL］.（2014-08-14） ［2023-03-26］. https：//iranshao.com/articles/916-athos-smartwearable.

［73］  GAO W， EMAMINEJAD S， NYEIN H Y Y， et al. Fully integrated wearable sensor arrays for multiplexed in situ perspiration analysis［J］. Nature， 2016， 529（7587）： 509-514.

［74］  GAO W， BROOKS G A， KLONOFF D C. Wearable physiological systems and technologies for metabolic monitoring［J］. Journal of Applied Physiology， 2018， 124（3）： 548-556.

［75］  CHIDAMBARAM S， MAHESWARAN Y， PATEL K， et al. Using artificial intelligence-enhanced sensing and wearable technology in sports medicine and performance optimisation［J］. Sensors， 2022， 22（18）： 6920.

［76］  AGUILETA A A， BRENA R F， MAYORA O， et al. Multi-sensor fusion for activity recognition—a survey［J］. Sensors， 2019， 19（17）： 3808.

［77］  GRAVINA R， ALINIA P， GHASEMZADEH H， et al. Multi-sensor fusion in body sensor networks： State-of-the-art and research challenges［J］. Information Fusion， 2017， 35： 68-80.

［78］  SHANDHI M M H， SEMIZ B， HERSEK S， et al. Performance analysis of gyroscope and accelerometer sensors for seismocardiography-based wearable pre-ejection period estimation［J］. IEEE Journal of Biomedical and Health Informatics， 2019， 23（6）： 2365-2374.

［79］  TANG Q U， JOHN D， THAPA C B， et al. Posture and physical activity detection： impact of number of sensors and feature type［J］. Medicine and Science in Sports and Exercise， 2020， 52（8）： 1834.

［80］  CHEN B， ZHENG E， WANG Q. A locomotion intent prediction system based on multi-sensor fusion［J］. Sensors， 2014， 14（7）： 12349-12369.

［81］  TANNOUS H， ISTRATE D， BENLARBI D A， et al. A new multi-sensor fusion scheme to improve the accuracy of knee flexion kinematics for functional rehabilitation movements［J］. Sensors， 2016， 16（11）： 1914.

［82］  孙晋海，王家宏，马运超，等. 基于多传感器的皮划艇训练信息融合分析系统的研发与应用［J］. 北京体育大学学报， 2015，38（5）：115-121.

［83］  IMEASUREU. Delivering insights， not data - how to convert IMU data into actionable rowing insights with new south wales institute of sports damien omeara［EB/OL］.（2021-12-16）［2023-01-28］. https：//imeasureu.com/2021/12/16/delivering-insights-not-data/.

［84］  COUTTS A J， DUFFIELD R. Validity and reliability of GPS devices for measuring movement demands of team sports［J］. Journal of  Science and Medicine in Sport， 2010， 13（1）： 133-135.

［85］  GRAY A J， JENKINS D， ANDREWS M H， et al. Validity and reliability of GPS for measuring distance travelled in field-based team sports［J］. Journal of Sports Sciences， 2010， 28（12）： 1319-1325.

［86］  王艷永，邓方，孙健. 改进的自适应神经模糊推理系统的角度传感器误差补偿方法［J］. 控制理论与应用，2013，30（10）：1342-1346.

［87］  COLBU M J， DAWSON B， HEASMAN J， et al. Accelerometer and GPS-derived running loads and injury risk in elite australian footballers［J］. The Journal of Strength & Conditioning Research， 2014， 28（8）： 2244-2252.

［88］  BOYD L J， BALL K， AUGHEY R J. The reliability of minimaxx accelerometers for measuring physical activity in australian football［J］. International Journal of Sports Physiology and Performance， 2011， 6（3）： 311-321.

［89］  EDWARDS S， WHITE S， HUMPHREYS S， et al. Caution using data from triaxial accelerometers housed in player tracking units during running［J］. Journal of Sports Sciences， 2019， 37（7）： 810-818.

［90］  蓝开辉. 基于人工智能技术的高校体育智慧系统研究［J］. 西安文理学院学报（自然科学版）， 2021，24（2）：94-98.

［91］  毛烁. 面向运动过程的血氧饱和度提取算法研究［D］. 西安：西安电子科技大学，2018.

［92］  龚渝顺. 穿戴式抗运动干扰血氧饱和度监测技术研究［D］. 重庆：第三军医大学， 2012.

［93］  李永斌. 可穿戴式智能血氧运动指环设计与研究［D］. 广东：华南理工大学， 2015.

［94］  LI Z， WANG H. The effectiveness of physical education teaching in college based on artificial intelligence methods［J］. Journal of Intelligent & Fuzzy Systems， 2021， 40（2）： 3301-3311.

［95］  WANG L， YAN D， ZHANG Y， et al. Analysis on the reform and development of physical education services in the context of 5G connected communication［J］. Computational Intelligence and Neuroscience， 2022， 58（6）： 795-801.

［96］  CHEVANCE G， GOLASZEWSKI N M， TIPTON E， et al. Accuracy and precision of energy expenditure， heart rate， and steps measured by combined-sensing fitbits against reference measures： Systematic review and meta-analysis［J］. JMIR mHealth and uHealth， 2022， 10（4）： e35626.

［97］  DOOLEY E E， GOLASZEWSKI N M， BARTHOLOMEW J B. Estimating accuracy at exercise intensities： a comparative study of self-monitoring heart rate and physical activity wearable devices［J］. JMIR mHealth and uHealth， 2017， 5（3）： e7043.

［98］  ODRISCOLL R， TURICCHI J， BEAULIEU K， et al. How well do activity monitors estimate energy expenditure？ A systematic review and meta-analysis of the validity of current technologies［J］. British Journal of Sports Medicine， 2020， 54（6）： 332-340.

［99］  FEIGIN V L， STARK B A， JOHNSON C O， et al. Global， regional， and national burden of stroke and its risk factors， 1990—2019： A systematic analysis for the global burden of disease study 2019［J］. The Lancet Neurology， 2021， 20（10）： 795-820.

［100］  BURRIDGE J H， LEE A C W， TURK R， et al. Telehealth， wearable sensors， and the internet： will they improve stroke outcomes through increased intensity of therapy， motivation， and adherence to rehabilitation programs？［J］. Journal of Neurologic Physical Therapy， 2017， 41： S32-S38.

［101］  BURNS A， ADELI H. Wearable technology for patients with brain and spinal cord injuries［J］. Reviews in the Neurosciences， 2017， 28（8）： 913-920.

［102］  何娟娟，姚志明，李波陳，等. 基于可穿戴设备的帕金森病运动迟缓检测评估方法研究进展［J］. 中国医疗器械杂志，2019，43（6）：432-435.

［103］  杨强，孟松鹤，仲政，等. 力学研究中“大数据”的启示、应用与挑战［J］. 力学进展，2020，50：406-449.

［104］  WANG T， LI J， DENG Y， et al. Digital twin for human-machine interaction with convolutional neural network［J］. International Journal of Computer Integrated Manufacturing， 2021， 34（7/8）： 888-897.

［105］  JAMES N. The role of notational analysis in soccer coaching［J］. International Journal of Sports Science & Coaching， 2006， 1（2）： 185-198.

［106］  SARMENTO H， MARCELINO R， ANGUERA M T， et al. Match analysis in football： a systematic review［J］. Journal of Sports Sciences， 2014， 32（20）： 1831-1843.

［107］ STEIN M， JANETZKO H， SEEBACHER D， et al. How to make sense of team sport data： From acquisition to data modeling and research aspects［J］. Data， 2017， 2（1）： 2.

［108］  仇乃民，李少丹. 走向大數据时代的运动训练科学研究［J］. 首都体育学院学报，2015，27（6）：541-545.

［109］  刘智慧，张泉灵. 大数据技术研究综述［J］. 浙江大学学报（工学版）， 2014， 48（6）：957-972.

［110］  沈红斌，杨杰，王士同，等. 基于信息理论的合作聚类算法研究［J］. 计算机学报，2005（8）：1287-1294.

［111］  杜长亮，李少丹. 复杂性科学视野下运动训练理论［J］. 北京体育大学学报，2009，32（7）：141-144.

［112］  路来冰，李小龙. 人工智能技术在国际体育运动领域的聚类与演化［J］. 山东体育学院学报，2020，36（3）：21-32.

［113］  黎涌明，陈小平.  英国竞技体育复兴的体系特征及对我国奥运战略的启示［J］. 体育科学，2017，37（5）：3-10.

［114］  闫琪，廖婷，张雨佳. 数字化体能训练的理念、进展与实践［J］. 体育科学，2018，38（11）：3-16.

［115］  袁守龙. 体能训练发展趋势和数字化智能化转型［J］. 体育学研究，2018，1（2）：77-85.

［116］  仇乃民，李少丹. 复杂性思维视域中的运动训练科学研究：反思与重构［J］. 天津体育学院学报，2013，28（6）： 513-518.

［117］  钟亚平，吴彰忠，陈小平. 数据驱动精准训练：理论内涵、实现框架与推进路径［J］. 体育科学，2021，41（12）： 48-61.

［118］  TTHORNTON H R， DELANEY J A， DUTHIE G M， et al. Importance of various training-load measures in injury incidence of professional rugby league athletes［J］. International Journal of Sports Physiology and Performance， 2017， 12（6）： 819-824.

［119］  KAUTZ T， GROH B H， HANNINK J， et al. Activity recognition in beach volleyball using a deep convolutional neural network： Leveraging the potential of deep learning in sports［J］. Data Mining and Knowledge Discovery， 2017， 31： 1678-1705.

［120］  RUDDY J， SHIELD A， MANIAR N， et al. Predicting hamstring strain injury incidence in elite australian footballers［J］. Journal of Science and Medicine in Sport， 2017， 20： 10.

［121］  NAUGHTON M， JONES B， HENDRICKS S， et al. Quantifying the collision dose in rugby league： A systematic review， meta-analysis， and critical analysis［J］. Sports Medicine-Open， 2020， 6（1）： 1-28.

［122］  Viper pod： technology， rugby， soccer， football， basketball［J/OL］. （2022-09-01）［2023-01-13］. https：//sportsmatik.com/sports-corner/sports-technology/viper-pod.

［123］  TAMMIMI I， BALLESTEROS J， LARA A P， et al. A prediction model for primary anterior cruciate ligament injury using artificial intelligence［J］. Orthopaedic Journal of Sports Med-icine， 2021， 9（9）： 23259671211027543.

［124］  Zone7 algorithm helping liverpool cope with history-making quadruple assault［J/OL］.（2022-07-06）［2023-01-13］. https：//zone7.ai/case-studies/the-silicon-valley-algorithm-helping-liverpool-cope-with-history-making-quadruple-assault/.

［125］  BACA A， KORNFEIND P， PREUSCHI E， et al. A server-based mobile coaching system［J］. Sensors， 2010， 10（12）： 10640-10662.

［126］  人类绩效优化软件：智能基地［EB/OL］. （2022-12-06）［2023-01-10］. https：//smartabase.com/.

［127］  DONG X， KONG X， ZHANG F， et al. On campus： a mobile platform towards a smart campus［J］. Springer Plus， 2016， 5： 1-9.

［128］  AHMED V， ABU ALNAAJ K， SABOOR S. An investigation into stakeholders perception of smart campus criteria： The american university of sharjah as a case study［J］. Sustainability， 2020， 12（12）： 5187.

［129］  体育教研-教育-深圳锐取信息技术股份有限公司［EB/OL］.（2020-04-15） ［2023-01-30］. http：//www.szreach.com/jiaoyu/11-46.html.

［130］  王秋睿，张枝梅. 数字孪生技术在中小学体育教育教学中的应用思考［J］. 体育教学，2022，42（1）：35-37.

［131］  國务院办公厅关于印发体育强国建设纲要的通知［EB/OL］.（2019-09-02）［2023-02-02］. http：//www.gov.cn/zhengce/content/2019-09/02/content_5426485.htm.

［132］  WU C W， SHIEH M D， LIEN J J J， et al. Enhancing fan engagement in a 5G stadium with AI-based technologies and live streaming［J］. IEEE Systems Journal， 2022， 16（4）： 6590-6601.

［133］  邱俊强，路明月，张君，等. 运动促进健康：个性化精准解决方案［J］. 北京体育大学学报，2022，45（10）： 2-18.

［134］  CAO H. Application of smart wearable fitness equipment and smart health management based on the improved algorithm［J］. Computational Intelligence and Neuroscience， 2022：1654460.

［135］  TORRES I D， GUZMAN L J， CONTRERAS D. A mobile recommender of physical activity to prevent and control chronic non-communicable diseases［C］//2015 International conference on software， multimedia and communication engineering （SMCE 2015）. Hong Kong：SMCE，2015： 365-374.

［136］  NETZ Y， YEKUTIELI Z， ARNON M， et al. Personalized exercise programs based upon remote assessment of motor fitness： A pilot study among healthy people aged 65 years and older［J］. Gerontology， 2022， 68（4）： 465-479.

［137］  職场久坐族呈现年轻化趋势 80、90后成主力［EB/OL］. （2018-08-09）［2023-02-01］. https：//finance.qianlong.com/2018/0809/2751974.shtml.

［138］  LUO Q， DENG W. Research on intelligent exercise prescription system for civil servant［C］//HCI international 2015-postersextended abstracts. Los Angeles： Springer， 2015： 463-466.

［139］  LITTLE J P， LANGLEY J， LEE M， et al. Sprint exercise snacks： a novel approach to increase aerobic fitness［J］. European Journal of Applied Physiology， 2019， 119： 1203-1212.

［140］  RAFIEI H， OMIDIAN K， MYETTE C E， et al. Metabolic effect of breaking up prolonged sitting with stair climbing exercise snacks［J］. Medicine & Science in Sports & Exercise， 2021， 53（1）： 150-158.

［141］  TUKA V， LINHART A. Personalised exercise prescription： Finding the best for our patients［J］. European Journal of Preventive Cardiology， 2020， 27（13）： 1366-1368.

［142］  WU F， LU C， ZHU M， et al. Towards a new generation of artificial intelligence in china［J］. Nature Machine Intelligence， 2020， 2（6）： 312-316.