霍波 李彥鋒 高騰 王子鑫 杜澤華 孫紀(jì)元

摘? ? 要? ?隨著人工智能技術(shù)在體育領(lǐng)域的逐步推廣，體育人工智能學(xué)科已初現(xiàn)端倪，具體是指以人工智能技術(shù)為手段，通過感知、歸納、分析、挖掘人類體育運動的數(shù)據(jù)，揭示人體運動規(guī)律、評估運動表現(xiàn)效果、形成科學(xué)運動的方案、研發(fā)輔助運動訓(xùn)練的裝備，以此提升競技體育運動表現(xiàn)及實現(xiàn)健身科學(xué)化和主動健康。首先介紹人工智能及體育人工智能學(xué)科的發(fā)展歷程，進(jìn)而基于檢索到的855篇學(xué)術(shù)論文，針對體育人工智能領(lǐng)域的3類主要技術(shù)——計算機(jī)視覺技術(shù)、智能可穿戴設(shè)備和大數(shù)據(jù)技術(shù)，歸納了不同技術(shù)的數(shù)據(jù)獲取方式，介紹了包括深度學(xué)習(xí)在內(nèi)的機(jī)器學(xué)習(xí)等人工智能算法，梳理了其在競技體育、學(xué)校體育、全民健身領(lǐng)域中的應(yīng)用現(xiàn)狀和研究方向，最后分別分析了上述3類主要技術(shù)在當(dāng)前的應(yīng)用中面臨的挑戰(zhàn)及未來的主要發(fā)展方向。

關(guān)鍵詞? ?人工智能；體育人工智能；體醫(yī)工融合；主動健康；競技體育；學(xué)校體育；全民健身

中圖分類號：G 80-3；TP3? ? ? ? ? ?學(xué)科代碼：040302? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：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開發(fā)能夠模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)，使機(jī)器能做人類需要智力才能完成的工作的新的技術(shù)科學(xué)［1］。作為新一輪科技革命與產(chǎn)業(yè)變革的核心驅(qū)動力，人工智能技術(shù)正在深刻地影響人類的社會生活［2］。體育是人類促進(jìn)自身健康、探索運動極限的重要方式，同時也是以豐富人類社會文化和精神文明為目的的一種有意識、有組織的社會活動［3］。近年來，隨著人工智能技術(shù)在體育科技領(lǐng)域的逐步應(yīng)用，體育學(xué)的研究和教學(xué)也在發(fā)生著巨大變化，體育人工智能學(xué)科已經(jīng)初現(xiàn)端倪。國家體育總局于2021年10月印發(fā)的《“十四五”體育發(fā)展規(guī)劃》中明確提出：信息技術(shù)在體育領(lǐng)域廣泛應(yīng)用［4］。這說明人工智能與體育持續(xù)、全面、深層次的融合已成為助力體育事業(yè)發(fā)展的必然趨勢?；诖耍瑢Ⅲw育人工智能定義為：面向人類體育活動，基于人工智能技術(shù)，應(yīng)用參數(shù)監(jiān)測和感知的關(guān)鍵技術(shù)，通過建立數(shù)據(jù)分析和挖掘的理論與方法揭示人體運動規(guī)律、評估運動表現(xiàn)、形成科學(xué)的運動方案、研發(fā)輔助訓(xùn)練裝備，以提升競技體育運動表現(xiàn)、實現(xiàn)全民科學(xué)運動和主動健康。

體育學(xué)的主要應(yīng)用場景包括競技體育、學(xué)校體育、全民健身，在這3個方面體育人工智能都已經(jīng)開展相關(guān)的理論研究和技術(shù)研發(fā)。在競技體育領(lǐng)域，面向運動員、教練員、裁判員，基于人體動作捕捉、識別和分析開發(fā)的訓(xùn)練輔助系統(tǒng)、陪練機(jī)器人、戰(zhàn)術(shù)優(yōu)化系統(tǒng)、智能裁判與輔助判罰系統(tǒng)等已在訓(xùn)練、競賽及執(zhí)裁方面得到了廣泛應(yīng)用［5］；在學(xué)校體育領(lǐng)域，依托人工智能和大數(shù)據(jù)打造的體育教學(xué)生態(tài)系統(tǒng)，能幫助學(xué)生開展個性化的體育學(xué)習(xí)與訓(xùn)練、輔助體育教師提高教學(xué)質(zhì)量、協(xié)助管理者實現(xiàn)高效的教學(xué)管理，促進(jìn)學(xué)校、家庭、社會3個方面的同向協(xié)力［6］；在全民健身領(lǐng)域，各類基于人體數(shù)據(jù)的健身APP大量上線，智能化可穿戴設(shè)備逐漸普及，智能化運動場館開始興起，人工智能為解決體育資源分布不平衡的問題提供了新的思路，使我國人民群眾享受到了現(xiàn)實可行的體育資源獲取渠道。

本文主要梳理體育人工智能發(fā)展歷程、人工智能技術(shù)在體育各個領(lǐng)域的應(yīng)用現(xiàn)狀，以期為體育科技工作者進(jìn)一步探索和研究體育人工智能的理論、技術(shù)及應(yīng)用提供借鑒與參考。

1? ?文獻(xiàn)研究法

本研究選取全球最具影響力和權(quán)威性的引文數(shù)據(jù)庫——WOS核心合集數(shù)據(jù)庫（SCI、SSCI和A&HCI）作為數(shù)據(jù)獲取來源。因人工智能學(xué)科和體育學(xué)科各自都特有多學(xué)科交叉屬性，所覆蓋應(yīng)用領(lǐng)域范圍較廣，如果僅以“sports artificial intelligence”為關(guān)鍵詞進(jìn)行檢索無法全面分析體育人工智能領(lǐng)域的研究現(xiàn)狀，所以根據(jù)當(dāng)前人工智能的熱點研究方向，例如：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計算機(jī)視覺技術(shù)、大數(shù)據(jù)、智能可穿戴設(shè)備、自然語言處理等，提煉出熱點詞以確定檢索詞。檢索條件為主題，即TS=（Sport*OR Exercise*OR Fitness OR“Physical activity”）AND（“Artificial Intelligence”O(jiān)R“Machine Learning”O(jiān)R“Deep Learning”O(jiān)R“Computer Vision”O(jiān)R“Inertial Measurement Unit”O(jiān)R“Big Data”），時間跨度為2002—2022年，語種為“English”，檢索時將文獻(xiàn)類型限定為“Article”。在上述檢索條件下，經(jīng)人工精煉后共選取了855篇論文。

基于以上這些論文的研究結(jié)果，本研究主要針對體育人工智能領(lǐng)域的3類主流技術(shù)——計算機(jī)視覺技術(shù)、智能可穿戴設(shè)備技術(shù)和大數(shù)據(jù)技術(shù)，歸納其數(shù)據(jù)獲取的方式，介紹包括深度學(xué)習(xí)在內(nèi)的機(jī)器學(xué)習(xí)等人工智能相關(guān)算法，進(jìn)而梳理其在競技體育、學(xué)校體育、全民健身等幾個領(lǐng)域中的研究現(xiàn)狀和應(yīng)用現(xiàn)狀，最后分析上述技術(shù)在當(dāng)前面臨的挑戰(zhàn)，預(yù)測該領(lǐng)域的未來發(fā)展趨勢。

2? ?體育人工智能的發(fā)展歷程

人工智能正在成為推動人類進(jìn)入智能時代的決定性力量，誕生至今已有60余年的發(fā)展歷程，可簡單分為3個階段。

在二十世紀(jì)四十年代，人工自動機(jī)理論出現(xiàn)。直至1956年，美國達(dá)特茅斯學(xué)院召開了第一次人工智能學(xué)術(shù)會議，標(biāo)志著人工智能領(lǐng)域的形成。這一時期的人工智能相關(guān)研究關(guān)注的是證明幾何定理、解決代數(shù)應(yīng)用問題及語言學(xué)習(xí)問題，主要體現(xiàn)出教育用途［7］。第一臺人形機(jī)器人“WABOT”（早稻田機(jī)器人）于1973年在日本早稻田大學(xué)誕生。該事件標(biāo)志著人工智能技術(shù)向工業(yè)制造領(lǐng)域的介入，但囿于計算機(jī)內(nèi)存和運算速度的不足，需要人耗費大量時間與精力對設(shè)備不斷地進(jìn)行調(diào)試，且多位專家對此公開批評，從而導(dǎo)致人工智能技術(shù)進(jìn)入第一次發(fā)展停滯期［8］。在二十世紀(jì)八十年代，計算機(jī)內(nèi)存容量與運行速度呈指數(shù)式增長，局域網(wǎng)技術(shù)創(chuàng)新提速，人工智能迎來發(fā)展契機(jī)。人工智能領(lǐng)域的研究者在這一時期開始將研究重點轉(zhuǎn)向為不同的系統(tǒng)提供其所在領(lǐng)域的專業(yè)知識上，試圖通過將專業(yè)知識與推理機(jī)制相結(jié)合達(dá)到專家水平?？▋?nèi)基梅隆大學(xué)于1980年為某數(shù)字設(shè)備企業(yè)開發(fā)的用戶訂單配置系統(tǒng)-XCON取得了巨大成功，是這一時期的標(biāo)志性事件。至此，各式各樣的專家系統(tǒng)如雨后春筍般應(yīng)用于工業(yè)領(lǐng)域，但是好景不長，除了計算機(jī)軟硬件和資金方面的限制，沒有開源軟件和公開的數(shù)據(jù)標(biāo)準(zhǔn)可以使不同系統(tǒng)共享數(shù)據(jù)和策略，以及人類知識結(jié)構(gòu)的復(fù)雜性均大大制約了專家系統(tǒng)及人工智能技術(shù)的進(jìn)一步發(fā)展。佛瑞德·布魯克斯于1986年發(fā)表的論文中提出了一個經(jīng)典論斷——“沒有銀彈”，即指沒有任何一項技術(shù)或一種方法可以使軟件工程的生產(chǎn)力在10年內(nèi)提高10倍。這一論斷質(zhì)疑了學(xué)術(shù)界多年來的關(guān)于自動編程可以很快實現(xiàn)的幻想，同時也拉開了人工智能第二次受到冷遇的序幕［9］。進(jìn)入二十一世紀(jì)，互聯(lián)網(wǎng)開始普及，網(wǎng)絡(luò)數(shù)據(jù)量與業(yè)務(wù)量的暴漲推動著計算機(jī)軟硬件性能升級，物聯(lián)網(wǎng)及傳感技術(shù)的發(fā)展加速了物理世界量化進(jìn)程，人類進(jìn)入大數(shù)據(jù)時代，知識的自動獲取成為現(xiàn)實。Hinton于2006年提出了一種基于深度信念網(wǎng)絡(luò)（DBN）的無監(jiān)督學(xué)習(xí)訓(xùn)練方法，促使學(xué)界開始深入研究深度學(xué)習(xí)［10］。使用DBN和深度自動編碼器檢索文件可以顯示單詞特征，與廣泛應(yīng)用的語義分析相比具有明顯優(yōu)勢，可使文獻(xiàn)檢索更容易。這一思想已被初步擴(kuò)展到音頻文件檢索和解決語音文件識別問題中。該方法可通過逐層預(yù)訓(xùn)練有效克服深層神經(jīng)網(wǎng)絡(luò)在有監(jiān)督訓(xùn)練模型時學(xué)習(xí)特定任務(wù)的困難，從此出現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)的研究，即通過分類、聚類、特征提取算法從大數(shù)據(jù)中獲取知識的深度學(xué)習(xí)技術(shù)［11-12］。至此，人工智能技術(shù)逐漸應(yīng)用于各個領(lǐng)域，深刻影響著人類的生活。

自1951年克里斯托弗·斯特雷奇編寫了第一款能下西洋跳棋的計算機(jī)程序，到2016年Alpha Go擊敗圍棋世界冠軍李世石，可以說，體育始終是人工智能技術(shù)的實驗與應(yīng)用對象?？v觀體育人工智能發(fā)展史，伴隨著人工智能技術(shù)的產(chǎn)生、興起、沉寂和復(fù)興，體育人工智能技術(shù)也相應(yīng)體現(xiàn)出階段性特征（如圖1所示）。

1）萌芽期（二十世紀(jì)五十年代至八十年代）。人工智能技術(shù)誕生之初，以西蒙和紐厄爾為代表的理性學(xué)派認(rèn)為，人腦與計算機(jī)可以視為信息處理器，任何能夠以一定的邏輯規(guī)則描述的問題都可以通過人工智能程序解決。而棋類游戲恰恰是這種形式化符號問題的典型，因此，體育在人工智能領(lǐng)域被用作理性學(xué)派的試驗場，用來驗證算法的優(yōu)越性?？茖W(xué)家艾倫·紐厄爾和奧利弗·塞弗里奇于1955年分別作了下棋與計算機(jī)模式識別的研究［13］。阿瑟·塞繆爾于1956年提出了機(jī)器學(xué)習(xí)理論，并編寫了能夠與人類下西洋跳棋的程序。這套程序在1959年擊敗了設(shè)計者本人，又于1962年戰(zhàn)勝了美國某州的州冠軍［14］。之后，隨著人工智能發(fā)展出現(xiàn)第一次低潮，體育與人工智能的結(jié)合也陷入20年的沉寂。

2）形成期（二十世紀(jì)八十年代至二十一世紀(jì)前十年）。在二十世紀(jì)八十年代，競技體育蓬勃發(fā)展、大眾健康意識增強(qiáng)、專家系統(tǒng)廣泛應(yīng)用，推動人工智能技術(shù)開始應(yīng)用于提取和分析運動、飲食、運動損傷、疲勞方面的數(shù)據(jù)。由此，體育與人工智能的結(jié)合開始趨向深入。在科學(xué)訓(xùn)練方面，Nobbe于1988年編寫了綜合程序，用于分析和改善運動過程中生物力學(xué)、生理學(xué)及心理學(xué)表現(xiàn)，以有效地輔助運動訓(xùn)練［15］。此后，Takashi從技能模擬、負(fù)荷監(jiān)測、動作分析等角度系統(tǒng)歸納了人工智能技術(shù)在健身活動中具有的功能和特點、發(fā)展方向等［16］。在醫(yī)療和傷病預(yù)防方面，Irler等基于健康信息大數(shù)據(jù)，通過概率模型預(yù)測鍛煉活動的風(fēng)險［17］；Zelieii等基于機(jī)器學(xué)習(xí)算法開發(fā)了可實際應(yīng)用的運動損傷診斷專家系統(tǒng)［18］。在比賽預(yù)測方面，Mccabe使用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了一種人工智能模型，用于預(yù)測特定運動比賽的結(jié)果［19］；Reed等的研究表明，人工智能和計算機(jī)化方法預(yù)測體育比賽結(jié)果的能力首次超過了人類，建議建立一個體育信息數(shù)據(jù)庫以實現(xiàn)人工智能在體育領(lǐng)域的應(yīng)用［20］?？傮w來說，體育與人工智能的融合在這一時期取得了一定成效，主要體現(xiàn)在促進(jìn)科學(xué)訓(xùn)練、醫(yī)療保健、預(yù)測體育比賽結(jié)果等。同時，數(shù)據(jù)記錄、算法、應(yīng)用方案、軟硬件技術(shù)等條件尚未成熟，使得體育人工智能技術(shù)并未形成整體化和系統(tǒng)化的應(yīng)用局面。

3）全面融合期（二十一世紀(jì)前十年之后至今）。隨著深度學(xué)習(xí)算法、大數(shù)據(jù)、云計算、虛擬現(xiàn)實、傳感器、物聯(lián)網(wǎng)等新技術(shù)的發(fā)展，體育人工智能技術(shù)進(jìn)入高速發(fā)展期，在競技體育、學(xué)校體育、全民健身領(lǐng)域逐步呈現(xiàn)整體化、系統(tǒng)化、精細(xì)化的應(yīng)用局面。例如：在體育賽事轉(zhuǎn)播、智能判罰、競技體育訓(xùn)練、體育教學(xué)、智能體育場館、個性化健康管理等方面成果豐碩。在競技體育的技術(shù)訓(xùn)練與戰(zhàn)術(shù)建模方面，無線傳感的運動監(jiān)測裝備已得到初步應(yīng)用。NBA早在2013年就引入“Sport VU”系統(tǒng)，將3D高清攝像頭、各類傳感器與超級攝像機(jī)相連，通過動態(tài)捕捉、跟蹤分析、提取數(shù)據(jù)建立戰(zhàn)術(shù)模型，并最終輸入NBA數(shù)據(jù)庫。在學(xué)校體育方面，以大數(shù)據(jù)為核心的人工智能領(lǐng)域的各種技術(shù)應(yīng)用于教育教學(xué)后取得了顯著的成效，不但推動了學(xué)校體育課程改革，而且加快了體育教育現(xiàn)代化建設(shè)，以科技手段和智能技術(shù)促進(jìn)學(xué)校體育各方面的發(fā)展，改善現(xiàn)有的體育教學(xué)模式，降低體育教學(xué)中的運動損傷風(fēng)險，確保學(xué)生安全而愉快地進(jìn)行體育鍛煉。在全民健身方面，圍繞健身計劃生成、實時動作反饋、健身膳食安排、健身效果評估的智能算法與虛擬現(xiàn)實（VR）技術(shù)相繼落地應(yīng)用，用戶可以通過APP軟件在沉浸式、數(shù)字化的虛擬運動訓(xùn)練環(huán)境中健身，不僅可以實時監(jiān)測熱量消耗、步頻、心率等，而且還能選擇最合適的運動強(qiáng)度健身服務(wù)方案［21］。此外，隨著智能建筑的開發(fā)與建設(shè)，智能化和數(shù)字化的體育場館的研究也進(jìn)一步深入。該階段能突破之前體育與人工智能結(jié)合的局限得益于信息技術(shù)的快速發(fā)展和互聯(lián)網(wǎng)的普及，尤其是算力突破、算法強(qiáng)化等使輸入的數(shù)據(jù)可以自行模擬和構(gòu)建相應(yīng)的模型，并且精準(zhǔn)度大大提高，實現(xiàn)了體育與人工智能多方位、深層次、立體化的融合。

3? ?計算機(jī)視覺技術(shù)在體育領(lǐng)域的應(yīng)用

計算機(jī)視覺技術(shù)是人工智能領(lǐng)域的重要分支，主要使用攝像機(jī)對目標(biāo)對象進(jìn)行測量，并通過人工智能算法進(jìn)行圖形處理和人體動作識別。近年來，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型在大規(guī)模圖像分類和身體姿勢識別方面取得了標(biāo)志性進(jìn)展，不僅能夠精準(zhǔn)地識別和檢測人體運動動作，而且在訓(xùn)練效果反饋和輔助決策中發(fā)揮著越來越重要的作用。

3.1? 數(shù)據(jù)獲取與分析

當(dāng)前，人們主要采用高速相機(jī)獲取視覺圖像，包括基于反光標(biāo)記追蹤的紅外三維動作捕捉和無標(biāo)記動作捕捉2種方式。基于反光標(biāo)記追蹤的紅外三維動作捕捉主要通過多個攝像頭聚焦到同一公共捕獲區(qū)域，追蹤特定的標(biāo)記點，通過計算機(jī)視覺技術(shù)方法計算得到標(biāo)記點的三維位置信息。該方式的優(yōu)點主要是對捕獲目標(biāo)的運動區(qū)域無限制，且有較高的采樣頻率和毫米級的精度，但是不足之處在于：操作系統(tǒng)價格過于昂貴，前期標(biāo)定過程較繁瑣，后期需要處理的數(shù)據(jù)體量較大、耗時過長。無標(biāo)記動作捕捉是基于計算機(jī)視覺技術(shù)的機(jī)器學(xué)習(xí)算法對視頻進(jìn)行自動分析和信息提取，其特點是具有較高的準(zhǔn)確性、魯棒性且易于操作，并以較低的成本實現(xiàn)對日常訓(xùn)練比賽中人體動作的無干擾識別。

目前主流的基于計算機(jī)視覺技術(shù)的運動捕捉系統(tǒng)有Vicon、Qualysis、Microsoft Kinect等［22］，其大多依靠攝像機(jī)拍攝二維平面圖像，然后再將多個相機(jī)拍攝的二維圖像進(jìn)行三維合成，以進(jìn)行人體運動動作識別和分析［23］。如果要更精準(zhǔn)地捕捉和識別運動員的動作，監(jiān)測用的攝像機(jī)在運動場地中的擺放位置非常關(guān)鍵。例如，Kasuya［24］、Montoliu［25］及Leo［26］在體育場設(shè)置了多個攝像頭（如圖2所示），以鳥瞰視角采集整個體育場的運動圖像。有多項研究顯示，運動攝像機(jī)的典型采集頻率在25～250 Hz，使用過快的采集頻率會導(dǎo)致過大的數(shù)據(jù)量，但是對極為快速的運動則應(yīng)采用高速攝像機(jī)［27-32］。

傳統(tǒng)的二維相機(jī)只能拍攝到相機(jī)鏡頭視角內(nèi)的物體，但是無法測量物體到相機(jī)的實際距離。而深度相機(jī)可以通過無接觸、基于光反射的方法獲取物體到相機(jī)的實際距離參數(shù)。結(jié)合特定點在二維平面圖像中的坐標(biāo)便可獲取圖像中每個點的三維空間坐標(biāo)，并依此重構(gòu)三維圖像，實現(xiàn)真實場景還原及目標(biāo)對象定位和識別。因此，深度相機(jī)憑借較少的相機(jī)數(shù)量、簡易的操作流程及低廉的成本，開始廣泛應(yīng)用于計算機(jī)視覺技術(shù)領(lǐng)域。當(dāng)前，市場上的深度相機(jī)主要有3類：結(jié)構(gòu)光、光飛行時間法、雙目立體視覺法。

有專家提出，基于視覺的人體動作識別主要有以下3個步驟：1）從圖像幀中檢測運動信息并提取底層特征；2）對行為模式或動作進(jìn)行建模；3）建立底層視覺特征與動作類別等語義信息之間的對應(yīng)關(guān)系［33］。實際上，目標(biāo)檢測是在視頻的每一幀中定位目標(biāo)對象，這是視頻監(jiān)控的第一步；之后再對目標(biāo)對象進(jìn)行分類和跟蹤并檢測出運動目標(biāo)［34］。應(yīng)該注意的是，在運動目標(biāo)檢測時存在噪聲、光照強(qiáng)度變化、動態(tài)背景、遮擋、陰影等問題。而提取圖像特征主要是通過機(jī)器學(xué)習(xí)算法對攝像機(jī)捕獲的視頻數(shù)據(jù)進(jìn)行預(yù)處理（例如消除噪音等）并生成一個用于分類的降維空間。相關(guān)研究表明，為了獲得球員的精確動作或與之相互作用的球的軌跡，最常用的方法是使用光流提取特征信息，其主要思想為計算幀內(nèi)目標(biāo)監(jiān)測點的速度，并估計該目標(biāo)監(jiān)測點在下一幀中的位置［35-37］。隨著信息技術(shù)的進(jìn)步，深度學(xué)習(xí)算法能自動化地進(jìn)行圖像的特征提取和信息的整合歸類，包括進(jìn)行檢測識別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）［38］、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）［39］等。具體操作步驟包括將拍攝到的人體動作二維圖像進(jìn)行轉(zhuǎn)換、輸入分割后的圖像特征數(shù)據(jù)信息等，在借助深度學(xué)習(xí)算法識別人體動作后，便可以構(gòu)建人體運動學(xué)模型，這是視頻監(jiān)控的第二步。最后，根據(jù)已提取的底層視覺特征獲取連續(xù)圖像中的運動學(xué)參數(shù)，預(yù)測或估計目標(biāo)對象在圖像序列中的位置和方向，并與視頻數(shù)據(jù)集中的動作類別等語義信息進(jìn)行對比，通過識別連續(xù)圖像中具有相同或相近特征的目標(biāo)，自動化地通過計算機(jī)視覺技術(shù)識別人體動作，以便后期針對個人專項技術(shù)進(jìn)行優(yōu)化。

3.2? 在競技體育領(lǐng)域的應(yīng)用現(xiàn)狀

3.2.1? 構(gòu)建智能輔助決策系統(tǒng)，預(yù)測運動技術(shù)和戰(zhàn)術(shù)

隨著計算機(jī)視覺技術(shù)在競技體育中的廣泛應(yīng)用，通過高清攝像頭對快速運動的球和運動員進(jìn)行拍攝，并通過相關(guān)算法對快速運動的球和運動員進(jìn)行識別與追蹤，顯著提高了對球員移動軌跡分析的精準(zhǔn)性，并且可以提高運動隊使用比賽錄像進(jìn)行球隊?wèi)?zhàn)術(shù)分析及效果評判的效率［40-41］。精準(zhǔn)且高效地對球員和球的運動軌跡進(jìn)行識別是技戰(zhàn)術(shù)預(yù)測的前提，在運動隊中的應(yīng)用尤為凸顯。針對足球比賽視頻中集體運動特征識別困難的問題，Takahashi等在2013年首次提出了一種用于識別籃球比賽中運動特征的方法，并側(cè)重于分析人的動作和攝像機(jī)運動之間的關(guān)系，稱為時空多尺度袋（STMB）［42］。通過這種方法能將在時空子區(qū)域中提取的關(guān)鍵點變化軌跡作為運動特征，而后能將STMB中的一個子區(qū)域的全局表示與局部表示相結(jié)合創(chuàng)建全局成對表示（GPR）。相關(guān)研究表明，使用基于STMB的GPR訓(xùn)練的兩階段支持向量機(jī)對動作進(jìn)行分類與識別，能夠可靠地檢測視頻中的特定行為［42］。因此，基于機(jī)器學(xué)習(xí)智能算法能實現(xiàn)在復(fù)雜場景下的運動目標(biāo)跟蹤，為后續(xù)進(jìn)行的動作識別、特征提取奠定了堅實基礎(chǔ)。

計算機(jī)視覺領(lǐng)域的某視頻分析企業(yè)研發(fā)了一套系統(tǒng)，能通過智能AI算法綜合分析訓(xùn)練與比賽（包含自己的和對手的）中的統(tǒng)計數(shù)據(jù)和視頻數(shù)據(jù)，可以從中發(fā)現(xiàn)比賽中的技戰(zhàn)術(shù)安排或執(zhí)行上的缺陷，量化評估陣容搭配或戰(zhàn)術(shù)策略的效果（得分增加、獲勝概率等），并據(jù)此提出有關(guān)比賽排兵布陣的方案，最終通過平板電腦等載體可視化呈現(xiàn)比賽數(shù)據(jù)分析結(jié)果，為教練員的賽前備戰(zhàn)和臨場技戰(zhàn)術(shù)調(diào)整提供支撐［43］。

綜上所述，特定運動項目的比賽技戰(zhàn)術(shù)分析與預(yù)測及教練員的臨場指揮主要依賴教練員的個人經(jīng)驗，而將傳統(tǒng)的技戰(zhàn)術(shù)分析、預(yù)測方法與人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)算法的計算機(jī)視頻分析技術(shù)相結(jié)合可以從日常訓(xùn)練和正式比賽中收集和分析運動員的各項數(shù)據(jù)指標(biāo)，并且據(jù)此可以構(gòu)建更具精細(xì)分析功能的智能輔助決策系統(tǒng)，有助于教練組結(jié)合自身豐富的實戰(zhàn)經(jīng)驗精準(zhǔn)而高效地制定比賽中的應(yīng)對策略和球隊?wèi)?zhàn)術(shù)。

3.2.2? 研發(fā)智能輔助訓(xùn)練系統(tǒng)，評估運動員動作質(zhì)量

運動員的動作質(zhì)量和訓(xùn)練效果可基于計算機(jī)視覺技術(shù)進(jìn)行評估，并可以開發(fā)智能輔助訓(xùn)練系統(tǒng)，以針對運動員進(jìn)行個性化的動作分析和訓(xùn)練。在相關(guān)研究中，通過計算機(jī)視覺技術(shù)獲取運動學(xué)信息最常見的方法是根據(jù)運動生物力學(xué)原理運用三維動作捕捉技術(shù)獲取，即在實驗室環(huán)境下追蹤黏附在人體表面骨性標(biāo)志點的反光點，然后基于人工修正后的標(biāo)記點進(jìn)行三維坐標(biāo)構(gòu)建，形成構(gòu)建人體骨架模型的技術(shù)［44-45］。然而，在正式比賽中不允許運動員佩戴附著在身體上影響其運動表現(xiàn)的標(biāo)記物，這些限制促使運動分析系統(tǒng)轉(zhuǎn)向應(yīng)用深度學(xué)習(xí)和計算機(jī)視覺技術(shù)的自主與無標(biāo)記的方法。

無標(biāo)記動作捕捉方法是應(yīng)用視頻跟蹤技術(shù)量化運動學(xué)指標(biāo)，通過深度學(xué)習(xí)算法對多個特定動作指標(biāo)進(jìn)行連續(xù)性的追蹤觀測，并精準(zhǔn)重建人體三維模型，這樣便可確保定量化分析動作質(zhì)量的可靠性，而且能提高獲取相關(guān)運動數(shù)據(jù)的精確性［46-47］。在實現(xiàn)精準(zhǔn)識別數(shù)據(jù)的基礎(chǔ)上，Baclig等更進(jìn)一步地將姿態(tài)自動識別算法運用到識別視頻中每一幀的人體關(guān)節(jié)點，并首次將深度學(xué)習(xí)和計算機(jī)視覺技術(shù)應(yīng)用于優(yōu)秀壁球運動員的運動學(xué)指標(biāo)評估中，計算出運動員在整場比賽中的平均移動速度，揭示了優(yōu)秀壁球運動員在比賽中必須具備令人難以置信的速度和耐力水平［48］。此外，計算機(jī)視覺技術(shù)還可助力構(gòu)建智能教練系統(tǒng)。例如：中國“跳水夢之隊”使用的“3D＋AI”跳水訓(xùn)練系統(tǒng)可以通過高速相機(jī)、計算機(jī)視覺技術(shù)、3D建模技術(shù)等設(shè)備和技術(shù)從360°全方位地采集運動員在1～2 s內(nèi)完成的跳水動作指標(biāo)，并能完成身體姿勢的三維重建及量化評估［49］。除此之外，還構(gòu)建了其他運動項目的智能教練系統(tǒng)，例如：在籃球運動員訓(xùn)練時，可以通過人工智能教練系統(tǒng)攝像機(jī)錄制到的球員投籃動作，實時監(jiān)測運動員投籃的發(fā)力順序、出手角度等，如果動作未達(dá)標(biāo)，可以通過指示器發(fā)出的聲音或振動提示球員［46］?；赩R技術(shù)的排球運動訓(xùn)練模擬系統(tǒng)能通過捕捉動作數(shù)據(jù)的方式收集運動員的相關(guān)參數(shù)，結(jié)合人體運動學(xué)理論檢查動作的合理性［44］。VR感知交互模型能夠識別運動員是否動作規(guī)范且達(dá)到標(biāo)準(zhǔn)，同時還可以對訓(xùn)練過程中未達(dá)到動作標(biāo)準(zhǔn)的運動員進(jìn)行提示，以提高訓(xùn)練質(zhì)量和效率。

可見，基于深度學(xué)習(xí)的人體關(guān)鍵點檢測算法在解決競技體育的非接觸測量方面已有突破性進(jìn)展。目前廣泛應(yīng)用于運動生物力學(xué)方面的研究中，主要是結(jié)合地面反作用力進(jìn)行逆動力學(xué)計算，分析關(guān)節(jié)和肌肉受力情況及通過識別到的運動員技術(shù)動作參數(shù)進(jìn)行運動員的運動效果評估和技術(shù)動作優(yōu)化。開發(fā)基于計算機(jī)視覺技術(shù)的智能輔助訓(xùn)練系統(tǒng)將會提高訓(xùn)練質(zhì)量及訓(xùn)練效率，優(yōu)化教練團(tuán)隊職能，有利于取得更加優(yōu)異的競賽成績。

3.2.3? 構(gòu)建視頻輔助裁判系統(tǒng)，提高體育賽事判罰準(zhǔn)確性

囿于人眼的視野范圍、反應(yīng)速度及遮擋問題，當(dāng)前已經(jīng)開始采用人工智能技術(shù)建立視頻輔助裁判系統(tǒng)來提高判罰的準(zhǔn)確性。例如，2006年美國網(wǎng)球公開賽首次應(yīng)用“鷹眼系統(tǒng)”，人工智能技術(shù)協(xié)助裁判員多次解決了重大比賽中難以抉擇的判罰，起到了舉足輕重的作用。近年來，原本排斥“鷹眼系統(tǒng)”判罰的紅土場網(wǎng)球賽事也開始采用“鷹眼系統(tǒng)”輔助邊線判罰，并進(jìn)行網(wǎng)球運動軌跡和落地位置還原。例如：美國職業(yè)棒球大聯(lián)盟（MLB）基于“鷹眼系統(tǒng)”的快速捕捉能力，在正式比賽中嘗試使用人工智能驅(qū)動的自動判罰系統(tǒng)（ABS）。美國男子籃球職業(yè)聯(lián)賽也開始通過“鷹眼系統(tǒng)”和可穿戴設(shè)備打造能夠還原比賽爭議場景的三維動畫系統(tǒng)，用以輔助裁判決策。

在同場對抗類運動項目中（例如：籃球、足球等），犯規(guī)和違例往往是判罰中極具爭議的部分。隨著視頻輔助判罰技術(shù)在歐洲足球協(xié)會聯(lián)盟于2016年舉辦的賽事中初次亮相，該技術(shù)逐步進(jìn)入研究者的視野。視頻助理裁判（VAR）是由現(xiàn)役裁判擔(dān)任，負(fù)責(zé)通過回放視頻向主裁判提供信息，協(xié)助主裁判判斷足球賽場上的形勢，提高判罰的準(zhǔn)確性。該技術(shù)主要依靠遍布在球場上的多個攝像機(jī)，從多機(jī)位和多角度捕捉球員的動作。在2022年卡塔爾世界杯舉辦時，作為VAR系統(tǒng)的延伸，半自動越位識別技術(shù)（SAOT）被廣泛應(yīng)用。該系統(tǒng)運用視頻動作捕捉技術(shù)，通過球場頂部的12臺特制攝像機(jī)，定位29個與判罰相關(guān)的不同部位以形成數(shù)據(jù)采集點，并以50次/s的頻率發(fā)送數(shù)據(jù)，能實時追蹤足球和球員的位置、自動劃出虛擬越位線并生成三維圖像，可以精確展示足球與其附近球員的位置。同時，當(dāng)監(jiān)測到球員越位后，SAOT便會將信息通知VAR，幫助裁判作出決定［50］。

綜上所述，競技體育始終要最大程度地營造公平與公正的比賽環(huán)境，因此，運用高新技術(shù)構(gòu)建視頻輔助裁判系統(tǒng)是所有競技體育賽事發(fā)展的趨勢。例如“鷹眼系統(tǒng)”的開發(fā)，顯著杜絕了乒乓球、網(wǎng)球等球類運動項目中有失公允的漏判和誤判的發(fā)生。使用高科技手段輔助裁判員執(zhí)裁成為了現(xiàn)實，并且其判罰準(zhǔn)確性也有了質(zhì)的提升。

3.3? 在學(xué)校體育領(lǐng)域的應(yīng)用現(xiàn)狀

3.3.1? 構(gòu)建學(xué)校運動訓(xùn)練與教學(xué)系統(tǒng)，改善體育課堂教學(xué)效果

現(xiàn)階段為了提高學(xué)校體育教學(xué)和運動訓(xùn)練的效率，運用計算機(jī)視覺技術(shù)為學(xué)生提供的人機(jī)交互的運動訓(xùn)練教學(xué)系統(tǒng)，可以使學(xué)生通過此類系統(tǒng)深化自己的認(rèn)知和了解自己的不足，以更好地完成訓(xùn)練和學(xué)習(xí)任務(wù)。人機(jī)交互（HCI）是通過計算機(jī)輸入與輸出設(shè)備有效地實現(xiàn)人與計算機(jī)互動的技術(shù)。其將語音識別技術(shù)、手勢識別技術(shù)、人體識別技術(shù)與人機(jī)交互相結(jié)合，可以為學(xué)生學(xué)習(xí)專業(yè)知識和運動訓(xùn)練提供數(shù)據(jù)支撐［51-52］。HCI不僅能自動分析學(xué)生的訓(xùn)練和學(xué)習(xí)效果，還能為學(xué)生提供相應(yīng)的建議，幫助學(xué)生迅速改進(jìn)當(dāng)前的不足。有一個基于人工智能的運動訓(xùn)練教學(xué)模型（如圖3所示）能運用基于人工智能驅(qū)動的攝像頭系統(tǒng)及配套分析軟件自動檢測學(xué)生在體育課堂的身體活動情況（例如：跑動距離、能量消耗等）。在此類智能體育課堂實踐中，相機(jī)可以監(jiān)督學(xué)生訓(xùn)練和測試的整個過程。每個操作完成后，學(xué)生可以在現(xiàn)場屏幕中以可視化的方式看到自身運動過程的數(shù)據(jù)、運動能力評估結(jié)果和運動處方［53］。該模型可以根據(jù)采集到的學(xué)生的運動信息結(jié)合其歷史運動成績，制定出合理的個性化訓(xùn)練方案，提高學(xué)生的訓(xùn)練效率。因此，通過構(gòu)建基于計算機(jī)視覺技術(shù)的運動訓(xùn)練與教學(xué)系統(tǒng)，對于教師而言，可以在學(xué)生未覺察的情況下監(jiān)控體育課堂的運動負(fù)荷，甚至可以幫助體育教師監(jiān)控學(xué)生的技術(shù)動作完成質(zhì)量，從而從整體提高體育課堂教學(xué)質(zhì)量；對于學(xué)生而言，該系統(tǒng)在為其提供個性化的和精準(zhǔn)的運動處方的同時，還能可視化學(xué)生在體育鍛煉過程中的進(jìn)步情況，能更好地激發(fā)學(xué)生的學(xué)習(xí)興趣。

3.3.2? 構(gòu)建體育課堂智能預(yù)測系統(tǒng)，準(zhǔn)確評估學(xué)生的運動損傷風(fēng)險

學(xué)校體育課程在體育教育與體育教學(xué)中起著非常重要的作用，而針對體育活動過程中的運動損傷情況的調(diào)查、預(yù)測乃至形成預(yù)防措施已然成為學(xué)界的熱點議題。然而基于經(jīng)驗的運動損傷預(yù)判容易出現(xiàn)偏差，所以應(yīng)將計算機(jī)視覺技術(shù)與機(jī)器學(xué)習(xí)算法相結(jié)合對運動損傷風(fēng)險進(jìn)行有效評估及預(yù)測，根據(jù)有針對性的評估結(jié)果調(diào)整課程內(nèi)容，可以大幅度提高體育教學(xué)水平，最終促進(jìn)學(xué)生體質(zhì)健康水平提高。因此，完善學(xué)校體育教學(xué)中的運動損傷評估手段是降低運動損傷風(fēng)險、改善體育教學(xué)效果的重要途徑［54］。例如，可以通過計算機(jī)視覺技術(shù)捕捉學(xué)生的運動姿勢，并與“視頻集”中的錯誤運動姿勢進(jìn)行對比，實時發(fā)出警報聲，同時自動生成多種干預(yù)方法，以降低學(xué)生在體育鍛煉過程中的運動損傷風(fēng)險［55］。

已有研究表明，應(yīng)用視覺傳感技術(shù)預(yù)測學(xué)生在體育課中的運動損傷風(fēng)險是切實可行的［56］。從圖4可以看出，在評估學(xué)生的運動損傷風(fēng)險過程中，首先需要通過圖像采集技術(shù)采集學(xué)生的身體形態(tài)信息、運動學(xué)和生理信息，并實時發(fā)送到數(shù)據(jù)處理系統(tǒng)。進(jìn)而使用不同的圖像處理技術(shù)處理所采集的圖像，對處理后的圖像進(jìn)行綜合分析與評價［57］。綜上所述，學(xué)校運用視覺傳感技術(shù)輔助構(gòu)建學(xué)生運動損傷預(yù)測系統(tǒng)能有效地對學(xué)生的運動損傷風(fēng)險進(jìn)行預(yù)測和評估。

3.4? 在全民健身領(lǐng)域的應(yīng)用現(xiàn)狀

3.4.1? 構(gòu)建沉浸式運動健身系統(tǒng)，打造“AI＋健身”元宇宙

VR技術(shù)能使用戶在運動中體驗到前所未有的沉浸感。該技術(shù)為居民個人健身提供了豐富的運動場景，可增強(qiáng)運動樂趣，滿足體育運動項目向數(shù)字化與智慧化轉(zhuǎn)型的需求，能為體育產(chǎn)業(yè)的高質(zhì)量發(fā)展賦予新動能。例如，虛擬健身俱樂部可以將VR技術(shù)與運動健身相結(jié)合［58］，通過智能視頻技術(shù)和Kinect體感技術(shù)實時采集用戶動作信息，再通過機(jī)器學(xué)習(xí)中的K近鄰空間插值算法（KNN）和人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行動作評分和技術(shù)指導(dǎo)。已有研究表明，虛擬健身俱樂部體驗系統(tǒng)可能會減少實體健身房產(chǎn)生的將近70%的資源耗費［58］。如果再出現(xiàn)疫情，可以通過VR技術(shù)輔助使健身者足不出戶地參與多種健身活動，在運動中享受樂趣，也可以與線上的朋友一起運動，塑造一個更新穎的“體育新世界”，打造智慧健身元宇宙。

3.4.2? 研發(fā)智能健身教練系統(tǒng)，提供科學(xué)的健身指導(dǎo)

隨著現(xiàn)代科學(xué)技術(shù)的日益進(jìn)步，基于計算機(jī)視覺技術(shù)的動作監(jiān)測與識別技術(shù)能精準(zhǔn)地捕捉人體運動時的動作細(xì)節(jié)，可以通過圖像識別算法對攝像頭采集到的圖片或視頻進(jìn)行實時解碼分析，為用戶生成體適能與運動損傷風(fēng)險評估的可視化報告，并提供科學(xué)的健身指導(dǎo)。

廣場舞作為全民健身活動之一，尤其受到女性的喜愛。有學(xué)者發(fā)現(xiàn)，運用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模型對識別多人且具有難度的動作用時更短、效果更好，由此可以更加準(zhǔn)確地識別運動軌跡，進(jìn)而判斷動作的質(zhì)量［59］。例如：Flores等研發(fā)了一個移動應(yīng)用程序“Verum Fitness”并應(yīng)用于健身房中。該應(yīng)用程序可以通過手機(jī)上的攝像頭實時記錄健身愛好者的運動狀態(tài)，將每一幀圖像反饋到模糊推理系統(tǒng)（FIS）并能告知用戶是否在進(jìn)行正確的鍛煉，也可以間接預(yù)防相關(guān)運動損傷［60］。還有一個商用移動智能籃球館系統(tǒng)（如圖5所示）能通過球場上多臺攝像機(jī)記錄整場比賽，可以使用支持向量機(jī)預(yù)測高光分?jǐn)?shù)的估計值，能實現(xiàn)比賽場景的實時自動監(jiān)測、球員高光時刻捕捉、精彩視頻剪輯及用戶與球友進(jìn)行線上互動［61］。

綜上所述，計算機(jī)視覺技術(shù)是通過動作捕捉系統(tǒng)，以身體姿勢識別技術(shù)分析人體的運動過程，并且能將采集到的數(shù)據(jù)作為運動愛好者體能訓(xùn)練和運動康復(fù)的重要量化支撐。通過人工智能模型自動進(jìn)行的運動過程分析與運動損傷風(fēng)險評估，可以提高健身指導(dǎo)服務(wù)效率和科學(xué)運動水平，響應(yīng)主動健康的國家戰(zhàn)略，以科技賦能促進(jìn)居民健康水平提高。

4? ?智能可穿戴設(shè)備在體育領(lǐng)域的應(yīng)用

智能可穿戴設(shè)備是采用智能化嵌入式技術(shù)對普通運動裝備進(jìn)行智能化設(shè)計，使運動監(jiān)測傳感器可穿戴于人體各部位，再通過全球定位系統(tǒng)、加速度計、心率檢測儀等采集人體運動和生理數(shù)據(jù)。自2016年起，可穿戴技術(shù)在美國運動醫(yī)學(xué)學(xué)會（ACSM）發(fā)布的全球健身趨勢榜單中位居前三，近兩年穩(wěn)居第一，智能可穿戴設(shè)備在全民健身領(lǐng)域的消費者之多不言而喻［62］。在互聯(lián)網(wǎng)技術(shù)和傳感器技術(shù)尚未高度智能化時期，采集各類運動項目運動員的數(shù)據(jù)時常常面臨運動速度快、時間短、監(jiān)測范圍大等困難，對設(shè)備的更新率提出了更為嚴(yán)苛的要求。

傳統(tǒng)的基于GPS的定位系統(tǒng)已無法對運動員的場上位置、速度、運動軌跡等參數(shù)信息進(jìn)行精準(zhǔn)采集和低延時傳輸與分析。隨著人工智能技術(shù)的迅猛發(fā)展，多模式AI立體聯(lián)合定位系統(tǒng)通過內(nèi)置的慣性傳感器和智能定位卡片很好地解決了這一難題。研究人員使用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等數(shù)據(jù)分析手段，分析了不同運動負(fù)荷類型數(shù)據(jù)的特征，并且可以對不同運動負(fù)荷的具體數(shù)值進(jìn)行概括，以數(shù)字化和可視化的方式呈現(xiàn)運動員的運動負(fù)荷，使教練員對訓(xùn)練過程有更為直觀的認(rèn)識，進(jìn)而為后續(xù)個性化訓(xùn)練提供數(shù)據(jù)支撐，而且可以實時追蹤運動員的場上位置及采集動作與身體姿勢數(shù)據(jù)進(jìn)行技術(shù)動作評估。與正確的和合理的運動姿勢進(jìn)行比對，得出的比對結(jié)果能為運動員規(guī)范技術(shù)動作和糾正細(xì)節(jié)提供參考。

4.1? 數(shù)據(jù)獲取與分析

可穿戴設(shè)備按照使用對象和應(yīng)用情境可分為普通型、訓(xùn)練型和科研型。不同類型可穿戴設(shè)備的需求、測量精度、操作復(fù)雜程度各不相同?？纱┐髟O(shè)備按照身體穿戴部位可以分為頭部可穿戴設(shè)備、手部可穿戴設(shè)備、軀干可穿戴設(shè)備、下肢可穿戴設(shè)備，以此可以實現(xiàn)全方位和立體化的人機(jī)交互。

隨著多傳感器AI融合算法的魯棒性、運算速度及精度進(jìn)一步提升，采集到的運動指標(biāo)或運動生物學(xué)指標(biāo)數(shù)據(jù)可集成于同一可穿戴設(shè)備中。隨著傳感器的類型越來越豐富、精度越來越高、體積越來越小，基于可穿戴傳感器的動作識別及生理指標(biāo)監(jiān)控逐漸成為學(xué)界研究的熱點。圖6清晰地顯示了當(dāng)前市場中銷售的可穿戴設(shè)備在競技體育領(lǐng)域的應(yīng)用現(xiàn)狀，能更為全面地體現(xiàn)不同類型傳感器如何全方位和多維度地采集運動過程中的各項指標(biāo)數(shù)據(jù)。同時，還可以通過AI算法充分挖掘這些數(shù)據(jù)中的信息，以此提供專項訓(xùn)練建議和優(yōu)化運動員的運動表現(xiàn)。

4.2? 在競技體育領(lǐng)域的應(yīng)用現(xiàn)狀

4.2.1? 構(gòu)建“可穿戴設(shè)備+AI”運動傷病管理系統(tǒng)，實現(xiàn)運動負(fù)荷監(jiān)測和運動風(fēng)險預(yù)測智能化

運動負(fù)荷是指在運動過程中機(jī)體所承受的內(nèi)外部刺激的總和，貫穿于運動訓(xùn)練和體育比賽的全過程，也是決定競技運動表現(xiàn)的關(guān)鍵影響因素。有專家提出［63］，運動負(fù)荷的量化調(diào)節(jié)和精細(xì)化控制是當(dāng)前運動訓(xùn)練科學(xué)化的一個主要發(fā)展趨勢。有學(xué)者使用文獻(xiàn)計量法分析得出，早期體育人工智能研究的主要載體為智能可穿戴設(shè)備，目的是對人體運動狀態(tài)的相關(guān)參數(shù)進(jìn)行采集，并自動構(gòu)建數(shù)字模型以進(jìn)行簡單有效的監(jiān)控與評估［64］?？纱┐髟O(shè)備對人體內(nèi)部負(fù)荷的監(jiān)控指標(biāo)可以分為3類，即心肺指標(biāo)、體液指標(biāo)和神經(jīng)肌肉指標(biāo)。例如，光電容積脈搏波（PPG）傳感器結(jié)合AI技術(shù)，除了可以持續(xù)監(jiān)測血氧和心率，還可以評估最大攝氧量、訓(xùn)練負(fù)荷、恢復(fù)時長等指標(biāo)，因而成了監(jiān)測運動健康狀況的得力“助手”。與此同時，對外部負(fù)荷的監(jiān)控通常以GPS、陀螺儀和加速度計3種傳感器為主，并且可以對運動員的跑動能力、變向次數(shù)、負(fù)荷累積等相關(guān)指標(biāo)進(jìn)行分析，以評估運動員的身體活動能力及進(jìn)行運動損傷預(yù)警。

如何使運動員避免傷病并能以最佳狀態(tài)上場比賽、延長運動員的職業(yè)生涯是競技體育領(lǐng)域長久以來關(guān)注的問題。大多數(shù)教練員對新興人工智能技術(shù)并不了解，仍然依賴自身多年的訓(xùn)練經(jīng)驗預(yù)估運動員所能承受的極限運動負(fù)荷及指導(dǎo)運動員在低受傷風(fēng)險的情況下達(dá)到最佳運動成績。這種方法雖然有效，但是風(fēng)險太大且成功率太低，一旦某個環(huán)節(jié)出現(xiàn)紕漏便會導(dǎo)致運動損傷的發(fā)生，在嚴(yán)重的情況下，可能會影響到運動員的整個職業(yè)生涯。相關(guān)數(shù)據(jù)顯示，美國職業(yè)棒球聯(lián)盟在1年中用于運動員傷病治療就要花費10億美元［65］。鑒于此，有效應(yīng)用現(xiàn)代科學(xué)技術(shù)設(shè)計最佳訓(xùn)練方案及進(jìn)行傷病預(yù)防是十分必要的，即需要打造“智能可穿戴設(shè)備+AI”傷病管理系統(tǒng)。

人體是一個極其精妙且復(fù)雜的系統(tǒng)，而人體運動損傷產(chǎn)生機(jī)制仍未完全明確。因此，可穿戴設(shè)備不僅要不斷優(yōu)化硬件以精準(zhǔn)采集動作、心率及肌電數(shù)據(jù)，還應(yīng)關(guān)注由AI驅(qū)動的軟件分析系統(tǒng)。由AI驅(qū)動的軟件分析系統(tǒng)能基于采集到的數(shù)據(jù)進(jìn)行有效的運動負(fù)荷評估，并可以提出有針對性的訓(xùn)練計劃調(diào)整建議，減小運動傷病發(fā)生的概率。當(dāng)今學(xué)界主要通過構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型以識別與判定動作類別及能量消耗［66-67］，從海量的“數(shù)據(jù)集”中通過數(shù)據(jù)驅(qū)動的學(xué)習(xí)過程識別變量的非線性變化，從而可以構(gòu)建復(fù)雜系統(tǒng)模型，能從多視角診斷運動損傷成因并可以有效地預(yù)測運動損傷的發(fā)生。因此，應(yīng)用人工智能技術(shù)輔助教練員在訓(xùn)練中及時而有效地進(jìn)行運動負(fù)荷控制并給予運動員適時的反饋，不僅可以避免過度訓(xùn)練和降低運動損傷風(fēng)險，還能增強(qiáng)運動員的內(nèi)在動機(jī)和產(chǎn)生更好的神經(jīng)肌肉適應(yīng)性。

綜上所述，近年來，大量的可穿戴設(shè)備運用了數(shù)字技術(shù)、智能化手段及大數(shù)據(jù)技術(shù)，尤其通過人工智能技術(shù)建立了各種運動負(fù)荷控制及預(yù)測模型，在很大程度上促進(jìn)了訓(xùn)練負(fù)荷的量化，而只有對運動負(fù)荷強(qiáng)度進(jìn)行精準(zhǔn)測量，才能實現(xiàn)對競技訓(xùn)練的有效控制，才可以追根溯源地解決運動負(fù)荷的量化問題，也才能深入了解運動員在運動表現(xiàn)方面的短板和優(yōu)勢，從而使運動員不僅可以提升運動表現(xiàn)，還能預(yù)防運動損傷和延長運動壽命。

4.2.2? 研發(fā)一體化智能可穿戴設(shè)備，提高使用舒適度

運動員不僅需要進(jìn)行高強(qiáng)度的運動訓(xùn)練，甚至在一些運動項目訓(xùn)練中需要激烈的身體對抗，所以要求可穿戴設(shè)備要盡可能地縮小體積和減輕重量，以減少運動員穿戴時的不適感，降低對運動員的運動表現(xiàn)的影響［68-70］。同樣，可穿戴設(shè)備獲取的信息量決定了監(jiān)控質(zhì)量，在智能傳感器集約化技術(shù)未成熟前，為了實現(xiàn)對運動訓(xùn)練過程的最優(yōu)化控制，往往需要運動員一次性穿戴多種監(jiān)控設(shè)備以獲取生理、運動訓(xùn)練學(xué)等方面更為全面的指標(biāo)參數(shù)。這就對如何將現(xiàn)有可穿戴設(shè)備進(jìn)行高度集成及構(gòu)建全面的自動化測試指標(biāo)體系提出了新的挑戰(zhàn)，而且已然成為可穿戴設(shè)備在競技運動訓(xùn)練領(lǐng)域應(yīng)用面臨的重要瓶頸。

為了在不影響運動員正常發(fā)揮的前提下采集數(shù)據(jù)，傳感器功能的集成化和外觀的微型化便顯得尤為重要。例如，在監(jiān)控外部負(fù)荷時，某企業(yè)研發(fā)的內(nèi)嵌幾十片微型傳感器的高水平運動員運動表現(xiàn)分析系統(tǒng)已被中國自由式滑雪空中技巧國家隊采用［71］。該系統(tǒng)主要通過內(nèi)嵌智能微型傳感器的動作捕捉緊身衣、緊身褲、鞋墊、手套來收集記錄穿戴者的肢體各部位的加速度、角速度等數(shù)據(jù)。相比傳統(tǒng)的光學(xué)傳感器，應(yīng)用慣性傳感器的智能服裝具有信息數(shù)據(jù)捕捉更準(zhǔn)確、全天候、抗干擾能力強(qiáng)等更多優(yōu)勢。為了不影響運動員比賽，隱藏在智能可穿戴設(shè)備中的傳感器重量僅有0.9 g，體積也只有1元硬幣的1/3。同樣，在監(jiān)控內(nèi)部負(fù)荷時，某品牌的智能健身衣已在國內(nèi)外市場有了大量消費者。該健身衣內(nèi)置呼吸和肌電傳感器，不僅可以計步、監(jiān)測心率，還能監(jiān)測人體不同部位肌肉力量的訓(xùn)練情況，并可以將數(shù)據(jù)同步至APP以轉(zhuǎn)化為可視化圖表，實現(xiàn)對身體鍛煉情況的精準(zhǔn)把控，輔助教練員及時調(diào)整訓(xùn)練計劃［72］。同時，該健身衣還具有高延展性，材料透氣、防水且防曬，100%機(jī)洗也不會破損。

隨著可穿戴設(shè)備的不斷更新，汗液乳酸的測定可以為血液乳酸測定提供一種無創(chuàng)的檢測方法，且可以作為肌肉組織受損的預(yù)警指標(biāo)。高偉等發(fā)現(xiàn)的一種實時可穿戴汗液分析傳感陣列（FISA）可以選擇性篩選汗液中的各種代謝物及電解質(zhì)，能將乳酸氧化酶固定在殼聚糖滲透膜上，通過傳感器產(chǎn)生的電流與代謝物形成比例關(guān)系，可以進(jìn)行乳酸濃度分析［73］。還有已應(yīng)用于訓(xùn)練及比賽中的某種可穿戴皮膚貼片（重量僅為14 g）能通過監(jiān)測汗液乳酸和出汗率自動進(jìn)行疲勞預(yù)警，同時可以為用戶提供運動過程中的實時水合反應(yīng)數(shù)據(jù)和個性化補(bǔ)水建議。

綜上所述，隨著可穿戴設(shè)備數(shù)據(jù)采集材料等硬件和智能算法的日益進(jìn)步，應(yīng)加強(qiáng)相關(guān)學(xué)科之間的密切融合，以“安全、準(zhǔn)確、穩(wěn)定、便攜、可視化、實時反饋”為研發(fā)標(biāo)準(zhǔn)，結(jié)合教練員和運動員的切實需要，致力于實現(xiàn)可穿戴設(shè)備無創(chuàng)、無干擾、智能化驅(qū)動精準(zhǔn)訓(xùn)練的科技助力理念。

4.2.3? 構(gòu)建智能一體化運動訓(xùn)練管理系統(tǒng)，監(jiān)測運動訓(xùn)練全過程多源參數(shù)

大量研究者認(rèn)為，多傳感器訓(xùn)練信息融合分析技術(shù)已成為當(dāng)前科學(xué)化訓(xùn)練的前沿技術(shù)［74-81］。囿于單一傳感器監(jiān)控訓(xùn)練過程的局限性，使用多傳感器融合互聯(lián)技術(shù)，從全方位捕捉訓(xùn)練信息、優(yōu)化訓(xùn)練監(jiān)控準(zhǔn)確度已經(jīng)成為學(xué)界共識，所以如何應(yīng)用人體傳感網(wǎng)絡(luò)（BSNs）技術(shù)將單一節(jié)點傳感器采集到的運動參數(shù)和生理參數(shù)通過信號處理和機(jī)器學(xué)習(xí)等智能算法匯總至一個數(shù)據(jù)處理平臺（為構(gòu)建智能一體化訓(xùn)練管理系統(tǒng)）已成為智能可穿戴設(shè)備在競技體育方面的研究熱點和新興的前沿應(yīng)用方向。

多源信息融合系統(tǒng)是借助各類傳感器采集到的信息，運用神經(jīng)網(wǎng)絡(luò)、模糊推理等智能算法將那些在時間和空間上相關(guān)的信息進(jìn)行有效組合，提高系統(tǒng)預(yù)測結(jié)果的信效度及穩(wěn)定性。傳統(tǒng)的訓(xùn)練評估方法依靠單一傳感器采集單一訓(xùn)練指標(biāo)，不利于進(jìn)行訓(xùn)練負(fù)荷監(jiān)控和競技狀態(tài)評估，并且采集到的數(shù)據(jù)無法為教練員制定訓(xùn)練計劃提供支撐［82］。實際上，隨著各類智能可穿戴設(shè)備廣泛應(yīng)用于競技運動訓(xùn)練實踐中，運動數(shù)據(jù)維度的監(jiān)測愈見完善。需注意的是，為了避免采集運動數(shù)據(jù)時陷入盲人摸象的困局，一些學(xué)者提出應(yīng)采用多傳感器融合技術(shù)，通過信息融合算法使訓(xùn)練信息資源得以高效協(xié)同利用，構(gòu)建更智能化的輔助決策系統(tǒng)［80-81，83］。例如：有研究者通過實驗發(fā)現(xiàn)，即便單個傳感器使用了更高的采樣頻率、更精細(xì)的特征集和分類器，多個傳感器在動作識別方面的精確度及效率都超過了單個傳感器［74］。已有文獻(xiàn)顯示，訓(xùn)練量化評價的有效性和可靠性受限于場地范圍過大、身體對抗激烈、惡劣極寒天氣等不利因素，使用單一傳感器難以確保對運動員跑動能力測評的準(zhǔn)確性。例如，受試者僅佩戴裝有GPS的可穿戴設(shè)備進(jìn)行不同移動速度的非線性運動時，監(jiān)測結(jié)果與實際線性運動相比存在明顯誤差，并且隨著運動強(qiáng)度的增大，測量誤差也顯著增加［69，84-86］。有研究者認(rèn)為，從根源上解決傳統(tǒng)單一采集方式精確度低的問題，可以使用多類傳感器協(xié)同采集，以機(jī)器學(xué)習(xí)等算法進(jìn)行訓(xùn)練信息整合［75-77，81］。近年來，大量科研人員使用穿戴在軀干上的三軸加速度計測量運動負(fù)荷［87-88］，但是會導(dǎo)致下肢的力學(xué)載荷無法得以精確量化［89］，例如小腿段的加速度和垂直地面反作用力（VGRF），所以為了更為精準(zhǔn)地進(jìn)行生物力學(xué)評估，當(dāng)今學(xué)界通過在四肢上穿戴同步微型傳感器，運用智能算法融合傳感器信息并建模以計算關(guān)節(jié)力矩，并深入了解肌肉-肌腱和關(guān)節(jié)的接觸力，不斷彌合實驗室和訓(xùn)練現(xiàn)場測試之間的鴻溝，以使研究能夠準(zhǔn)確量化實際運動過程中的機(jī)械負(fù)荷。基于此，Imeasureu［83］、孫晉海等［82］通過開發(fā)多傳感器皮劃艇訓(xùn)練信息集成分析系統(tǒng)，可以同步分析各傳感器采集的訓(xùn)練信息，并能將采集的心率、槳頻等數(shù)據(jù)以圖表的形式呈現(xiàn)，進(jìn)而將其融合至同一個交互界面中，以輔助教練員使用該系統(tǒng)進(jìn)行決策及進(jìn)行運動負(fù)荷、運動技術(shù)質(zhì)量、運動成績?nèi)灰惑w的集成式分析。該系統(tǒng)基于生物力學(xué)路徑的架構(gòu)見圖7。

綜上所述，體育科技工作者應(yīng)該應(yīng)用人體傳感網(wǎng)絡(luò)技術(shù)將單一傳感器采集到的運動參數(shù)和生理參數(shù)通過信號處理和機(jī)器學(xué)習(xí)等智能算法匯總至一個數(shù)據(jù)處理平臺中，實現(xiàn)“萬物互聯(lián)”，加速研發(fā)智能一體化訓(xùn)練管理系統(tǒng)，為競技體育的發(fā)展增效賦能。

4.3? 在學(xué)校體育領(lǐng)域的應(yīng)用現(xiàn)狀

4.3.1? 構(gòu)建高校體育教學(xué)負(fù)荷監(jiān)控系統(tǒng)，實現(xiàn)運動負(fù)荷監(jiān)測可視化

傳統(tǒng)體育課堂教學(xué)在運動負(fù)荷等方面的監(jiān)測主要依靠體育教師的主觀觀察，運動數(shù)據(jù)的監(jiān)測缺乏精確性和連續(xù)性。因此，體育教師根據(jù)大學(xué)生在體育課中的實際運動狀態(tài)進(jìn)行動態(tài)負(fù)荷調(diào)整的難度較大且缺乏客觀性。而將人工智能技術(shù)嵌入智能可穿戴設(shè)備，并構(gòu)建高校體育教學(xué)負(fù)荷監(jiān)控系統(tǒng)，就可以使這一問題得到有效解決。

近年來，智能可穿戴設(shè)備逐步被應(yīng)用于體育課堂教學(xué)中，能使授課教師獲取有關(guān)學(xué)生的運動負(fù)荷參數(shù)和身體活動水平數(shù)據(jù)，有助于授課教師實時掌握學(xué)生的課堂活動時間、運動強(qiáng)度等指標(biāo)，為動態(tài)調(diào)整教學(xué)目標(biāo)和教學(xué)內(nèi)容及組織教學(xué)活動提供客觀數(shù)據(jù)支撐。愈加成熟的可穿戴設(shè)備和運動APP可以使學(xué)生在鍛煉時快速地向體育教師反饋有關(guān)數(shù)據(jù)，體育教師無需再做相關(guān)測試和逐一登記成績的工作，能成倍提升體育教學(xué)效率［90］。在體育教學(xué)中，為了降低體育課的運動損傷風(fēng)險，向?qū)W生提供個性化的運動指導(dǎo)，可以使學(xué)生佩戴內(nèi)嵌GPS及加速度計的運動手環(huán)、智能手表等，測評其不同運動狀態(tài)下的跑動能力和運動負(fù)荷。當(dāng)前，更為精準(zhǔn)地監(jiān)控學(xué)生在體育課堂中的運動負(fù)荷已成為提升體質(zhì)健康水平的重要任務(wù)。隨著人工智能相關(guān)領(lǐng)域技術(shù)的快速發(fā)展，智能可穿戴設(shè)備更加先進(jìn)，針對學(xué)生在體育課中的身體活動的生理生化指標(biāo)分析將更為全面和準(zhǔn)確。例如，在學(xué)生進(jìn)行高強(qiáng)度運動時，體育教師可以對學(xué)生的血氧飽和度進(jìn)行實時和無創(chuàng)檢測，從而能及時地了解學(xué)生的身體健康狀況。隨著AI算法持續(xù)升級和硬件設(shè)備不斷更新，多數(shù)研究者運用自適應(yīng)濾波等去噪算法對采集到的光電容積脈搏波信號進(jìn)行抗運動干擾處理［91-92］。這也使得智能血氧運動指環(huán)得以廣泛應(yīng)用于實時監(jiān)控學(xué)生課堂活動的血氧情況［93］。上述設(shè)備能夠精準(zhǔn)地監(jiān)測學(xué)生在體育活動過程中的行走、跑步、跳躍的肌肉運動傳感信號，以此生成可視化分析圖表，對學(xué)生在體育課運動過程中的健康狀況進(jìn)行跟蹤、分析和評估［94］。此外，使用智能可穿戴設(shè)備可以增強(qiáng)學(xué)生對運動的興趣，通過可視化自身運動數(shù)據(jù)和進(jìn)步情況實現(xiàn)運動正強(qiáng)化（積極強(qiáng)化），有助于規(guī)范技術(shù)動作。

因此，研發(fā)高校體育課堂教學(xué)運動負(fù)荷監(jiān)控系統(tǒng)能夠準(zhǔn)確地評估學(xué)生的課堂活動負(fù)荷和能量代謝狀況，有助于提升學(xué)生的體質(zhì)健康水平，同時還可以預(yù)防體育課上潛在的運動損害風(fēng)險和意外事故，以確保學(xué)生在體育課中的安全，所以基于智能可穿戴設(shè)備打造的新型體育教學(xué)模式不僅能增強(qiáng)體質(zhì)和健全人格，而且對未來的高校體育教學(xué)也將產(chǎn)生深遠(yuǎn)影響。

4.3.2? 推進(jìn)構(gòu)建運動技能虛擬仿真學(xué)習(xí)系統(tǒng)，實現(xiàn)虛擬現(xiàn)實與體育教育的深度融合

校園體育是我國教育體系的重要組成部分，因此，推動學(xué)校體育教學(xué)體系的科學(xué)化、現(xiàn)代化、智能化建設(shè)不僅有利于提升體育教育的有效性，還能促進(jìn)青少年體質(zhì)健康水平的提高。傳統(tǒng)的運動技能學(xué)習(xí)主要通過教師講解與示范動作、學(xué)生模仿動作、教師糾正錯誤的過程實現(xiàn)，這種教學(xué)方式很難充分調(diào)動學(xué)生的學(xué)習(xí)興趣和積極性。此外，當(dāng)前在體育教學(xué)過程中還存在教學(xué)方法單一、遠(yuǎn)程教學(xué)能力不足的問題。由此，可以結(jié)合智能可穿戴設(shè)備和虛擬現(xiàn)實技術(shù)設(shè)計一個由物聯(lián)網(wǎng)、云平臺和移動客戶端組成的體育虛擬現(xiàn)實系統(tǒng)。

虛擬現(xiàn)實技術(shù)應(yīng)用的最終目的是實現(xiàn)物理世界與虛擬世界的融合。這一理念及衍生產(chǎn)品已廣泛應(yīng)用于教育及體育領(lǐng)域，主要是使學(xué)生通過更直觀的視覺體驗加深對運動技能的認(rèn)識［95］，不僅有助于學(xué)生形成運動表象，還有利于優(yōu)化教育資源配置。通過頭戴式顯示設(shè)備，應(yīng)用人機(jī)交互技術(shù)能使學(xué)生感受真實運動中的視覺、觸覺、聽覺，獲得身臨其境的互動體驗，并且能激發(fā)學(xué)生的學(xué)習(xí)興趣，將學(xué)生從被動接受轉(zhuǎn)化為主動學(xué)習(xí)。例如，通過構(gòu)建VR體育課堂（如圖8所示），結(jié)合中小學(xué)生身心發(fā)展特點構(gòu)建場景化的基于任務(wù)的學(xué)習(xí)環(huán)境，寓教于樂，提高學(xué)生的學(xué)習(xí)興趣。

綜上所述，校園體育虛擬現(xiàn)實系統(tǒng)通過從物聯(lián)網(wǎng)中收集相關(guān)數(shù)據(jù)，在云平臺中儲存海量運動數(shù)據(jù)，并采用云渲染技術(shù)實現(xiàn)與虛擬現(xiàn)實場景的實時交互，最后通過移動終端體驗近乎真實參與的運動項目。此種VR體育課堂能使學(xué)生身臨其境，在虛擬環(huán)境中感受、體驗及學(xué)習(xí)技術(shù)動作，并且不再受學(xué)校場地有限而導(dǎo)致相關(guān)運動項目無法進(jìn)行教學(xué)的局限，能使學(xué)生從以往的被動練習(xí)轉(zhuǎn)變?yōu)橹鲃芋w驗交互式學(xué)習(xí)模式。以上均說明校園體育虛擬現(xiàn)實系統(tǒng)具有良好的應(yīng)用與推廣意義，能全面加強(qiáng)和改進(jìn)新時代學(xué)校體育工作，同時可以為深化學(xué)校體育改革提供參考。

4.4? 在全民健身領(lǐng)域的應(yīng)用現(xiàn)狀

4.4.1? 研發(fā)智能可穿戴設(shè)備，監(jiān)測健身運動數(shù)據(jù)

當(dāng)今，智能可穿戴設(shè)備不是僅局限于簡單地記錄運動者的步數(shù)、心率等，還能通過將“知識圖譜+深度學(xué)習(xí)算法”嵌入至智能可穿戴設(shè)備中使其更動態(tài)、完整地監(jiān)測與記錄健身活動全過程，并且可以通過構(gòu)建的算法模型對采集的數(shù)據(jù)進(jìn)行處理與分析，從而能更加智能化、專業(yè)化、個性化地針對用戶在體育鍛煉過程中的身體活動狀況進(jìn)行監(jiān)測，并能實時提供反饋建議和進(jìn)行錯誤動作糾正。因此，使用智能可穿戴設(shè)備可以監(jiān)測身體活動狀況和能量消耗，同時還可以預(yù)防運動損傷。

大量文獻(xiàn)表明，現(xiàn)今市場中銷售的智能可穿戴設(shè)備無法滿足消費者在有效預(yù)測能量消耗方面的需求［96-98］。例如，某企業(yè)生產(chǎn)的智能可穿戴設(shè)備應(yīng)用了多傳感器信息融合技術(shù)［84］，可以精確地測量加速度、心率及能量消耗。然而，有研究人員通過調(diào)查發(fā)現(xiàn)，使用此類融合傳感器測量能量消耗的有效性主要受控于實驗室環(huán)境［97］。Chevance等通過分析52項研究同樣表明，該傳感器對能量消耗的測量并不準(zhǔn)確［96］。隨著人工智能技術(shù)的快速發(fā)展，可以通過構(gòu)建深度學(xué)習(xí)能耗預(yù)測模型將AI驅(qū)動的軟件分析系統(tǒng)嵌入至可穿戴設(shè)備中，能提高健身過程中能量消耗監(jiān)測結(jié)果的信效度。

綜上所述，運動愛好者可根據(jù)自身健身需求及具體運動場景選擇適合的智能可穿戴設(shè)備，精準(zhǔn)量化分析運動數(shù)據(jù)，能最大限度地發(fā)揮體質(zhì)健康監(jiān)測設(shè)備的作用。

4.4.2? 研發(fā)智能化可穿戴運動設(shè)備，輔助運動障礙人群健身

當(dāng)前，人口老齡化程度加劇，因年齡增長而出現(xiàn)的各種疾病（心肺功能下降、骨質(zhì)疏松等）是導(dǎo)致運動障礙的主要因素。世界衛(wèi)生組織（WHO）的相關(guān)調(diào)查顯示：中國腦中風(fēng)發(fā)病率排名世界第一［99］。還有相關(guān)研究顯示：腦卒中發(fā)病已趨于年輕化，鼓勵患者在身體狀況允許的情況下保證適當(dāng)?shù)捏w育鍛煉，例如：抗阻訓(xùn)練、有氧訓(xùn)練、身體運動功能性活動等，以降低高血壓、血糖、血脂及防止冠狀動脈粥樣硬化，是避免二次復(fù)發(fā)的主要方式［99］。因此，依據(jù)精細(xì)化和智能化的可穿戴設(shè)備實時監(jiān)控的運動障礙人群在體育鍛煉時的機(jī)體狀況制定個性化方案輔助患者盡快康復(fù)更顯彌足珍貴。Burridge等研發(fā)的嵌入式慣性傳感器可以通過收集患者運動時的各部分?jǐn)?shù)據(jù)用以設(shè)計益于助其康復(fù)的功能性運動［100］。在此基礎(chǔ)上，Burns等研發(fā)的另一種監(jiān)測患者運動的可穿戴設(shè)備可以為腦和脊髓損傷的患者制定運動計劃，以恢復(fù)其運動能力［101］。此類可穿戴設(shè)備可以在患者運動時記錄其生理指標(biāo)數(shù)據(jù)，并能通過5G網(wǎng)絡(luò)向醫(yī)生發(fā)送，以供醫(yī)生根據(jù)收到的遠(yuǎn)程數(shù)據(jù)進(jìn)行監(jiān)督［101］。

此外，智能可穿戴設(shè)備近年來結(jié)合智能機(jī)器學(xué)習(xí)算法能使運動障礙患者實現(xiàn)個體化診療和遠(yuǎn)程醫(yī)療［102］。例如，某企業(yè)研發(fā)了一種可穿戴的外骨骼，用戶在鍛煉過程中可以通過按鈕控制外骨骼支架，使小型電機(jī)驅(qū)動外骨骼支架以促進(jìn)膝蓋和臀部運動。同時，嵌入至外骨骼的機(jī)器學(xué)習(xí)算法模型能結(jié)合用戶的運動障礙情況及運動狀態(tài)自動調(diào)節(jié)外骨骼助力閾值，由此輔助患者重建神經(jīng)肌肉運動模式。

鑒于此，今后應(yīng)以主動健康為導(dǎo)向，應(yīng)用人工智能技術(shù)制定個性化運動處方，積極推動智能化可穿戴運動設(shè)備的研發(fā)。

5? ?大數(shù)據(jù)技術(shù)在體育領(lǐng)域的應(yīng)用

大數(shù)據(jù)技術(shù)的核心理念是挖掘數(shù)據(jù)并探究其中規(guī)律，以解釋當(dāng)前現(xiàn)象和預(yù)測未來［103］。應(yīng)用大數(shù)據(jù)技術(shù)探究海量的體育運動數(shù)據(jù)之間的內(nèi)在邏輯和關(guān)聯(lián)，并預(yù)測風(fēng)險事件發(fā)生的可能性，相較數(shù)據(jù)量小且因果關(guān)系簡單的傳統(tǒng)運動訓(xùn)練理念更有優(yōu)勢。運動訓(xùn)練的本質(zhì)特性是復(fù)雜的，由運動員選材的高效性到運動員的身體素質(zhì)提升，再到運動成績突破，大數(shù)據(jù)技術(shù)作為重要手段貫穿始終。因此，競技體育領(lǐng)域的海量運動訓(xùn)練數(shù)據(jù)的研究以復(fù)雜性為攻艱關(guān)鍵，以人工智能技術(shù)為分析方法，可以基于多層次和多維度的數(shù)據(jù)建立運動訓(xùn)練分析與預(yù)測模型。

由于基于慣性傳感器的可穿戴設(shè)備、基于計算機(jī)視覺技術(shù)的運動智能捕捉系統(tǒng)和基于機(jī)器學(xué)習(xí)的智能算法等設(shè)備或技術(shù)的持續(xù)更新，通過數(shù)據(jù)分析與評估運動訓(xùn)練效果已較為普遍。例如，在競技體育領(lǐng)域，國際足聯(lián)（FIFA）等體育賽事組織已使用無線傳感器技術(shù)監(jiān)測球員位置和生理參數(shù)；而在學(xué)校體育和全民健身領(lǐng)域，隨著智慧校園的逐步完善和城市建設(shè)，視覺動作捕捉技術(shù)和傳感器技術(shù)被廣泛應(yīng)用于智能識別和健身指導(dǎo)服務(wù)中。因此，如何將上述各領(lǐng)域的冗雜數(shù)據(jù)進(jìn)行有效整合，并通過數(shù)據(jù)挖掘、數(shù)字孿生等技術(shù)進(jìn)行分析和呈現(xiàn)結(jié)果［104］，輔助構(gòu)建預(yù)測模型，進(jìn)而據(jù)此探析競技運動項目規(guī)律、促進(jìn)提高青少年體質(zhì)健康水平、構(gòu)建與完善主動健康模式，是目前亟待解決的問題。

5.1? 數(shù)據(jù)獲取與分析

在現(xiàn)代信息技術(shù)和大數(shù)據(jù)技術(shù)還未充分與體育融合時，傳統(tǒng)的運動表現(xiàn)評估方法是專家通過觀察人工收集數(shù)據(jù)并基于個人經(jīng)驗評估運動表現(xiàn)，但是相關(guān)變量缺乏普遍共識［105-106］，評估結(jié)論欠缺客觀性［107］。此外，競技比賽中攻防疾速轉(zhuǎn)換，人工記錄數(shù)據(jù)耗時費力，因此，亟需采用自動化、精確化、定量化的方法獲取和分析有關(guān)數(shù)據(jù)［108］。據(jù)此，從數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)處理3個方面論述數(shù)據(jù)獲取過程。首先，數(shù)據(jù)采集要能精準(zhǔn)地感知運動情境和收集運動數(shù)據(jù)?，F(xiàn)代智能化設(shè)備采集運動數(shù)據(jù)時是基于計算機(jī)視覺技術(shù)和智能傳感器識別人體運動，并以智能算法進(jìn)行運動監(jiān)測、特征提取及數(shù)據(jù)化處理視頻圖像和濾波。現(xiàn)有運動捕捉跟蹤系統(tǒng)主要用于監(jiān)測運動軌跡，兼以微型傳感器技術(shù)收集參數(shù)、評估動作質(zhì)量及監(jiān)控運動負(fù)荷。其次，高效能的數(shù)據(jù)傳輸機(jī)制在競技體育賽事的相關(guān)信息的實時反饋中至關(guān)重要。階段性戰(zhàn)術(shù)報告、運動員的瞬時機(jī)能狀況等數(shù)據(jù)信息皆需即時傳輸至存儲系統(tǒng)，以用于分析。隨著無線網(wǎng)絡(luò)、量子通信等技術(shù)的創(chuàng)新，在復(fù)雜通信條件下亦可實現(xiàn)高速、安全、穩(wěn)定的數(shù)據(jù)傳輸。最后，數(shù)據(jù)處理則是指在數(shù)據(jù)處理時設(shè)計過濾器，以聚類分析或關(guān)聯(lián)分析的規(guī)則將無用或錯誤的數(shù)據(jù)剔除［109-110］，以此高效地傳輸、存儲和挖掘數(shù)據(jù)。

在數(shù)據(jù)分析層面，多數(shù)學(xué)者認(rèn)為，運動科學(xué)一部分功能就是將訓(xùn)練的過程通過數(shù)據(jù)進(jìn)行量化，并歸納出規(guī)律［63， 69，111-115］。運動訓(xùn)練方面的大數(shù)據(jù)研究在應(yīng)用研究層面不以數(shù)據(jù)本身為研究目的，而是作為一種研究工具和手段探究事物本身的內(nèi)在規(guī)律。仇乃民等提出了數(shù)據(jù)密集型的科研范式（即不斷采集、更新和分析數(shù)據(jù)），并且認(rèn)為：運用數(shù)據(jù)驅(qū)動的方法盡可能多地采集人體運動信息，相較理論假設(shè)驅(qū)動的研究策略（即通過小樣本推測總體）可能更適合對復(fù)雜的人體運動現(xiàn)象展開研究［116］。所以有專家提出了“數(shù)據(jù)驅(qū)動精準(zhǔn)訓(xùn)練”的理論范式，系統(tǒng)地陳述了智能科學(xué)訓(xùn)練決策系統(tǒng)應(yīng)以收集多維訓(xùn)練指標(biāo)數(shù)據(jù)為前提條件、以通過深度挖掘算法處理和分析訓(xùn)練數(shù)據(jù)為基本路徑、以提供有價值的信息促進(jìn)訓(xùn)練效能提升為核心目的［117］。

5.2? 在競技體育領(lǐng)域的應(yīng)用現(xiàn)狀

5.2.1? 構(gòu)建個性化運動訓(xùn)練模型，分析運動訓(xùn)練及比賽中的規(guī)律

隨著大數(shù)據(jù)技術(shù)的發(fā)展，面對運動訓(xùn)練中的復(fù)雜問題，不應(yīng)只強(qiáng)調(diào)因果關(guān)系，而應(yīng)通過數(shù)據(jù)采集與數(shù)據(jù)驅(qū)動的方法，確保數(shù)據(jù)的多維度及實時性［116］。在如今的競技體育數(shù)據(jù)分析領(lǐng)域，數(shù)據(jù)和AI技術(shù)缺一不可，兩者相輔相成、相互促進(jìn)。沒有優(yōu)質(zhì)的數(shù)據(jù)，再好的算法模型也難以發(fā)揮作用；而沒有Al技術(shù)的加持，再多的數(shù)據(jù)也難以從中獲得真正有價值的信息，所以通過數(shù)據(jù)分析運動訓(xùn)練及比賽中的復(fù)雜規(guī)律，實現(xiàn)對整體比賽技戰(zhàn)術(shù)的優(yōu)化和控制、對運動訓(xùn)練過程中難以解決的復(fù)雜問題作出相應(yīng)預(yù)測和解釋。例如如何解決運動員在多周期訓(xùn)練和比賽的問題、頂尖運動員的技術(shù)動作難以復(fù)制及運動損傷的問題［117］，已然成為現(xiàn)今學(xué)界的熱點議題。

人體在運動訓(xùn)練過程中的競技能力存在周期性變化。因此，有必要收集運動員開始從事競技體育訓(xùn)練前的各項數(shù)據(jù)到退役后的數(shù)據(jù)，應(yīng)用大數(shù)據(jù)技術(shù)結(jié)合機(jī)器學(xué)習(xí)等智能算法構(gòu)建針對運動訓(xùn)練全過程實施精確控制的個性化訓(xùn)練模型（如圖9所示）。例如，從運動員選材之前就可以通過人工智能技術(shù)結(jié)合多組學(xué)技術(shù)輔助預(yù)測今后運動損傷的風(fēng)險，進(jìn)而可以在賽前的智能化訓(xùn)練備戰(zhàn)階段通過構(gòu)建“AI＋大數(shù)據(jù)”智能教練模型對訓(xùn)練過程中運動員的營養(yǎng)、心理及機(jī)體狀況進(jìn)行實時監(jiān)測，實現(xiàn)精準(zhǔn)化監(jiān)控訓(xùn)練和大幅提升備戰(zhàn)效率；還可以在比賽過程中通過深度學(xué)習(xí)算法進(jìn)行技戰(zhàn)術(shù)預(yù)測并輔助教練員決策，同時還能將數(shù)據(jù)傳輸至大數(shù)據(jù)云平臺，自動生成《可視化比賽表現(xiàn)數(shù)據(jù)分析報告》。此外，還能通過使用AI智能算法結(jié)合大數(shù)據(jù)技術(shù)構(gòu)建智能化精準(zhǔn)訓(xùn)練數(shù)據(jù)庫，評估運動員在整個訓(xùn)練周期的運動表現(xiàn)，為下一步調(diào)整《訓(xùn)練計劃》提供參考。應(yīng)當(dāng)注意的是，可以從2個視角審視圖9中的AI模型對競技運動訓(xùn)練全過程的科技賦能。首先，從橫向而言，可以通過AI結(jié)合大數(shù)據(jù)構(gòu)建“冠軍模型”，并結(jié)合多組學(xué)技術(shù)挖掘天賦出眾且易于培養(yǎng)的運動員后備人才，而后通過“AI＋大數(shù)據(jù)”全過程記錄運動員成長過程中的各項數(shù)據(jù)指標(biāo)，再深度分析培養(yǎng)過程中的優(yōu)劣勢，從而進(jìn)一步完善該“冠軍模型”。從縱向而言，運動員的競技狀態(tài)變化由“準(zhǔn)備期→比賽期→恢復(fù)期”組成，而以傳統(tǒng)教練員的經(jīng)驗為導(dǎo)向的運動員競技狀態(tài)變化全過程監(jiān)控難以挖掘到更深層的信息。因此，由“AI＋大數(shù)據(jù)”構(gòu)成的新興個性化訓(xùn)練模型能進(jìn)行全方位評估，可以助力運動員競技運動表現(xiàn)持續(xù)提高。

綜上所述，各水平的運動隊?wèi)?yīng)積極將人工智能技術(shù)與大數(shù)據(jù)技術(shù)相結(jié)合，以構(gòu)建個性化訓(xùn)練模型。隨著競技體育領(lǐng)域的可監(jiān)測數(shù)據(jù)愈漸豐富，智能動態(tài)視頻捕捉系統(tǒng)和可穿戴設(shè)備并不是孤立存在的個體，而是基于大數(shù)據(jù)背景下的科技產(chǎn)物，通過兩者采集訓(xùn)練信息僅僅是科學(xué)監(jiān)控的外在表現(xiàn)，而運用科學(xué)的數(shù)據(jù)處理方法對所得的原始數(shù)據(jù)進(jìn)行提取和計算才是監(jiān)控的核心所在［69］，也是進(jìn)行數(shù)據(jù)分析的底層邏輯。當(dāng)今，數(shù)據(jù)規(guī)模的增大已然成為一種普遍現(xiàn)象，誰掌握了數(shù)據(jù)變化的趨勢及能預(yù)測各類因素對競技能力的影響，誰就掌握了主動權(quán)，例如：訓(xùn)練時的監(jiān)控、比賽時的決策輔助、對運動員身體狀況進(jìn)行的長期追蹤、分析對手競技狀態(tài)的變化等。

5.2.2? 定量化預(yù)測和控制運動負(fù)荷，實現(xiàn)運動損傷的智能化預(yù)防

隨著競技運動訓(xùn)練科學(xué)化的發(fā)展，對運動負(fù)荷的精準(zhǔn)測量和有效控制是降低運動損傷風(fēng)險的關(guān)鍵要素。Thornton等以訓(xùn)練負(fù)荷為預(yù)測指標(biāo)，運用決策樹分類器的方法預(yù)測了職業(yè)橄欖球運動員的運動損傷發(fā)生率［118］。kautz等使沙灘排球運動員佩戴可穿戴式傳感器以監(jiān)測其運動負(fù)荷數(shù)據(jù)，并通過人工神經(jīng)網(wǎng)絡(luò)建模進(jìn)行運動損傷風(fēng)險的預(yù)測，其精度達(dá)到83%以上［119］。Ruddy等通過對362名精英足球運動員的腘繩肌在離心時的力量強(qiáng)度進(jìn)行評估，并應(yīng)用機(jī)器學(xué)習(xí)技術(shù)預(yù)測造成腘繩肌拉傷的各種因素［120］?，F(xiàn)有研究在有效量化預(yù)測橄欖球比賽中的身體碰撞方面存在較大的差異，所以如何量化高強(qiáng)度身體碰撞過程中的負(fù)荷是作為當(dāng)今學(xué)界亟待解決的熱點問題。Naughton使用微技術(shù)設(shè)備（GPS和慣性傳感器IMU的結(jié)合）通過機(jī)器學(xué)習(xí)多傳感器融合方法將運動員的動作效率、整體運動概況及訓(xùn)練和比賽中的峰值運動量進(jìn)行了整合分類，以此量化碰撞的頻率和強(qiáng)度［121］。英格蘭足球超級聯(lián)賽球隊廣泛使用的一種訓(xùn)練背心可以監(jiān)測運動員熱身時的步頻、步幅、雙腳的壓力負(fù)荷等指標(biāo)，并且會在熱身開始15 min后生成反饋報告，以評估運動員的訓(xùn)前準(zhǔn)備狀態(tài)，有助于團(tuán)隊科學(xué)合理地安排后續(xù)訓(xùn)練任務(wù)。英格蘭足球超級聯(lián)賽的各個參賽俱樂部在使用這種訓(xùn)練背心后，單賽季球員訓(xùn)練傷病的發(fā)生風(fēng)險降低了約50%［122］。Tammimi等的研究發(fā)現(xiàn)，前交叉韌帶損傷患者的脛骨后部外側(cè)的斜率和外側(cè)半月板的斜率增加，內(nèi)、外側(cè)半月板高度降低，應(yīng)用機(jī)器學(xué)習(xí)技術(shù)建立了前交叉韌帶損傷的預(yù)測算法，準(zhǔn)確率達(dá)到90%以上［123］。

在構(gòu)建傷病管理軟件系統(tǒng)方面，某企業(yè)研發(fā)了足球運動風(fēng)險預(yù)警和損傷分析軟件系統(tǒng)，能憑借收集到的運動數(shù)據(jù)和生理數(shù)據(jù)，結(jié)合比賽數(shù)據(jù)、醫(yī)療檔案、天氣、場地等信息，通過自創(chuàng)的Al算法評估運動員的傷病風(fēng)險，并能找出可能導(dǎo)致傷病的因素［124］。例如，使用該系統(tǒng)后，西甲赫塔菲在2017—2018賽季減少了65％的球員因傷缺陣時間，并對80%的最終發(fā)生的傷病進(jìn)行了提前預(yù)警；在2020賽季使用該系統(tǒng)后，減少了全隊57％的傷病案例，并提前一周對仍舊出現(xiàn)的13例傷病中的9例作出了高風(fēng)險預(yù)警。

綜上所述，基于深度學(xué)習(xí)算法對數(shù)據(jù)進(jìn)行處理和挖掘，可明晰運動員在訓(xùn)練和比賽中機(jī)體所承受的內(nèi)外部負(fù)荷與運動損傷存在的內(nèi)在關(guān)聯(lián)，通過把握負(fù)荷閾值，能使運動員在突破身體運動極限的同時避免運動損傷的發(fā)生，以此提高訓(xùn)練的科學(xué)化水平。

5.2.3? 構(gòu)建智能化精準(zhǔn)訓(xùn)練服務(wù)平臺，分析運動員競技狀態(tài)

AI賦能競技體育的最終目標(biāo)是將傳感器采集到的運動參數(shù)、生理參數(shù)、歷史成績等信息通過多模態(tài)機(jī)器學(xué)習(xí)集成到智能化精準(zhǔn)訓(xùn)練服務(wù)平臺中，為運動員提供自動的、即時的評估和反饋信息［125］。這一平臺主要是應(yīng)用大數(shù)據(jù)技術(shù)對運動員的競技狀態(tài)數(shù)據(jù)進(jìn)行處理，應(yīng)用5G通信技術(shù)低功耗實時傳輸相關(guān)數(shù)據(jù)，而后將數(shù)據(jù)輸入AI算法模型中，之后可以將關(guān)鍵信息發(fā)送給教練員及科研人員。例如，目前已有一些優(yōu)秀運動隊采用“Smartabase”大數(shù)據(jù)管理平臺對運動員在訓(xùn)練中的各項指標(biāo)進(jìn)行一體化管理，實現(xiàn)對運動員的數(shù)據(jù)進(jìn)行采集、分類、統(tǒng)計及建模的全面覆蓋，可以精準(zhǔn)地進(jìn)行運動員選材、球員飲食營養(yǎng)管理、訓(xùn)練計劃制定、競技狀態(tài)及運動損傷風(fēng)險預(yù)測［126］。在數(shù)據(jù)集成方面，應(yīng)用云計算方法可以實現(xiàn)數(shù)據(jù)之間的相互流通，能使用戶將時間和精力更多地用于數(shù)據(jù)分析上而不是整理數(shù)據(jù)，用戶只需將訓(xùn)練數(shù)據(jù)傳輸?shù)綌?shù)據(jù)平臺即可，之后就可以等待平臺通過數(shù)據(jù)擬合和分析后提供相關(guān)反饋信息，通過算法自動生成與運動員競技水平相匹配的個性化訓(xùn)練方案，并將運動員競技狀態(tài)、身體機(jī)能恢復(fù)情況等各方面數(shù)據(jù)以可視化面板的方式呈現(xiàn)。如此一來，不僅能輔助教練員深度洞悉訓(xùn)練全過程，糾正訓(xùn)練計劃在細(xì)節(jié)方面的紕漏，還能采用實時反饋的數(shù)字化訓(xùn)練方法顯著地提升運動員的運動表現(xiàn)，增強(qiáng)運動員積極的心理定向并強(qiáng)化其內(nèi)在動機(jī)，使運動員的潛能被進(jìn)一步激發(fā)。

鑒于此，運動員的運動數(shù)據(jù)分析的戰(zhàn)略意義不在于掌握海量的數(shù)據(jù)，而是基于此要構(gòu)建智能化精準(zhǔn)訓(xùn)練服務(wù)平臺，通過多模態(tài)AI智能模型使基于傳統(tǒng)經(jīng)驗預(yù)測的不確定性得以量化，探究隱含的規(guī)律與邏輯，實現(xiàn)運動數(shù)據(jù)從數(shù)字化分析到智能化分析的演變。

5.3? 在學(xué)校體育領(lǐng)域的應(yīng)用現(xiàn)狀

5.3.1? 構(gòu)建計算機(jī)輔助體育教學(xué)系統(tǒng)，改善體育課程教學(xué)效果

計算機(jī)輔助系統(tǒng)（CAI）在教學(xué)活動中的應(yīng)用主要是指使用計算機(jī)及其技術(shù)傳輸教學(xué)過程中的信息，達(dá)到教育目的，完成教學(xué)任務(wù)。人工智能在專家系統(tǒng)領(lǐng)域的成功應(yīng)用為CAI的廣泛應(yīng)用創(chuàng)造了新的條件，網(wǎng)絡(luò)化和智能化已成為CAI的升級方向。而隨著多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的日益成熟，多媒體輔助教學(xué)和網(wǎng)絡(luò)課程已成為高等院校的教學(xué)方法和教學(xué)手段。CAI結(jié)合多媒體技術(shù)則是通過展示圖片、視頻等方式將動作的重點和難點以慢放或者連續(xù)播放的形式展現(xiàn)給學(xué)生，使學(xué)生以可視化的方式更為清晰地學(xué)習(xí)技術(shù)動作的重點和難點，便于學(xué)生掌握正確動作和糾正錯誤動作。與此同時，基于人工智能的自主干預(yù)模型可以客觀地評價學(xué)生在課堂中的運動表現(xiàn)并實時對錯誤的技術(shù)動作進(jìn)行監(jiān)測，自動提出更改建議和解決方法。在體育課程教學(xué)中，可以使用計算機(jī)輔助系統(tǒng)將學(xué)生認(rèn)知模型輸出的信息輸入至神經(jīng)網(wǎng)絡(luò)模型，通過智能搜索與推理動態(tài)生成適于個體化教學(xué)的內(nèi)容與策略，輔助體育教師對學(xué)生提出針對性的學(xué)習(xí)建議。不止于此，在體育課程教學(xué)中應(yīng)用這種技術(shù)還可以激發(fā)學(xué)生的學(xué)習(xí)興趣，使學(xué)生更直觀地領(lǐng)悟動作要領(lǐng)，產(chǎn)生更好的教學(xué)效果。

5.3.2? 集成展示校園體育教學(xué)場景，以數(shù)字孿生技術(shù)構(gòu)建智慧體育校園平臺

智慧校園平臺建設(shè)是以全面貫徹“互聯(lián)網(wǎng)+”的基本理念，充分應(yīng)用互聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等現(xiàn)代信息技術(shù)，打造“人人學(xué)習(xí)、隨時學(xué)習(xí)、不停課的校園” ［127］。在當(dāng)前的研究實踐中，有學(xué)者已經(jīng)在探究大數(shù)據(jù)背景下的高校智慧體育校園的概念，分析了高校智慧校園的典型特征和發(fā)展目標(biāo)，設(shè)計了物理空間與數(shù)字空間相結(jié)合的數(shù)字孿生式智慧體育校園架構(gòu)，并且探討了以AI賦能高校實現(xiàn)智慧校園的關(guān)鍵［128］。例如，某企業(yè)設(shè)計的體育信息化課堂［129］（如圖10所示）就使用了一些可穿戴設(shè)備，實時記錄學(xué)生的身體狀況及運動密度，通過可穿戴設(shè)備采集生理參數(shù)，而后通過無線傳輸技術(shù)將學(xué)生的相關(guān)數(shù)據(jù)傳輸至后臺，應(yīng)用人工智能技術(shù)匹配學(xué)生的個人信息，最終呈現(xiàn)在可視化平臺上，有利于教師監(jiān)控體育課中的運動密度及訓(xùn)練強(qiáng)度，便于教師通過實時監(jiān)控得到課堂教學(xué)效果反饋，使學(xué)校體育工作更加科學(xué)化和精準(zhǔn)化。又例如，應(yīng)用人工智能、物聯(lián)網(wǎng)、5G通信、大數(shù)據(jù)、云平臺等技術(shù)打造的智慧操場的數(shù)字孿生反饋系統(tǒng)［130］，旨在增強(qiáng)體育課堂的安全性、科學(xué)性與針對性及提高教學(xué)效率與學(xué)生的依從度。

綜上所述，要從智能化入手建設(shè)體育教學(xué)的智慧校園平臺。隨著新興計算機(jī)技術(shù)的出現(xiàn)，智慧體育校園平臺將突破空間的限制，有助于體育教師全面把握“教會、勤練、常賽”一體化系統(tǒng)性教學(xué)思路與方式，掌握教學(xué)規(guī)律，實施更有效的教學(xué)和全面提高教學(xué)質(zhì)量。

5.4? 在全民健身領(lǐng)域的應(yīng)用現(xiàn)狀

5.4.1? 構(gòu)建多平臺互聯(lián)互通的全民健身智慧化空間，以實現(xiàn)信息不斷迭代和更新

2019年國務(wù)院辦公廳印發(fā)的《體育強(qiáng)國建設(shè)綱要》中明確提出：推進(jìn)全民健身智慧化發(fā)展［131］。運用物聯(lián)網(wǎng)、云計算等新信息技術(shù)，推進(jìn)智慧健身路徑、智慧健身步道、智慧體育公園建設(shè)［131］?？梢?，建設(shè)“AI＋大數(shù)據(jù)”驅(qū)動的全民健身綜合管理平臺和全民健身公共服務(wù)平臺可以說是構(gòu)建全民健身智慧化空間的主要路徑。已有研究顯示，可以通過將云計算、物聯(lián)網(wǎng)、AI、大數(shù)據(jù)等新一代智能信息技術(shù)結(jié)合市級體育賽事活動、體育社會組織、體育場館及設(shè)施、國民體質(zhì)監(jiān)測與健身記錄、運動處方等信息資源建立體育大數(shù)據(jù)中心，并將其嵌入至公共體育基礎(chǔ)設(shè)施中（例如：體育場館、體育公園、健身步道），同時可以通過數(shù)據(jù)挖掘及融合的方式構(gòu)建智能數(shù)字模型，將原有的基礎(chǔ)設(shè)施、運動環(huán)境、居民鍛煉習(xí)慣及愛好、訓(xùn)練狀態(tài)等信息輸入模型中，以實現(xiàn)信息不斷迭代和更新。在實際應(yīng)用層面，大數(shù)據(jù)結(jié)合AI算法是有效推動全民健身智慧化空間升級的關(guān)鍵因素。有研究者提出，可以設(shè)計與開發(fā)體育公園全民健身數(shù)據(jù)庫，例如根據(jù)某市的體質(zhì)健康監(jiān)測數(shù)據(jù)和居民日常健身數(shù)據(jù)圈定正常范圍值，采集前往體育公園健身的居民的體質(zhì)健康數(shù)據(jù)和運動數(shù)據(jù)后，與正常范圍值進(jìn)行比對，通過AI算法自動生成體育鍛煉計劃。而智能體育場館不論是在豐富居民體育鍛煉體驗，還是在體育賽事舉辦過程中增強(qiáng)球迷參與度，均已成為運動愛好者的迫切需要。例如，某大學(xué)的研究團(tuán)隊將研發(fā)的新型增強(qiáng)現(xiàn)實技術(shù)廣播系統(tǒng)（TEBS）嵌入至校園的智能體育場，以使球迷獲得沉浸式觀看比賽的體驗［132］（如圖11所示）。該系統(tǒng)可以通過5G實時傳輸、AI、大數(shù)據(jù)等技術(shù)將比賽過程實時影像和運動員數(shù)據(jù)傳輸至終端，并通過即時回放技術(shù)和網(wǎng)絡(luò)直播結(jié)合增強(qiáng)現(xiàn)實（AR）技術(shù)可以根據(jù)場館座位分布情況將處理好的比賽影像投放于屏幕。此外，還可以通過局域網(wǎng)技術(shù)高效低延遲地將視頻傳輸至移動用戶端，以便用戶線上通過電視機(jī)、手機(jī)屏幕進(jìn)行觀賽和互動。

5.4.2? 構(gòu)建個性化運動處方管理系統(tǒng)，完善主動健康模式

以主動健康為導(dǎo)向制定個性化運動方案已成為解決健康問題的新策略。有專家提出，在運動促進(jìn)健康的實施路徑中，需建立面向不同人群的運動處方庫，提高運動處方的個性化和精準(zhǔn)化，有助于不同人群在體育鍛煉時結(jié)合自身的身體狀況、醫(yī)療情況等全方位和智能化地選擇體育運動［133］?；ヂ?lián)網(wǎng)技術(shù)的快速發(fā)展為生成個性化運動指南帶來了極大的便利?；凇癆I+大數(shù)據(jù)”構(gòu)建的個性化運動處方管理系統(tǒng)能在采集到用戶身體各項數(shù)據(jù)時快速地進(jìn)行診斷并形成《運動健康報告》，最終可以生成用戶的個性化運動指南。此外，有研究者提出，應(yīng)以個性化和精準(zhǔn)化的運動處方為基礎(chǔ)，研發(fā)智能健康管理系統(tǒng)［134］。對于慢性病患者來說，目前有一種在公共體育場館應(yīng)用的運動推薦系統(tǒng)，可以根據(jù)用戶的身體狀況評估結(jié)果和病理特征應(yīng)用大數(shù)據(jù)技術(shù)進(jìn)行相應(yīng)的個性化運動處方推薦，從而能更好地服務(wù)于用戶的體育鍛煉［135］。在實踐中，因工作繁忙無法親臨體育場館的居民還可以在健身鍛煉過程中使用智能手機(jī)傳感器遠(yuǎn)程評估自身的平衡性、靈活性和肌肉力量，并通過深度學(xué)習(xí)算法自動生成個性化體育鍛煉計劃［136］。有研究表明，公務(wù)員每日久坐時間長達(dá)8.2 h，且公務(wù)員總?cè)藬?shù)中的慢性病患者占較大比例［137］。為了解決這一問題，有學(xué)者應(yīng)用“AI+大數(shù)據(jù)”構(gòu)建了公務(wù)員智能運動處方系統(tǒng)。該系統(tǒng)以智能數(shù)據(jù)庫為基礎(chǔ)，以智能算法驅(qū)動模型為支撐，應(yīng)用大數(shù)據(jù)技術(shù)實現(xiàn)了智能化提供運動處方的在線服務(wù)［138］，能根據(jù)個體生理狀況自動設(shè)計“零食式”的運動處方［139-141］，可以改變久坐不動辦公人群的運動習(xí)慣，增強(qiáng)其健身意識。

綜上所述，在公共健康政策制定和健身設(shè)備設(shè)計時應(yīng)考慮人工智能技術(shù)應(yīng)用的綜合集成、標(biāo)準(zhǔn)制定、設(shè)備準(zhǔn)入等方面的問題，以提高全民健身的科學(xué)化、智能化及個體化水平，完善主動健康模式。

6? ?當(dāng)前體育人工智能應(yīng)用中存在的挑戰(zhàn)及未來的應(yīng)用與研究方向

本文從計算機(jī)視覺技術(shù)、智能可穿戴設(shè)備、大數(shù)據(jù)技術(shù)等人工智能關(guān)鍵技術(shù)在競技體育、全民健身及學(xué)校體育領(lǐng)域的應(yīng)用現(xiàn)狀進(jìn)行了綜述。上述這些人工智能技術(shù)在體育領(lǐng)域的應(yīng)用還面臨著一些挑戰(zhàn)，未來會出現(xiàn)以下一些研究方向。

1）計算機(jī)視覺技術(shù)在競技體育領(lǐng)域的廣泛應(yīng)用大大提高了訓(xùn)練監(jiān)控和體育比賽技戰(zhàn)術(shù)分析的效率，但是仍有許多挑戰(zhàn)。例如：攝像機(jī)的拍攝視角較小，不能覆蓋整個比賽場地區(qū)域；運動員在集體性運動項目中的高頻率肢體碰撞時的遮擋造成計算機(jī)識別錯誤，且后期圖像分割處理過程較費時且繁瑣；視頻處理的時間較長，其效率無法滿足現(xiàn)代職業(yè)體育賽事的賽制要求。

2）在學(xué)校體育和全民健身領(lǐng)域，基于計算機(jī)視覺技術(shù)的人工視頻分析技術(shù)雖然能夠全面地監(jiān)測學(xué)生或體育鍛煉愛好者的動作質(zhì)量，但是需要架設(shè)多臺攝錄設(shè)備，并且要有專人負(fù)責(zé)處理圖像和數(shù)據(jù)，而且攝錄時易受遮擋，從而會導(dǎo)致監(jiān)測誤差。同時，目前也缺乏基于大量的視頻數(shù)據(jù)集形成的訓(xùn)練機(jī)器學(xué)習(xí)模型。

3）體育人工智能技術(shù)的未來應(yīng)用方向應(yīng)是將計算機(jī)視覺技術(shù)與智能可穿戴設(shè)備進(jìn)行融合，實現(xiàn)優(yōu)勢互補(bǔ)。例如，如果智能可穿戴設(shè)備采集到的數(shù)據(jù)只來自目標(biāo)運動者，那么就可以通過與計算機(jī)視覺技術(shù)的結(jié)合有效地避免其他運動者或物體對動作識別過程產(chǎn)生的影響。而基于深度學(xué)習(xí)算法的無標(biāo)記動作捕捉系統(tǒng)在不同條件下（光照強(qiáng)度、距離遠(yuǎn)近、環(huán)境因素等）使用的效果需要不斷改善、拍攝效率需要不斷提高及算法模型魯棒性需要不斷增強(qiáng)。

4）對于智能可穿戴設(shè)備，多數(shù)由官方舉辦的大型體育賽事仍然禁止運動員使用。在學(xué)校體育和全民健身領(lǐng)域，智能可穿戴設(shè)備通常存在佩戴繁瑣、信號傳輸慢等劣勢，也面臨著無法全面而準(zhǔn)確地采集人體生理數(shù)據(jù)及無法準(zhǔn)確評估健康狀況的困境。因此，在未來，學(xué)界亟需研制微型化、集成化及智能化的便捷式可穿戴設(shè)備（例如纖維類可穿戴測試裝備）。此外，應(yīng)以安全性、準(zhǔn)確性、穩(wěn)定性、便攜性、可視化、實時反饋為研發(fā)標(biāo)準(zhǔn)，應(yīng)用多源信息融合技術(shù)創(chuàng)新算法，強(qiáng)化訓(xùn)練深度學(xué)習(xí)模型。同時，還需促進(jìn)計算機(jī)視覺技術(shù)與可穿戴設(shè)備的結(jié)合，實現(xiàn)對運動過程中的多參數(shù)的聯(lián)合采集。

5）不論是在競技體育領(lǐng)域，還是在學(xué)校體育和全民健身領(lǐng)域，運動數(shù)據(jù)資源均十分豐富，但是數(shù)據(jù)之間的融合依舊不足，數(shù)據(jù)孤島的問題普遍存在，即數(shù)據(jù)碎片化嚴(yán)重、數(shù)據(jù)缺乏統(tǒng)一的標(biāo)準(zhǔn)化格式。因此，學(xué)界應(yīng)以更加新穎的方法分析數(shù)據(jù)，并構(gòu)建更加全面的理論模型，以更加全面和精確地評估運動員的競技表現(xiàn)、監(jiān)測學(xué)生的體質(zhì)健康水平及預(yù)防居民健身過程中的運動損傷。

總之，在當(dāng)今的競技體育、學(xué)校體育及全民健身領(lǐng)域，教練員、體育教師、社會體育指導(dǎo)員、康復(fù)理療師、體育科研人員及相關(guān)從業(yè)者必須共同發(fā)力，始終秉持科學(xué)理念和應(yīng)用多學(xué)科交叉融合理論，以構(gòu)建更加多維度和深層次的數(shù)據(jù)集，使用云服務(wù)器及邊緣服務(wù)器進(jìn)行計算，以避免因數(shù)據(jù)堆積導(dǎo)致的存儲空間不足。與此同時，要應(yīng)用大數(shù)據(jù)技術(shù)對運動數(shù)據(jù)進(jìn)行挖掘，進(jìn)一步闡明運動訓(xùn)練中的內(nèi)在規(guī)律，以促進(jìn)各種體育場景下的大數(shù)據(jù)在體能、運動技術(shù)、運動疲勞、運動營養(yǎng)、傷病防護(hù)、運動表現(xiàn)等分析方面的充分應(yīng)用。

參考文獻(xiàn)：

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

［2］? 本刊記者. 構(gòu)筑人工智能先發(fā)優(yōu)勢 把握新一輪科技革命戰(zhàn)略主動——國家科技部副部長王志剛訪談［J］. 寧波經(jīng)濟(jì)（財經(jīng)視點）， 2017（12）： 3-5.

［3］? 《體育概論》編寫組. 體育概論［M］. 北京：北京體育大學(xué)出版社， 2013：10-12.

［4］? 國家體育總局政策法規(guī)司負(fù)責(zé)人解讀《“十四五”體育發(fā)展規(guī)劃》［EB/OL］.（2021-10-25）［2023-05-19］. https：//www.sport.gov.cn/zfs/n4977/c23655890/content.html.

［5］? 梁楠楠， 李亞玲. 人工智能與體育融合發(fā)展歷程、現(xiàn)狀與展望［J］. 體育科技文獻(xiàn)通報，2022，30（9）：199-202.

［6］? 曹宇，劉正. 人工智能應(yīng)用于體育的價值、困境與對策［J］. 體育文化導(dǎo)刊，2018（11）：31-35.

［7］? 戴瓊海. 人工智能教育：通識與專業(yè)［J］. 清華大學(xué)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］? 周飛燕，金林鵬，董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述［J］. 計算機(jī)學(xué)報，2017，40（6）： 1229-1251.

［12］? 孫志軍，薛磊，許陽明，等. 深度學(xué)習(xí)研究綜述［J］. 計算機(jī)應(yīng)用研究，2012，29（8）：2806-2810.

［13］? 張梓堃. 人工智能的歷史與發(fā)展［J］. 數(shù)字通信世界， 2018（11）： 149-150.

［14］? 李紅霞. 人工智能的發(fā)展綜述［J］. 甘肅科技縱橫，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］. テレビジョン學(xué)會誌，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，林朝暉. 人工智能與全民健身融合發(fā)展的價值邏輯、現(xiàn)實困境與優(yōu)化路徑［J］. 上海體育學(xué)院學(xué)報，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］? 胡瓊，秦磊，黃慶明.? 基于視覺的人體動作識別綜述［J］. 計算機(jī)學(xué)報，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］? 視頻和數(shù)據(jù)分析可提升性能［EB/OL］. （2023-01-13）［2023-03-10］. https：//metrica-sports.com/.

［44］? 趙瓊. 基于視頻和三維動作捕捉數(shù)據(jù)的人體動作識別方法的研究［D］. 北京：中國科學(xué)技術(shù)大學(xué)， 2013.

［45］? 李曉丹，肖明，曾莉. 人體動作捕捉技術(shù)綜述以及一種新的動作捕捉方案陳述［J］. 中國西部科技，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］? 中國跳水隊背后的“3D+AI”跳水輔助訓(xùn)練系統(tǒng)亮相［EB/OL］.（2021-08-18）［2023-01-13］. https：//tech.gmw.cn/2021-08/18/content_35090878.htm.

［50］? 譚嘉敏. 2018賽季中國足球超級聯(lián)賽引入VAR技術(shù)的實證研究［D］. 武漢：武漢體育學(xué)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］? 陳小平. 競技運動訓(xùn)練發(fā)展的主要趨勢——科學(xué)化［J］. 中國體育教練員， 2022， 30（2）： 4-6.

［64］? 路來冰， 李小龍. 人工智能技術(shù)在國際體育運動領(lǐng)域的聚類與演化［J］. 山東體育學(xué)院學(xué)報，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］? 蘇炳添，李健良，徐慧華，等. 科學(xué)訓(xùn)練輔助：柔性可穿戴傳感器運動監(jiān)測應(yīng)用［J］. 中國科學(xué)：信息科學(xué)，2022，52（1）： 54-74.

［69］? 李海鵬，陳小平，何衛(wèi)，等. 科技助力競技體育：運動訓(xùn)練中可穿戴設(shè)備的應(yīng)用與發(fā)展［J］. 成都體育學(xué)院學(xué)報，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］? 北京冬奧會探索：各種傳感器一覽［EB/OL］. （2022-05-25）［2023-03-27］. https：//www.sensorexpert.com.cn/article/57680. html.

［72］? 讓全身的肌肉都智能起來—Athos智能壓縮衣［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］? 孫晉海，王家宏，馬運超，等. 基于多傳感器的皮劃艇訓(xùn)練信息融合分析系統(tǒng)的研發(fā)與應(yīng)用［J］. 北京體育大學(xué)學(xué)報， 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，鄧方，孫健. 改進(jìn)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)的角度傳感器誤差補(bǔ)償方法［J］. 控制理論與應(yīng)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］? 藍(lán)開輝. 基于人工智能技術(shù)的高校體育智慧系統(tǒng)研究［J］. 西安文理學(xué)院學(xué)報（自然科學(xué)版）， 2021，24（2）：94-98.

［91］? 毛爍. 面向運動過程的血氧飽和度提取算法研究［D］. 西安：西安電子科技大學(xué)，2018.

［92］? 龔渝順. 穿戴式抗運動干擾血氧飽和度監(jiān)測技術(shù)研究［D］. 重慶：第三軍醫(yī)大學(xué)， 2012.

［93］? 李永斌. 可穿戴式智能血氧運動指環(huán)設(shè)計與研究［D］. 廣東：華南理工大學(xué)， 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. 基于可穿戴設(shè)備的帕金森病運動遲緩檢測評估方法研究進(jìn)展［J］. 中國醫(yī)療器械雜志，2019，43（6）：432-435.

［103］? 楊強(qiáng)，孟松鶴，仲政，等. 力學(xué)研究中“大數(shù)據(jù)”的啟示、應(yīng)用與挑戰(zhàn)［J］. 力學(xué)進(jìn)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(shù)據(jù)時代的運動訓(xùn)練科學(xué)研究［J］. 首都體育學(xué)院學(xué)報，2015，27（6）：541-545.

［109］? 劉智慧，張泉靈. 大數(shù)據(jù)技術(shù)研究綜述［J］. 浙江大學(xué)學(xué)報（工學(xué)版）， 2014， 48（6）：957-972.

［110］? 沈紅斌，楊杰，王士同，等. 基于信息理論的合作聚類算法研究［J］. 計算機(jī)學(xué)報，2005（8）：1287-1294.

［111］? 杜長亮，李少丹. 復(fù)雜性科學(xué)視野下運動訓(xùn)練理論［J］. 北京體育大學(xué)學(xué)報，2009，32（7）：141-144.

［112］? 路來冰，李小龍. 人工智能技術(shù)在國際體育運動領(lǐng)域的聚類與演化［J］. 山東體育學(xué)院學(xué)報，2020，36（3）：21-32.

［113］? 黎涌明，陳小平.? 英國競技體育復(fù)興的體系特征及對我國奧運戰(zhàn)略的啟示［J］. 體育科學(xué)，2017，37（5）：3-10.

［114］? 閆琪，廖婷，張雨佳. 數(shù)字化體能訓(xùn)練的理念、進(jìn)展與實踐［J］. 體育科學(xué)，2018，38（11）：3-16.

［115］? 袁守龍. 體能訓(xùn)練發(fā)展趨勢和數(shù)字化智能化轉(zhuǎn)型［J］. 體育學(xué)研究，2018，1（2）：77-85.

［116］? 仇乃民，李少丹. 復(fù)雜性思維視域中的運動訓(xùn)練科學(xué)研究：反思與重構(gòu)［J］. 天津體育學(xué)院學(xué)報，2013，28（6）： 513-518.

［117］? 鐘亞平，吳彰忠，陳小平. 數(shù)據(jù)驅(qū)動精準(zhǔn)訓(xùn)練：理論內(nèi)涵、實現(xiàn)框架與推進(jìn)路徑［J］. 體育科學(xué)，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］? 人類績效優(yōu)化軟件：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］? 體育教研-教育-深圳銳取信息技術(shù)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，張枝梅. 數(shù)字孿生技術(shù)在中小學(xué)體育教育教學(xué)中的應(yīng)用思考［J］. 體育教學(xué)，2022，42（1）：35-37.

［131］? 國務(wù)院辦公廳關(guān)于印發(fā)體育強(qiáng)國建設(shè)綱要的通知［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］? 邱俊強(qiáng)，路明月，張君，等. 運動促進(jìn)健康：個性化精準(zhǔn)解決方案［J］. 北京體育大學(xué)學(xué)報，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］? 職場久坐族呈現(xiàn)年輕化趨勢 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.