體育人工智能領域關鍵技術的研究現狀和發展方向

霍波 李彥鋒 高騰 王子鑫 杜澤華 孫紀元

摘? ? 要? ?隨著人工智能技術在體育領域的逐步推廣，體育人工智能學科已初現端倪，具體是指以人工智能技術為手段，通過感知、歸納、分析、挖掘人類體育運動的數據，揭示人體運動規律、評估運動表現效果、形成科學運動的方案、研發輔助運動訓練的裝備，以此提升競技體育運動表現及實現健身科學化和主動健康。首先介紹人工智能及體育人工智能學科的發展歷程，進而基于檢索到的855篇學術論文，針對體育人工智能領域的3類主要技術——計算機視覺技術、智能可穿戴設備和大數據技術，歸納了不同技術的數據獲取方式，介紹了包括深度學習在內的機器學習等人工智能算法，梳理了其在競技體育、學校體育、全民健身領域中的應用現狀和研究方向，最后分別分析了上述3類主要技術在當前的應用中面臨的挑戰及未來的主要發展方向。

關鍵詞? ?人工智能；體育人工智能；體醫工融合；主動健康；競技體育；學校體育；全民健身

中圖分類號：G 80-3；TP3? ? ? ? ? ?學科代碼：040302? ? ? ? ? ? 文獻標志碼：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能夠模擬、延伸和擴展人類智能的理論、方法、技術及應用系統，使機器能做人類需要智力才能完成的工作的新的技術科學［1］。作為新一輪科技革命與產業變革的核心驅動力，人工智能技術正在深刻地影響人類的社會生活［2］。體育是人類促進自身健康、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，隨著人工智能技術在體育科技領域的逐步應用，體育學的研究和教學也在發生著巨大變化，體育人工智能學科已經初現端倪。國家體育總局于2021年10月印發的《“十四五”體育發展規劃》中明確提出：信息技術在體育領域廣泛應用［4］。這說明人工智能與體育持續、全面、深層次的融合已成為助力體育事業發展的必然趨勢。基于此，將體育人工智能定義為：面向人類體育活動，基于人工智能技術，應用參數監測和感知的關鍵技術，通過建立數據分析和挖掘的理論與方法揭示人體運動規律、評估運動表現、形成科學的運動方案、研發輔助訓練裝備，以提升競技體育運動表現、實現全民科學運動和主動健康。

體育學的主要應用場景包括競技體育、學校體育、全民健身，在這3個方面體育人工智能都已經開展相關的理論研究和技術研發。在競技體育領域，面向運動員、教練員、裁判員，基于人體動作捕捉、識別和分析開發的訓練輔助系統、陪練機器人、戰術優化系統、智能裁判與輔助判罰系統等已在訓練、競賽及執裁方面得到了廣泛應用［5］；在學校體育領域，依托人工智能和大數據打造的體育教學生態系統，能幫助學生開展個性化的體育學習與訓練、輔助體育教師提高教學質量、協助管理者實現高效的教學管理，促進學校、家庭、社會3個方面的同向協力［6］；在全民健身領域，各類基于人體數據的健身APP大量上線，智能化可穿戴設備逐漸普及，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展歷程、人工智能技術在體育各個領域的應用現狀，以期為體育科技工作者進一步探索和研究體育人工智能的理論、技術及應用提供借鑒與參考。

1? ?文獻研究法

本研究選取全球最具影響力和權威性的引文數據庫——WOS核心合集數據庫（SCI、SSCI和A&HCI）作為數據獲取來源。因人工智能學科和體育學科各自都特有多學科交叉屬性，所覆蓋應用領域范圍較廣，如果僅以“sports artificial intelligence”為關鍵詞進行檢索無法全面分析體育人工智能領域的研究現狀，所以根據當前人工智能的熱點研究方向，例如：機器學習、深度學習、計算機視覺技術、大數據、智能可穿戴設備、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”OR“Machine Learning”OR“Deep Learning”OR“Computer Vision”OR“Inertial Measurement Unit”OR“Big Data”），時間跨度為2002—2022年，語種為“English”，檢索時將文獻類型限定為“Article”。在上述檢索條件下，經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果，本研究主要針對體育人工智能領域的3類主流技術——計算機視覺技術、智能可穿戴設備技術和大數據技術，歸納其數據獲取的方式，介紹包括深度學習在內的機器學習等人工智能相關算法，進而梳理其在競技體育、學校體育、全民健身等幾個領域中的研究現狀和應用現狀，最后分析上述技術在當前面臨的挑戰，預測該領域的未來發展趨勢。

2? ?體育人工智能的發展歷程

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

在二十世紀四十年代，人工自動機理論出現。直至1956年，美國達特茅斯學院召開了第一次人工智能學術會議，標志著人工智能領域的形成。這一時期的人工智能相關研究關注的是證明幾何定理、解決代數應用問題及語言學習問題，主要體現出教育用途［7］。第一臺人形機器人“WABOT”（早稻田機器人）于1973年在日本早稻田大學誕生。該事件標志著人工智能技術向工業制造領域的介入，但囿于計算機內存和運算速度的不足，需要人耗費大量時間與精力對設備不斷地進行調試，且多位專家對此公開批評，從而導致人工智能技術進入第一次發展停滯期［8］。在二十世紀八十年代，計算機內存容量與運行速度呈指數式增長，局域網技術創新提速，人工智能迎來發展契機。人工智能領域的研究者在這一時期開始將研究重點轉向為不同的系統提供其所在領域的專業知識上，試圖通過將專業知識與推理機制相結合達到專家水平。卡內基梅隆大學于1980年為某數字設備企業開發的用戶訂單配置系統-XCON取得了巨大成功，是這一時期的標志性事件。至此，各式各樣的專家系統如雨后春筍般應用于工業領域，但是好景不長，除了計算機軟硬件和資金方面的限制，沒有開源軟件和公開的數據標準可以使不同系統共享數據和策略，以及人類知識結構的復雜性均大大制約了專家系統及人工智能技術的進一步發展。佛瑞德·布魯克斯于1986年發表的論文中提出了一個經典論斷——“沒有銀彈”，即指沒有任何一項技術或一種方法可以使軟件工程的生產力在10年內提高10倍。這一論斷質疑了學術界多年來的關于自動編程可以很快實現的幻想，同時也拉開了人工智能第二次受到冷遇的序幕［9］。進入二十一世紀，互聯網開始普及，網絡數據量與業務量的暴漲推動著計算機軟硬件性能升級，物聯網及傳感技術的發展加速了物理世界量化進程，人類進入大數據時代，知識的自動獲取成為現實。Hinton于2006年提出了一種基于深度信念網絡（DBN）的無監督學習訓練方法，促使學界開始深入研究深度學習［10］。使用DBN和深度自動編碼器檢索文件可以顯示單詞特征，與廣泛應用的語義分析相比具有明顯優勢，可使文獻檢索更容易。這一思想已被初步擴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訓練有效克服深層神經網絡在有監督訓練模型時學習特定任務的困難，從此出現了深度神經網絡的研究，即通過分類、聚類、特征提取算法從大數據中獲取知識的深度學習技術［11-12］。至此，人工智能技術逐漸應用于各個領域，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的實驗與應用對象。縱觀體育人工智能發展史，伴隨著人工智能技術的產生、興起、沉寂和復興，體育人工智能技術也相應體現出階段性特征（如圖1所示）。

1）萌芽期（二十世紀五十年代至八十年代）。人工智能技術誕生之初，以西蒙和紐厄爾為代表的理性學派認為，人腦與計算機可以視為信息處理器，任何能夠以一定的邏輯規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，體育在人工智能領域被用作理性學派的試驗場，用來驗證算法的優越性。科學家艾倫·紐厄爾和奧利弗·塞弗里奇于1955年分別作了下棋與計算機模式識別的研究［13］。阿瑟·塞繆爾于1956年提出了機器學習理論，并編寫了能夠與人類下西洋跳棋的程序。這套程序在1959年擊敗了設計者本人，又于1962年戰勝了美國某州的州冠軍［14］。之后，隨著人工智能發展出現第一次低潮，體育與人工智能的結合也陷入20年的沉寂。

2）形成期（二十世紀八十年代至二十一世紀前十年）。在二十世紀八十年代，競技體育蓬勃發展、大眾健康意識增強、專家系統廣泛應用，推動人工智能技術開始應用于提取和分析運動、飲食、運動損傷、疲勞方面的數據。由此，體育與人工智能的結合開始趨向深入。在科學訓練方面，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、生理學及心理學表現，以有效地輔助運動訓練［15］。此后，Takashi從技能模擬、負荷監測、動作分析等角度系統歸納了人工智能技術在健身活動中具有的功能和特點、發展方向等［16］。在醫療和傷病預防方面，Irler等基于健康信息大數據，通過概率模型預測鍛煉活動的風險［17］；Zelieii等基于機器學習算法開發了可實際應用的運動損傷診斷專家系統［18］。在比賽預測方面，Mccabe使用神經網絡算法構建了一種人工智能模型，用于預測特定運動比賽的結果［19］；Reed等的研究表明，人工智能和計算機化方法預測體育比賽結果的能力首次超過了人類，建議建立一個體育信息數據庫以實現人工智能在體育領域的應用［20］。總體來說，體育與人工智能的融合在這一時期取得了一定成效，主要體現在促進科學訓練、醫療保健、預測體育比賽結果等。同時，數據記錄、算法、應用方案、軟硬件技術等條件尚未成熟，使得體育人工智能技術并未形成整體化和系統化的應用局面。

3）全面融合期（二十一世紀前十年之后至今）。隨著深度學習算法、大數據、云計算、虛擬現實、傳感器、物聯網等新技術的發展，體育人工智能技術進入高速發展期，在競技體育、學校體育、全民健身領域逐步呈現整體化、系統化、精細化的應用局面。例如：在體育賽事轉播、智能判罰、競技體育訓練、體育教學、智能體育場館、個性化健康管理等方面成果豐碩。在競技體育的技術訓練與戰術建模方面，無線傳感的運動監測裝備已得到初步應用。NBA早在2013年就引入“Sport VU”系統，將3D高清攝像頭、各類傳感器與超級攝像機相連，通過動態捕捉、跟蹤分析、提取數據建立戰術模型，并最終輸入NBA數據庫。在學校體育方面，以大數據為核心的人工智能領域的各種技術應用于教育教學后取得了顯著的成效，不但推動了學校體育課程改革，而且加快了體育教育現代化建設，以科技手段和智能技術促進學校體育各方面的發展，改善現有的體育教學模式，降低體育教學中的運動損傷風險，確保學生安全而愉快地進行體育鍛煉。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實（VR）技術相繼落地應用，用戶可以通過APP軟件在沉浸式、數字化的虛擬運動訓練環境中健身，不僅可以實時監測熱量消耗、步頻、心率等，而且還能選擇最合適的運動強度健身服務方案［21］。此外，隨著智能建筑的開發與建設，智能化和數字化的體育場館的研究也進一步深入。該階段能突破之前體育與人工智能結合的局限得益于信息技術的快速發展和互聯網的普及，尤其是算力突破、算法強化等使輸入的數據可以自行模擬和構建相應的模型，并且精準度大大提高，實現了體育與人工智能多方位、深層次、立體化的融合。

3? ?計算機視覺技術在體育領域的應用

計算機視覺技術是人工智能領域的重要分支，主要使用攝像機對目標對象進行測量，并通過人工智能算法進行圖形處理和人體動作識別。近年來，基于卷積神經網絡的深度學習模型在大規模圖像分類和身體姿勢識別方面取得了標志性進展，不僅能夠精準地識別和檢測人體運動動作，而且在訓練效果反饋和輔助決策中發揮著越來越重要的作用。

3.1? 數據獲取與分析

當前，人們主要采用高速相機獲取視覺圖像，包括基于反光標記追蹤的紅外三維動作捕捉和無標記動作捕捉2種方式。基于反光標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域，追蹤特定的標記點，通過計算機視覺技術方法計算得到標記點的三維位置信息。該方式的優點主要是對捕獲目標的運動區域無限制，且有較高的采樣頻率和毫米級的精度，但是不足之處在于：操作系統價格過于昂貴，前期標定過程較繁瑣，后期需要處理的數據體量較大、耗時過長。無標記動作捕捉是基于計算機視覺技術的機器學習算法對視頻進行自動分析和信息提取，其特點是具有較高的準確性、魯棒性且易于操作，并以較低的成本實現對日常訓練比賽中人體動作的無干擾識別。

目前主流的基于計算機視覺技術的運動捕捉系統有Vicon、Qualysis、Microsoft Kinect等［22］，其大多依靠攝像機拍攝二維平面圖像，然后再將多個相機拍攝的二維圖像進行三維合成，以進行人體運動動作識別和分析［23］。如果要更精準地捕捉和識別運動員的動作，監測用的攝像機在運動場地中的擺放位置非常關鍵。例如，Kasuya［24］、Montoliu［25］及Leo［26］在體育場設置了多個攝像頭（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，運動攝像機的典型采集頻率在25～250 Hz，使用過快的采集頻率會導致過大的數據量，但是對極為快速的運動則應采用高速攝像機［27-32］。

傳統的二維相機只能拍攝到相機鏡頭視角內的物體，但是無法測量物體到相機的實際距離。而深度相機可以通過無接觸、基于光反射的方法獲取物體到相機的實際距離參數。結合特定點在二維平面圖像中的坐標便可獲取圖像中每個點的三維空間坐標，并依此重構三維圖像，實現真實場景還原及目標對象定位和識別。因此，深度相機憑借較少的相機數量、簡易的操作流程及低廉的成本，開始廣泛應用于計算機視覺技術領域。當前，市場上的深度相機主要有3類：結構光、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關系［33］。實際上，目標檢測是在視頻的每一幀中定位目標對象，這是視頻監控的第一步；之后再對目標對象進行分類和跟蹤并檢測出運動目標［34］。應該注意的是，在運動目標檢測時存在噪聲、光照強度變化、動態背景、遮擋、陰影等問題。而提取圖像特征主要是通過機器學習算法對攝像機捕獲的視頻數據進行預處理（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目標監測點的速度，并估計該目標監測點在下一幀中的位置［35-37］。隨著信息技術的進步，深度學習算法能自動化地進行圖像的特征提取和信息的整合歸類，包括進行檢測識別的卷積神經網絡（CNN）［38］、循環神經網絡（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行轉換、輸入分割后的圖像特征數據信息等，在借助深度學習算法識別人體動作后，便可以構建人體運動學模型，這是視頻監控的第二步。最后，根據已提取的底層視覺特征獲取連續圖像中的運動學參數，預測或估計目標對象在圖像序列中的位置和方向，并與視頻數據集中的動作類別等語義信息進行對比，通過識別連續圖像中具有相同或相近特征的目標，自動化地通過計算機視覺技術識別人體動作，以便后期針對個人專項技術進行優化。

3.2? 在競技體育領域的應用現狀

3.2.1? 構建智能輔助決策系統，預測運動技術和戰術

隨著計算機視覺技術在競技體育中的廣泛應用，通過高清攝像頭對快速運動的球和運動員進行拍攝，并通過相關算法對快速運動的球和運動員進行識別與追蹤，顯著提高了對球員移動軌跡分析的精準性，并且可以提高運動隊使用比賽錄像進行球隊戰術分析及效果評判的效率［40-41］。精準且高效地對球員和球的運動軌跡進行識別是技戰術預測的前提，在運動隊中的應用尤為凸顯。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，并側重于分析人的動作和攝像機運動之間的關系，稱為時空多尺度袋（STMB）［42］。通過這種方法能將在時空子區域中提取的關鍵點變化軌跡作為運動特征，而后能將STMB中的一個子區域的全局表示與局部表示相結合創建全局成對表示（GPR）。相關研究表明，使用基于STMB的GPR訓練的兩階段支持向量機對動作進行分類與識別，能夠可靠地檢測視頻中的特定行為［42］。因此，基于機器學習智能算法能實現在復雜場景下的運動目標跟蹤，為后續進行的動作識別、特征提取奠定了堅實基礎。

計算機視覺領域的某視頻分析企業研發了一套系統，能通過智能AI算法綜合分析訓練與比賽（包含自己的和對手的）中的統計數據和視頻數據，可以從中發現比賽中的技戰術安排或執行上的缺陷，量化評估陣容搭配或戰術策略的效果（得分增加、獲勝概率等），并據此提出有關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比賽數據分析結果，為教練員的賽前備戰和臨場技戰術調整提供支撐［43］。

綜上所述，特定運動項目的比賽技戰術分析與預測及教練員的臨場指揮主要依賴教練員的個人經驗，而將傳統的技戰術分析、預測方法與人工神經網絡、卷積神經網絡算法的計算機視頻分析技術相結合可以從日常訓練和正式比賽中收集和分析運動員的各項數據指標，并且據此可以構建更具精細分析功能的智能輔助決策系統，有助于教練組結合自身豐富的實戰經驗精準而高效地制定比賽中的應對策略和球隊戰術。

3.2.2? 研發智能輔助訓練系統，評估運動員動作質量

運動員的動作質量和訓練效果可基于計算機視覺技術進行評估，并可以開發智能輔助訓練系統，以針對運動員進行個性化的動作分析和訓練。在相關研究中，通過計算機視覺技術獲取運動學信息最常見的方法是根據運動生物力學原理運用三維動作捕捉技術獲取，即在實驗室環境下追蹤黏附在人體表面骨性標志點的反光點，然后基于人工修正后的標記點進行三維坐標構建，形成構建人體骨架模型的技術［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的標記物，這些限制促使運動分析系統轉向應用深度學習和計算機視覺技術的自主與無標記的方法。

無標記動作捕捉方法是應用視頻跟蹤技術量化運動學指標，通過深度學習算法對多個特定動作指標進行連續性的追蹤觀測，并精準重建人體三維模型，這樣便可確保定量化分析動作質量的可靠性，而且能提高獲取相關運動數據的精確性［46-47］。在實現精準識別數據的基礎上，Baclig等更進一步地將姿態自動識別算法運用到識別視頻中每一幀的人體關節點，并首次將深度學習和計算機視覺技術應用于優秀壁球運動員的運動學指標評估中，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，計算機視覺技術還可助力構建智能教練系統。例如：中國“跳水夢之隊”使用的“3D＋AI”跳水訓練系統可以通過高速相機、計算機視覺技術、3D建模技術等設備和技術從360°全方位地采集運動員在1～2 s內完成的跳水動作指標，并能完成身體姿勢的三維重建及量化評估［49］。除此之外，還構建了其他運動項目的智能教練系統，例如：在籃球運動員訓練時，可以通過人工智能教練系統攝像機錄制到的球員投籃動作，實時監測運動員投籃的發力順序、出手角度等，如果動作未達標，可以通過指示器發出的聲音或振動提示球員［46］。基于VR技術的排球運動訓練模擬系統能通過捕捉動作數據的方式收集運動員的相關參數，結合人體運動學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范且達到標準，同時還可以對訓練過程中未達到動作標準的運動員進行提示，以提高訓練質量和效率。

可見，基于深度學習的人體關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展。目前廣泛應用于運動生物力學方面的研究中，主要是結合地面反作用力進行逆動力學計算，分析關節和肌肉受力情況及通過識別到的運動員技術動作參數進行運動員的運動效果評估和技術動作優化。開發基于計算機視覺技術的智能輔助訓練系統將會提高訓練質量及訓練效率，優化教練團隊職能，有利于取得更加優異的競賽成績。

3.2.3? 構建視頻輔助裁判系統，提高體育賽事判罰準確性

囿于人眼的視野范圍、反應速度及遮擋問題，當前已經開始采用人工智能技術建立視頻輔助裁判系統來提高判罰的準確性。例如，2006年美國網球公開賽首次應用“鷹眼系統”，人工智能技術協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”判罰的紅土場網球賽事也開始采用“鷹眼系統”輔助邊線判罰，并進行網球運動軌跡和落地位置還原。例如：美國職業棒球大聯盟（MLB）基于“鷹眼系統”的快速捕捉能力，在正式比賽中嘗試使用人工智能驅動的自動判罰系統（ABS）。美國男子籃球職業聯賽也開始通過“鷹眼系統”和可穿戴設備打造能夠還原比賽爭議場景的三維動畫系統，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在歐洲足球協會聯盟于2016年舉辦的賽事中初次亮相，該技術逐步進入研究者的視野。視頻助理裁判（VAR）是由現役裁判擔任，負責通過回放視頻向主裁判提供信息，協助主裁判判斷足球賽場上的形勢，提高判罰的準確性。該技術主要依靠遍布在球場上的多個攝像機，從多機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系統的延伸，半自動越位識別技術（SAOT）被廣泛應用。該系統運用視頻動作捕捉技術，通過球場頂部的12臺特制攝像機，定位29個與判罰相關的不同部位以形成數據采集點，并以50次/s的頻率發送數據，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，當監測到球員越位后，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境，因此，運用高新技術構建視頻輔助裁判系統是所有競技體育賽事發展的趨勢。例如“鷹眼系統”的開發，顯著杜絕了乒乓球、網球等球類運動項目中有失公允的漏判和誤判的發生。使用高科技手段輔助裁判員執裁成為了現實，并且其判罰準確性也有了質的提升。

3.3? 在學校體育領域的應用現狀

3.3.1? 構建學校運動訓練與教學系統，改善體育課堂教學效果

現階段為了提高學校體育教學和運動訓練的效率，運用計算機視覺技術為學生提供的人機交互的運動訓練教學系統，可以使學生通過此類系統深化自己的認知和了解自己的不足，以更好地完成訓練和學習任務。人機交互（HCI）是通過計算機輸入與輸出設備有效地實現人與計算機互動的技術。其將語音識別技術、手勢識別技術、人體識別技術與人機交互相結合，可以為學生學習專業知識和運動訓練提供數據支撐［51-52］。HCI不僅能自動分析學生的訓練和學習效果，還能為學生提供相應的建議，幫助學生迅速改進當前的不足。有一個基于人工智能的運動訓練教學模型（如圖3所示）能運用基于人工智能驅動的攝像頭系統及配套分析軟件自動檢測學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，相機可以監督學生訓練和測試的整個過程。每個操作完成后，學生可以在現場屏幕中以可視化的方式看到自身運動過程的數據、運動能力評估結果和運動處方［53］。該模型可以根據采集到的學生的運動信息結合其歷史運動成績，制定出合理的個性化訓練方案，提高學生的訓練效率。因此，通過構建基于計算機視覺技術的運動訓練與教學系統，對于教師而言，可以在學生未覺察的情況下監控體育課堂的運動負荷，甚至可以幫助體育教師監控學生的技術動作完成質量，從而從整體提高體育課堂教學質量；對于學生而言，該系統在為其提供個性化的和精準的運動處方的同時，還能可視化學生在體育鍛煉過程中的進步情況，能更好地激發學生的學習興趣。

3.3.2? 構建體育課堂智能預測系統，準確評估學生的運動損傷風險

學校體育課程在體育教育與體育教學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查、預測乃至形成預防措施已然成為學界的熱點議題。然而基于經驗的運動損傷預判容易出現偏差，所以應將計算機視覺技術與機器學習算法相結合對運動損傷風險進行有效評估及預測，根據有針對性的評估結果調整課程內容，可以大幅度提高體育教學水平，最終促進學生體質健康水平提高。因此，完善學校體育教學中的運動損傷評估手段是降低運動損傷風險、改善體育教學效果的重要途徑［54］。例如，可以通過計算機視覺技術捕捉學生的運動姿勢，并與“視頻集”中的錯誤運動姿勢進行對比，實時發出警報聲，同時自動生成多種干預方法，以降低學生在體育鍛煉過程中的運動損傷風險［55］。

已有研究表明，應用視覺傳感技術預測學生在體育課中的運動損傷風險是切實可行的［56］。從圖4可以看出，在評估學生的運動損傷風險過程中，首先需要通過圖像采集技術采集學生的身體形態信息、運動學和生理信息，并實時發送到數據處理系統。進而使用不同的圖像處理技術處理所采集的圖像，對處理后的圖像進行綜合分析與評價［57］。綜上所述，學校運用視覺傳感技術輔助構建學生運動損傷預測系統能有效地對學生的運動損傷風險進行預測和評估。

3.4? 在全民健身領域的應用現狀

3.4.1? 構建沉浸式運動健身系統，打造“AI＋健身”元宇宙

VR技術能使用戶在運動中體驗到前所未有的沉浸感。該技術為居民個人健身提供了豐富的運動場景，可增強運動樂趣，滿足體育運動項目向數字化與智慧化轉型的需求，能為體育產業的高質量發展賦予新動能。例如，虛擬健身俱樂部可以將VR技術與運動健身相結合［58］，通過智能視頻技術和Kinect體感技術實時采集用戶動作信息，再通過機器學習中的K近鄰空間插值算法（KNN）和人工神經網絡算法進行動作評分和技術指導。已有研究表明，虛擬健身俱樂部體驗系統可能會減少實體健身房產生的將近70%的資源耗費［58］。如果再出現疫情，可以通過VR技術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? 研發智能健身教練系統，提供科學的健身指導

隨著現代科學技術的日益進步，基于計算機視覺技術的動作監測與識別技術能精準地捕捉人體運動時的動作細節，可以通過圖像識別算法對攝像頭采集到的圖片或視頻進行實時解碼分析，為用戶生成體適能與運動損傷風險評估的可視化報告，并提供科學的健身指導。

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

綜上所述，計算機視覺技術是通過動作捕捉系統，以身體姿勢識別技術分析人體的運動過程，并且能將采集到的數據作為運動愛好者體能訓練和運動康復的重要量化支撐。通過人工智能模型自動進行的運動過程分析與運動損傷風險評估，可以提高健身指導服務效率和科學運動水平，響應主動健康的國家戰略，以科技賦能促進居民健康水平提高。

4? ?智能可穿戴設備在體育領域的應用

智能可穿戴設備是采用智能化嵌入式技術對普通運動裝備進行智能化設計，使運動監測傳感器可穿戴于人體各部位，再通過全球定位系統、加速度計、心率檢測儀等采集人體運動和生理數據。自2016年起，可穿戴技術在美國運動醫學學會（ACSM）發布的全球健身趨勢榜單中位居前三，近兩年穩居第一，智能可穿戴設備在全民健身領域的消費者之多不言而喻［62］。在互聯網技術和傳感器技術尚未高度智能化時期，采集各類運動項目運動員的數據時常常面臨運動速度快、時間短、監測范圍大等困難，對設備的更新率提出了更為嚴苛的要求。

傳統的基于GPS的定位系統已無法對運動員的場上位置、速度、運動軌跡等參數信息進行精準采集和低延時傳輸與分析。隨著人工智能技術的迅猛發展，多模式AI立體聯合定位系統通過內置的慣性傳感器和智能定位卡片很好地解決了這一難題。研究人員使用數據挖掘、機器學習等數據分析手段，分析了不同運動負荷類型數據的特征，并且可以對不同運動負荷的具體數值進行概括，以數字化和可視化的方式呈現運動員的運動負荷，使教練員對訓練過程有更為直觀的認識，進而為后續個性化訓練提供數據支撐，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據進行技術動作評估。與正確的和合理的運動姿勢進行比對，得出的比對結果能為運動員規范技術動作和糾正細節提供參考。

4.1? 數據獲取與分析

可穿戴設備按照使用對象和應用情境可分為普通型、訓練型和科研型。不同類型可穿戴設備的需求、測量精度、操作復雜程度各不相同。可穿戴設備按照身體穿戴部位可以分為頭部可穿戴設備、手部可穿戴設備、軀干可穿戴設備、下肢可穿戴設備，以此可以實現全方位和立體化的人機交互。

隨著多傳感器AI融合算法的魯棒性、運算速度及精度進一步提升，采集到的運動指標或運動生物學指標數據可集成于同一可穿戴設備中。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監控逐漸成為學界研究的熱點。圖6清晰地顯示了當前市場中銷售的可穿戴設備在競技體育領域的應用現狀，能更為全面地體現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數據。同時，還可以通過AI算法充分挖掘這些數據中的信息，以此提供專項訓練建議和優化運動員的運動表現。

4.2? 在競技體育領域的應用現狀

4.2.1? 構建“可穿戴設備+AI”運動傷病管理系統，實現運動負荷監測和運動風險預測智能化

運動負荷是指在運動過程中機體所承受的內外部刺激的總和，貫穿于運動訓練和體育比賽的全過程，也是決定競技運動表現的關鍵影響因素。有專家提出［63］，運動負荷的量化調節和精細化控制是當前運動訓練科學化的一個主要發展趨勢。有學者使用文獻計量法分析得出，早期體育人工智能研究的主要載體為智能可穿戴設備，目的是對人體運動狀態的相關參數進行采集，并自動構建數字模型以進行簡單有效的監控與評估［64］。可穿戴設備對人體內部負荷的監控指標可以分為3類，即心肺指標、體液指標和神經肌肉指標。例如，光電容積脈搏波（PPG）傳感器結合AI技術，除了可以持續監測血氧和心率，還可以評估最大攝氧量、訓練負荷、恢復時長等指標，因而成了監測運動健康狀況的得力“助手”。與此同時，對外部負荷的監控通常以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、負荷累積等相關指標進行分析，以評估運動員的身體活動能力及進行運動損傷預警。

如何使運動員避免傷病并能以最佳狀態上場比賽、延長運動員的職業生涯是競技體育領域長久以來關注的問題。大多數教練員對新興人工智能技術并不了解，仍然依賴自身多年的訓練經驗預估運動員所能承受的極限運動負荷及指導運動員在低受傷風險的情況下達到最佳運動成績。這種方法雖然有效，但是風險太大且成功率太低，一旦某個環節出現紕漏便會導致運動損傷的發生，在嚴重的情況下，可能會影響到運動員的整個職業生涯。相關數據顯示，美國職業棒球聯盟在1年中用于運動員傷病治療就要花費10億美元［65］。鑒于此，有效應用現代科學技術設計最佳訓練方案及進行傷病預防是十分必要的，即需要打造“智能可穿戴設備+AI”傷病管理系統。

人體是一個極其精妙且復雜的系統，而人體運動損傷產生機制仍未完全明確。因此，可穿戴設備不僅要不斷優化硬件以精準采集動作、心率及肌電數據，還應關注由AI驅動的軟件分析系統。由AI驅動的軟件分析系統能基于采集到的數據進行有效的運動負荷評估，并可以提出有針對性的訓練計劃調整建議，減小運動傷病發生的概率。當今學界主要通過構建人工神經網絡模型以識別與判定動作類別及能量消耗［66-67］，從海量的“數據集”中通過數據驅動的學習過程識別變量的非線性變化，從而可以構建復雜系統模型，能從多視角診斷運動損傷成因并可以有效地預測運動損傷的發生。因此，應用人工智能技術輔助教練員在訓練中及時而有效地進行運動負荷控制并給予運動員適時的反饋，不僅可以避免過度訓練和降低運動損傷風險，還能增強運動員的內在動機和產生更好的神經肌肉適應性。

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

4.2.2? 研發一體化智能可穿戴設備，提高使用舒適度

運動員不僅需要進行高強度的運動訓練，甚至在一些運動項目訓練中需要激烈的身體對抗，所以要求可穿戴設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的影響［68-70］。同樣，可穿戴設備獲取的信息量決定了監控質量，在智能傳感器集約化技術未成熟前，為了實現對運動訓練過程的最優化控制，往往需要運動員一次性穿戴多種監控設備以獲取生理、運動訓練學等方面更為全面的指標參數。這就對如何將現有可穿戴設備進行高度集成及構建全面的自動化測試指標體系提出了新的挑戰，而且已然成為可穿戴設備在競技運動訓練領域應用面臨的重要瓶頸。

為了在不影響運動員正常發揮的前提下采集數據，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，在監控外部負荷時，某企業研發的內嵌幾十片微型傳感器的高水平運動員運動表現分析系統已被中國自由式滑雪空中技巧國家隊采用［71］。該系統主要通過內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、角速度等數據。相比傳統的光學傳感器，應用慣性傳感器的智能服裝具有信息數據捕捉更準確、全天候、抗干擾能力強等更多優勢。為了不影響運動員比賽，隱藏在智能可穿戴設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，在監控內部負荷時，某品牌的智能健身衣已在國內外市場有了大量消費者。該健身衣內置呼吸和肌電傳感器，不僅可以計步、監測心率，還能監測人體不同部位肌肉力量的訓練情況，并可以將數據同步至APP以轉化為可視化圖表，實現對身體鍛煉情況的精準把控，輔助教練員及時調整訓練計劃［72］。同時，該健身衣還具有高延展性，材料透氣、防水且防曬，100%機洗也不會破損。

隨著可穿戴設備的不斷更新，汗液乳酸的測定可以為血液乳酸測定提供一種無創的檢測方法，且可以作為肌肉組織受損的預警指標。高偉等發現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，能將乳酸氧化酶固定在殼聚糖滲透膜上，通過傳感器產生的電流與代謝物形成比例關系，可以進行乳酸濃度分析［73］。還有已應用于訓練及比賽中的某種可穿戴皮膚貼片（重量僅為14 g）能通過監測汗液乳酸和出汗率自動進行疲勞預警，同時可以為用戶提供運動過程中的實時水合反應數據和個性化補水建議。

綜上所述，隨著可穿戴設備數據采集材料等硬件和智能算法的日益進步，應加強相關學科之間的密切融合，以“安全、準確、穩定、便攜、可視化、實時反饋”為研發標準，結合教練員和運動員的切實需要，致力于實現可穿戴設備無創、無干擾、智能化驅動精準訓練的科技助力理念。

4.2.3? 構建智能一體化運動訓練管理系統，監測運動訓練全過程多源參數

大量研究者認為，多傳感器訓練信息融合分析技術已成為當前科學化訓練的前沿技術［74-81］。囿于單一傳感器監控訓練過程的局限性，使用多傳感器融合互聯技術，從全方位捕捉訓練信息、優化訓練監控準確度已經成為學界共識，所以如何應用人體傳感網絡（BSNs）技術將單一節點傳感器采集到的運動參數和生理參數通過信號處理和機器學習等智能算法匯總至一個數據處理平臺（為構建智能一體化訓練管理系統）已成為智能可穿戴設備在競技體育方面的研究熱點和新興的前沿應用方向。

多源信息融合系統是借助各類傳感器采集到的信息，運用神經網絡、模糊推理等智能算法將那些在時間和空間上相關的信息進行有效組合，提高系統預測結果的信效度及穩定性。傳統的訓練評估方法依靠單一傳感器采集單一訓練指標，不利于進行訓練負荷監控和競技狀態評估，并且采集到的數據無法為教練員制定訓練計劃提供支撐［82］。實際上，隨著各類智能可穿戴設備廣泛應用于競技運動訓練實踐中，運動數據維度的監測愈見完善。需注意的是，為了避免采集運動數據時陷入盲人摸象的困局，一些學者提出應采用多傳感器融合技術，通過信息融合算法使訓練信息資源得以高效協同利用，構建更智能化的輔助決策系統［80-81，83］。例如：有研究者通過實驗發現，即便單個傳感器使用了更高的采樣頻率、更精細的特征集和分類器，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］。已有文獻顯示，訓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確性。例如，受試者僅佩戴裝有GPS的可穿戴設備進行不同移動速度的非線性運動時，監測結果與實際線性運動相比存在明顯誤差，并且隨著運動強度的增大，測量誤差也顯著增加［69，84-86］。有研究者認為，從根源上解決傳統單一采集方式精確度低的問題，可以使用多類傳感器協同采集，以機器學習等算法進行訓練信息整合［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荷［87-88］，但是會導致下肢的力學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），所以為了更為精準地進行生物力學評估，當今學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節力矩，并深入了解肌肉-肌腱和關節的接觸力，不斷彌合實驗室和訓練現場測試之間的鴻溝，以使研究能夠準確量化實際運動過程中的機械負荷。基于此，Imeasureu［83］、孫晉海等［82］通過開發多傳感器皮劃艇訓練信息集成分析系統，可以同步分析各傳感器采集的訓練信息，并能將采集的心率、槳頻等數據以圖表的形式呈現，進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進行決策及進行運動負荷、運動技術質量、運動成績三位一體的集成式分析。該系統基于生物力學路徑的架構見圖7。

綜上所述，體育科技工作者應該應用人體傳感網絡技術將單一傳感器采集到的運動參數和生理參數通過信號處理和機器學習等智能算法匯總至一個數據處理平臺中，實現“萬物互聯”，加速研發智能一體化訓練管理系統，為競技體育的發展增效賦能。

4.3? 在學校體育領域的應用現狀

4.3.1? 構建高校體育教學負荷監控系統，實現運動負荷監測可視化

傳統體育課堂教學在運動負荷等方面的監測主要依靠體育教師的主觀觀察，運動數據的監測缺乏精確性和連續性。因此，體育教師根據大學生在體育課中的實際運動狀態進行動態負荷調整的難度較大且缺乏客觀性。而將人工智能技術嵌入智能可穿戴設備，并構建高校體育教學負荷監控系統，就可以使這一問題得到有效解決。

近年來，智能可穿戴設備逐步被應用于體育課堂教學中，能使授課教師獲取有關學生的運動負荷參數和身體活動水平數據，有助于授課教師實時掌握學生的課堂活動時間、運動強度等指標，為動態調整教學目標和教學內容及組織教學活動提供客觀數據支撐。愈加成熟的可穿戴設備和運動APP可以使學生在鍛煉時快速地向體育教師反饋有關數據，體育教師無需再做相關測試和逐一登記成績的工作，能成倍提升體育教學效率［90］。在體育教學中，為了降低體育課的運動損傷風險，向學生提供個性化的運動指導，可以使學生佩戴內嵌GPS及加速度計的運動手環、智能手表等，測評其不同運動狀態下的跑動能力和運動負荷。當前，更為精準地監控學生在體育課堂中的運動負荷已成為提升體質健康水平的重要任務。隨著人工智能相關領域技術的快速發展，智能可穿戴設備更加先進，針對學生在體育課中的身體活動的生理生化指標分析將更為全面和準確。例如，在學生進行高強度運動時，體育教師可以對學生的血氧飽和度進行實時和無創檢測，從而能及時地了解學生的身體健康狀況。隨著AI算法持續升級和硬件設備不斷更新，多數研究者運用自適應濾波等去噪算法對采集到的光電容積脈搏波信號進行抗運動干擾處理［91-92］。這也使得智能血氧運動指環得以廣泛應用于實時監控學生課堂活動的血氧情況［93］。上述設備能夠精準地監測學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，對學生在體育課運動過程中的健康狀況進行跟蹤、分析和評估［94］。此外，使用智能可穿戴設備可以增強學生對運動的興趣，通過可視化自身運動數據和進步情況實現運動正強化（積極強化），有助于規范技術動作。

因此，研發高校體育課堂教學運動負荷監控系統能夠準確地評估學生的課堂活動負荷和能量代謝狀況，有助于提升學生的體質健康水平，同時還可以預防體育課上潛在的運動損害風險和意外事故，以確保學生在體育課中的安全，所以基于智能可穿戴設備打造的新型體育教學模式不僅能增強體質和健全人格，而且對未來的高校體育教學也將產生深遠影響。

4.3.2? 推進構建運動技能虛擬仿真學習系統，實現虛擬現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，推動學校體育教學體系的科學化、現代化、智能化建設不僅有利于提升體育教育的有效性，還能促進青少年體質健康水平的提高。傳統的運動技能學習主要通過教師講解與示范動作、學生模仿動作、教師糾正錯誤的過程實現，這種教學方式很難充分調動學生的學習興趣和積極性。此外，當前在體育教學過程中還存在教學方法單一、遠程教學能力不足的問題。由此，可以結合智能可穿戴設備和虛擬現實技術設計一個由物聯網、云平臺和移動客戶端組成的體育虛擬現實系統。

虛擬現實技術應用的最終目的是實現物理世界與虛擬世界的融合。這一理念及衍生產品已廣泛應用于教育及體育領域，主要是使學生通過更直觀的視覺體驗加深對運動技能的認識［95］，不僅有助于學生形成運動表象，還有利于優化教育資源配置。通過頭戴式顯示設備，應用人機交互技術能使學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，并且能激發學生的學習興趣，將學生從被動接受轉化為主動學習。例如，通過構建VR體育課堂（如圖8所示），結合中小學生身心發展特點構建場景化的基于任務的學習環境，寓教于樂，提高學生的學習興趣。

綜上所述，校園體育虛擬現實系統通過從物聯網中收集相關數據，在云平臺中儲存海量運動數據，并采用云渲染技術實現與虛擬現實場景的實時交互，最后通過移動終端體驗近乎真實參與的運動項目。此種VR體育課堂能使學生身臨其境，在虛擬環境中感受、體驗及學習技術動作，并且不再受學校場地有限而導致相關運動項目無法進行教學的局限，能使學生從以往的被動練習轉變為主動體驗交互式學習模式。以上均說明校園體育虛擬現實系統具有良好的應用與推廣意義，能全面加強和改進新時代學校體育工作，同時可以為深化學校體育改革提供參考。

4.4? 在全民健身領域的應用現狀

4.4.1? 研發智能可穿戴設備，監測健身運動數據

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

大量文獻表明，現今市場中銷售的智能可穿戴設備無法滿足消費者在有效預測能量消耗方面的需求［96-98］。例如，某企業生產的智能可穿戴設備應用了多傳感器信息融合技術［84］，可以精確地測量加速度、心率及能量消耗。然而，有研究人員通過調查發現，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確［96］。隨著人工智能技術的快速發展，可以通過構建深度學習能耗預測模型將AI驅動的軟件分析系統嵌入至可穿戴設備中，能提高健身過程中能量消耗監測結果的信效度。

綜上所述，運動愛好者可根據自身健身需求及具體運動場景選擇適合的智能可穿戴設備，精準量化分析運動數據，能最大限度地發揮體質健康監測設備的作用。

4.4.2? 研發智能化可穿戴運動設備，輔助運動障礙人群健身

當前，人口老齡化程度加劇，因年齡增長而出現的各種疾病（心肺功能下降、骨質疏松等）是導致運動障礙的主要因素。世界衛生組織（WHO）的相關調查顯示：中國腦中風發病率排名世界第一［99］。還有相關研究顯示：腦卒中發病已趨于年輕化，鼓勵患者在身體狀況允許的情況下保證適當的體育鍛煉，例如：抗阻訓練、有氧訓練、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，是避免二次復發的主要方式［99］。因此，依據精細化和智能化的可穿戴設備實時監控的運動障礙人群在體育鍛煉時的機體狀況制定個性化方案輔助患者盡快康復更顯彌足珍貴。Burridge等研發的嵌入式慣性傳感器可以通過收集患者運動時的各部分數據用以設計益于助其康復的功能性運動［100］。在此基礎上，Burns等研發的另一種監測患者運動的可穿戴設備可以為腦和脊髓損傷的患者制定運動計劃，以恢復其運動能力［101］。此類可穿戴設備可以在患者運動時記錄其生理指標數據，并能通過5G網絡向醫生發送，以供醫生根據收到的遠程數據進行監督［101］。

此外，智能可穿戴設備近年來結合智能機器學習算法能使運動障礙患者實現個體化診療和遠程醫療［102］。例如，某企業研發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，使小型電機驅動外骨骼支架以促進膝蓋和臀部運動。同時，嵌入至外骨骼的機器學習算法模型能結合用戶的運動障礙情況及運動狀態自動調節外骨骼助力閾值，由此輔助患者重建神經肌肉運動模式。

鑒于此，今后應以主動健康為導向，應用人工智能技術制定個性化運動處方，積極推動智能化可穿戴運動設備的研發。

5? ?大數據技術在體育領域的應用

大數據技術的核心理念是挖掘數據并探究其中規律，以解釋當前現象和預測未來［103］。應用大數據技術探究海量的體育運動數據之間的內在邏輯和關聯，并預測風險事件發生的可能性，相較數據量小且因果關系簡單的傳統運動訓練理念更有優勢。運動訓練的本質特性是復雜的，由運動員選材的高效性到運動員的身體素質提升，再到運動成績突破，大數據技術作為重要手段貫穿始終。因此，競技體育領域的海量運動訓練數據的研究以復雜性為攻艱關鍵，以人工智能技術為分析方法，可以基于多層次和多維度的數據建立運動訓練分析與預測模型。

由于基于慣性傳感器的可穿戴設備、基于計算機視覺技術的運動智能捕捉系統和基于機器學習的智能算法等設備或技術的持續更新，通過數據分析與評估運動訓練效果已較為普遍。例如，在競技體育領域，國際足聯（FIFA）等體育賽事組織已使用無線傳感器技術監測球員位置和生理參數；而在學校體育和全民健身領域，隨著智慧校園的逐步完善和城市建設，視覺動作捕捉技術和傳感器技術被廣泛應用于智能識別和健身指導服務中。因此，如何將上述各領域的冗雜數據進行有效整合，并通過數據挖掘、數字孿生等技術進行分析和呈現結果［104］，輔助構建預測模型，進而據此探析競技運動項目規律、促進提高青少年體質健康水平、構建與完善主動健康模式，是目前亟待解決的問題。

5.1? 數據獲取與分析

在現代信息技術和大數據技術還未充分與體育融合時，傳統的運動表現評估方法是專家通過觀察人工收集數據并基于個人經驗評估運動表現，但是相關變量缺乏普遍共識［105-106］，評估結論欠缺客觀性［107］。此外，競技比賽中攻防疾速轉換，人工記錄數據耗時費力，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數據［108］。據此，從數據采集、數據傳輸、數據處理3個方面論述數據獲取過程。首先，數據采集要能精準地感知運動情境和收集運動數據。現代智能化設備采集運動數據時是基于計算機視覺技術和智能傳感器識別人體運動，并以智能算法進行運動監測、特征提取及數據化處理視頻圖像和濾波。現有運動捕捉跟蹤系統主要用于監測運動軌跡，兼以微型傳感器技術收集參數、評估動作質量及監控運動負荷。其次，高效能的數據傳輸機制在競技體育賽事的相關信息的實時反饋中至關重要。階段性戰術報告、運動員的瞬時機能狀況等數據信息皆需即時傳輸至存儲系統，以用于分析。隨著無線網絡、量子通信等技術的創新，在復雜通信條件下亦可實現高速、安全、穩定的數據傳輸。最后，數據處理則是指在數據處理時設計過濾器，以聚類分析或關聯分析的規則將無用或錯誤的數據剔除［109-110］，以此高效地傳輸、存儲和挖掘數據。

在數據分析層面，多數學者認為，運動科學一部分功能就是將訓練的過程通過數據進行量化，并歸納出規律［63， 69，111-115］。運動訓練方面的大數據研究在應用研究層面不以數據本身為研究目的，而是作為一種研究工具和手段探究事物本身的內在規律。仇乃民等提出了數據密集型的科研范式（即不斷采集、更新和分析數據），并且認為：運用數據驅動的方法盡可能多地采集人體運動信息，相較理論假設驅動的研究策略（即通過小樣本推測總體）可能更適合對復雜的人體運動現象展開研究［116］。所以有專家提出了“數據驅動精準訓練”的理論范式，系統地陳述了智能科學訓練決策系統應以收集多維訓練指標數據為前提條件、以通過深度挖掘算法處理和分析訓練數據為基本路徑、以提供有價值的信息促進訓練效能提升為核心目的［117］。

5.2? 在競技體育領域的應用現狀

5.2.1? 構建個性化運動訓練模型，分析運動訓練及比賽中的規律

隨著大數據技術的發展，面對運動訓練中的復雜問題，不應只強調因果關系，而應通過數據采集與數據驅動的方法，確保數據的多維度及實時性［116］。在如今的競技體育數據分析領域，數據和AI技術缺一不可，兩者相輔相成、相互促進。沒有優質的數據，再好的算法模型也難以發揮作用；而沒有Al技術的加持，再多的數據也難以從中獲得真正有價值的信息，所以通過數據分析運動訓練及比賽中的復雜規律，實現對整體比賽技戰術的優化和控制、對運動訓練過程中難以解決的復雜問題作出相應預測和解釋。例如如何解決運動員在多周期訓練和比賽的問題、頂尖運動員的技術動作難以復制及運動損傷的問題［117］，已然成為現今學界的熱點議題。

人體在運動訓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練前的各項數據到退役后的數據，應用大數據技術結合機器學習等智能算法構建針對運動訓練全過程實施精確控制的個性化訓練模型（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結合多組學技術輔助預測今后運動損傷的風險，進而可以在賽前的智能化訓練備戰階段通過構建“AI＋大數據”智能教練模型對訓練過程中運動員的營養、心理及機體狀況進行實時監測，實現精準化監控訓練和大幅提升備戰效率；還可以在比賽過程中通過深度學習算法進行技戰術預測并輔助教練員決策，同時還能將數據傳輸至大數據云平臺，自動生成《可視化比賽表現數據分析報告》。此外，還能通過使用AI智能算法結合大數據技術構建智能化精準訓練數據庫，評估運動員在整個訓練周期的運動表現，為下一步調整《訓練計劃》提供參考。應當注意的是，可以從2個視角審視圖9中的AI模型對競技運動訓練全過程的科技賦能。首先，從橫向而言，可以通過AI結合大數據構建“冠軍模型”，并結合多組學技術挖掘天賦出眾且易于培養的運動員后備人才，而后通過“AI＋大數據”全過程記錄運動員成長過程中的各項數據指標，再深度分析培養過程中的優劣勢，從而進一步完善該“冠軍模型”。從縱向而言，運動員的競技狀態變化由“準備期→比賽期→恢復期”組成，而以傳統教練員的經驗為導向的運動員競技狀態變化全過程監控難以挖掘到更深層的信息。因此，由“AI＋大數據”構成的新興個性化訓練模型能進行全方位評估，可以助力運動員競技運動表現持續提高。

綜上所述，各水平的運動隊應積極將人工智能技術與大數據技術相結合，以構建個性化訓練模型。隨著競技體育領域的可監測數據愈漸豐富，智能動態視頻捕捉系統和可穿戴設備并不是孤立存在的個體，而是基于大數據背景下的科技產物，通過兩者采集訓練信息僅僅是科學監控的外在表現，而運用科學的數據處理方法對所得的原始數據進行提取和計算才是監控的核心所在［69］，也是進行數據分析的底層邏輯。當今，數據規模的增大已然成為一種普遍現象，誰掌握了數據變化的趨勢及能預測各類因素對競技能力的影響，誰就掌握了主動權，例如：訓練時的監控、比賽時的決策輔助、對運動員身體狀況進行的長期追蹤、分析對手競技狀態的變化等。

5.2.2? 定量化預測和控制運動負荷，實現運動損傷的智能化預防

隨著競技運動訓練科學化的發展，對運動負荷的精準測量和有效控制是降低運動損傷風險的關鍵要素。Thornton等以訓練負荷為預測指標，運用決策樹分類器的方法預測了職業橄欖球運動員的運動損傷發生率［118］。kautz等使沙灘排球運動員佩戴可穿戴式傳感器以監測其運動負荷數據，并通過人工神經網絡建模進行運動損傷風險的預測，其精度達到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度進行評估，并應用機器學習技術預測造成腘繩肌拉傷的各種因素［120］。現有研究在有效量化預測橄欖球比賽中的身體碰撞方面存在較大的差異，所以如何量化高強度身體碰撞過程中的負荷是作為當今學界亟待解決的熱點問題。Naughton使用微技術設備（GPS和慣性傳感器IMU的結合）通過機器學習多傳感器融合方法將運動員的動作效率、整體運動概況及訓練和比賽中的峰值運動量進行了整合分類，以此量化碰撞的頻率和強度［121］。英格蘭足球超級聯賽球隊廣泛使用的一種訓練背心可以監測運動員熱身時的步頻、步幅、雙腳的壓力負荷等指標，并且會在熱身開始15 min后生成反饋報告，以評估運動員的訓前準備狀態，有助于團隊科學合理地安排后續訓練任務。英格蘭足球超級聯賽的各個參賽俱樂部在使用這種訓練背心后，單賽季球員訓練傷病的發生風險降低了約50%［122］。Tammimi等的研究發現，前交叉韌帶損傷患者的脛骨后部外側的斜率和外側半月板的斜率增加，內、外側半月板高度降低，應用機器學習技術建立了前交叉韌帶損傷的預測算法，準確率達到90%以上［123］。

在構建傷病管理軟件系統方面，某企業研發了足球運動風險預警和損傷分析軟件系統，能憑借收集到的運動數據和生理數據，結合比賽數據、醫療檔案、天氣、場地等信息，通過自創的Al算法評估運動員的傷病風險，并能找出可能導致傷病的因素［124］。例如，使用該系統后，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%的最終發生的傷病進行了提前預警；在2020賽季使用該系統后，減少了全隊57％的傷病案例，并提前一周對仍舊出現的13例傷病中的9例作出了高風險預警。

綜上所述，基于深度學習算法對數據進行處理和挖掘，可明晰運動員在訓練和比賽中機體所承受的內外部負荷與運動損傷存在的內在關聯，通過把握負荷閾值，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生，以此提高訓練的科學化水平。

5.2.3? 構建智能化精準訓練服務平臺，分析運動員競技狀態

AI賦能競技體育的最終目標是將傳感器采集到的運動參數、生理參數、歷史成績等信息通過多模態機器學習集成到智能化精準訓練服務平臺中，為運動員提供自動的、即時的評估和反饋信息［125］。這一平臺主要是應用大數據技術對運動員的競技狀態數據進行處理，應用5G通信技術低功耗實時傳輸相關數據，而后將數據輸入AI算法模型中，之后可以將關鍵信息發送給教練員及科研人員。例如，目前已有一些優秀運動隊采用“Smartabase”大數據管理平臺對運動員在訓練中的各項指標進行一體化管理，實現對運動員的數據進行采集、分類、統計及建模的全面覆蓋，可以精準地進行運動員選材、球員飲食營養管理、訓練計劃制定、競技狀態及運動損傷風險預測［126］。在數據集成方面，應用云計算方法可以實現數據之間的相互流通，能使用戶將時間和精力更多地用于數據分析上而不是整理數據，用戶只需將訓練數據傳輸到數據平臺即可，之后就可以等待平臺通過數據擬合和分析后提供相關反饋信息，通過算法自動生成與運動員競技水平相匹配的個性化訓練方案，并將運動員競技狀態、身體機能恢復情況等各方面數據以可視化面板的方式呈現。如此一來，不僅能輔助教練員深度洞悉訓練全過程，糾正訓練計劃在細節方面的紕漏，還能采用實時反饋的數字化訓練方法顯著地提升運動員的運動表現，增強運動員積極的心理定向并強化其內在動機，使運動員的潛能被進一步激發。

鑒于此，運動員的運動數據分析的戰略意義不在于掌握海量的數據，而是基于此要構建智能化精準訓練服務平臺，通過多模態AI智能模型使基于傳統經驗預測的不確定性得以量化，探究隱含的規律與邏輯，實現運動數據從數字化分析到智能化分析的演變。

5.3? 在學校體育領域的應用現狀

5.3.1? 構建計算機輔助體育教學系統，改善體育課程教學效果

計算機輔助系統（CAI）在教學活動中的應用主要是指使用計算機及其技術傳輸教學過程中的信息，達到教育目的，完成教學任務。人工智能在專家系統領域的成功應用為CAI的廣泛應用創造了新的條件，網絡化和智能化已成為CAI的升級方向。而隨著多媒體技術和網絡技術的日益成熟，多媒體輔助教學和網絡課程已成為高等院校的教學方法和教學手段。CAI結合多媒體技術則是通過展示圖片、視頻等方式將動作的重點和難點以慢放或者連續播放的形式展現給學生，使學生以可視化的方式更為清晰地學習技術動作的重點和難點，便于學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模型可以客觀地評價學生在課堂中的運動表現并實時對錯誤的技術動作進行監測，自動提出更改建議和解決方法。在體育課程教學中，可以使用計算機輔助系統將學生認知模型輸出的信息輸入至神經網絡模型，通過智能搜索與推理動態生成適于個體化教學的內容與策略，輔助體育教師對學生提出針對性的學習建議。不止于此，在體育課程教學中應用這種技術還可以激發學生的學習興趣，使學生更直觀地領悟動作要領，產生更好的教學效果。

5.3.2? 集成展示校園體育教學場景，以數字孿生技術構建智慧體育校園平臺

智慧校園平臺建設是以全面貫徹“互聯網+”的基本理念，充分應用互聯網、云計算、大數據等現代信息技術，打造“人人學習、隨時學習、不停課的校園” ［127］。在當前的研究實踐中，有學者已經在探究大數據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展目標，設計了物理空間與數字空間相結合的數字孿生式智慧體育校園架構，并且探討了以AI賦能高校實現智慧校園的關鍵［128］。例如，某企業設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備，實時記錄學生的身體狀況及運動密度，通過可穿戴設備采集生理參數，而后通過無線傳輸技術將學生的相關數據傳輸至后臺，應用人工智能技術匹配學生的個人信息，最終呈現在可視化平臺上，有利于教師監控體育課中的運動密度及訓練強度，便于教師通過實時監控得到課堂教學效果反饋，使學校體育工作更加科學化和精準化。又例如，應用人工智能、物聯網、5G通信、大數據、云平臺等技術打造的智慧操場的數字孿生反饋系統［130］，旨在增強體育課堂的安全性、科學性與針對性及提高教學效率與學生的依從度。

綜上所述，要從智能化入手建設體育教學的智慧校園平臺。隨著新興計算機技術的出現，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”一體化系統性教學思路與方式，掌握教學規律，實施更有效的教學和全面提高教學質量。

5.4? 在全民健身領域的應用現狀

5.4.1? 構建多平臺互聯互通的全民健身智慧化空間，以實現信息不斷迭代和更新

2019年國務院辦公廳印發的《體育強國建設綱要》中明確提出：推進全民健身智慧化發展［131］。運用物聯網、云計算等新信息技術，推進智慧健身路徑、智慧健身步道、智慧體育公園建設［131］。可見，建設“AI＋大數據”驅動的全民健身綜合管理平臺和全民健身公共服務平臺可以說是構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、物聯網、AI、大數據等新一代智能信息技術結合市級體育賽事活動、體育社會組織、體育場館及設施、國民體質監測與健身記錄、運動處方等信息資源建立體育大數據中心，并將其嵌入至公共體育基礎設施中（例如：體育場館、體育公園、健身步道），同時可以通過數據挖掘及融合的方式構建智能數字模型，將原有的基礎設施、運動環境、居民鍛煉習慣及愛好、訓練狀態等信息輸入模型中，以實現信息不斷迭代和更新。在實際應用層面，大數據結合AI算法是有效推動全民健身智慧化空間升級的關鍵因素。有研究者提出，可以設計與開發體育公園全民健身數據庫，例如根據某市的體質健康監測數據和居民日常健身數據圈定正常范圍值，采集前往體育公園健身的居民的體質健康數據和運動數據后，與正常范圍值進行比對，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球迷參與度，均已成為運動愛好者的迫切需要。例如，某大學的研究團隊將研發的新型增強現實技術廣播系統（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）。該系統可以通過5G實時傳輸、AI、大數據等技術將比賽過程實時影像和運動員數據傳輸至終端，并通過即時回放技術和網絡直播結合增強現實（AR）技術可以根據場館座位分布情況將處理好的比賽影像投放于屏幕。此外，還可以通過局域網技術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、手機屏幕進行觀賽和互動。

5.4.2? 構建個性化運動處方管理系統，完善主動健康模式

以主動健康為導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化，有助于不同人群在體育鍛煉時結合自身的身體狀況、醫療情況等全方位和智能化地選擇體育運動［133］。互聯網技術的快速發展為生成個性化運動指南帶來了極大的便利。基于“AI+大數據”構建的個性化運動處方管理系統能在采集到用戶身體各項數據時快速地進行診斷并形成《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，應以個性化和精準化的運動處方為基礎，研發智能健康管理系統［134］。對于慢性病患者來說，目前有一種在公共體育場館應用的運動推薦系統，可以根據用戶的身體狀況評估結果和病理特征應用大數據技術進行相應的個性化運動處方推薦，從而能更好地服務于用戶的體育鍛煉［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傳感器遠程評估自身的平衡性、靈活性和肌肉力量，并通過深度學習算法自動生成個性化體育鍛煉計劃［136］。有研究表明，公務員每日久坐時間長達8.2 h，且公務員總人數中的慢性病患者占較大比例［137］。為了解決這一問題，有學者應用“AI+大數據”構建了公務員智能運動處方系統。該系統以智能數據庫為基礎，以智能算法驅動模型為支撐，應用大數據技術實現了智能化提供運動處方的在線服務［138］，能根據個體生理狀況自動設計“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慣，增強其健身意識。

綜上所述，在公共健康政策制定和健身設備設計時應考慮人工智能技術應用的綜合集成、標準制定、設備準入等方面的問題，以提高全民健身的科學化、智能化及個體化水平，完善主動健康模式。

6? ?當前體育人工智能應用中存在的挑戰及未來的應用與研究方向

本文從計算機視覺技術、智能可穿戴設備、大數據技術等人工智能關鍵技術在競技體育、全民健身及學校體育領域的應用現狀進行了綜述。上述這些人工智能技術在體育領域的應用還面臨著一些挑戰，未來會出現以下一些研究方向。

1）計算機視覺技術在競技體育領域的廣泛應用大大提高了訓練監控和體育比賽技戰術分析的效率，但是仍有許多挑戰。例如：攝像機的拍攝視角較小，不能覆蓋整個比賽場地區域；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，其效率無法滿足現代職業體育賽事的賽制要求。

2）在學校體育和全民健身領域，基于計算機視覺技術的人工視頻分析技術雖然能夠全面地監測學生或體育鍛煉愛好者的動作質量，但是需要架設多臺攝錄設備，并且要有專人負責處理圖像和數據，而且攝錄時易受遮擋，從而會導致監測誤差。同時，目前也缺乏基于大量的視頻數據集形成的訓練機器學習模型。

3）體育人工智能技術的未來應用方向應是將計算機視覺技術與智能可穿戴設備進行融合，實現優勢互補。例如，如果智能可穿戴設備采集到的數據只來自目標運動者，那么就可以通過與計算機視覺技術的結合有效地避免其他運動者或物體對動作識別過程產生的影響。而基于深度學習算法的無標記動作捕捉系統在不同條件下（光照強度、距離遠近、環境因素等）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。

4）對于智能可穿戴設備，多數由官方舉辦的大型體育賽事仍然禁止運動員使用。在學校體育和全民健身領域，智能可穿戴設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確地采集人體生理數據及無法準確評估健康狀況的困境。因此，在未來，學界亟需研制微型化、集成化及智能化的便捷式可穿戴設備（例如纖維類可穿戴測試裝備）。此外，應以安全性、準確性、穩定性、便攜性、可視化、實時反饋為研發標準，應用多源信息融合技術創新算法，強化訓練深度學習模型。同時，還需促進計算機視覺技術與可穿戴設備的結合，實現對運動過程中的多參數的聯合采集。

5）不論是在競技體育領域，還是在學校體育和全民健身領域，運動數據資源均十分豐富，但是數據之間的融合依舊不足，數據孤島的問題普遍存在，即數據碎片化嚴重、數據缺乏統一的標準化格式。因此，學界應以更加新穎的方法分析數據，并構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、監測學生的體質健康水平及預防居民健身過程中的運動損傷。

總之，在當今的競技體育、學校體育及全民健身領域，教練員、體育教師、社會體育指導員、康復理療師、體育科研人員及相關從業者必須共同發力，始終秉持科學理念和應用多學科交叉融合理論，以構建更加多維度和深層次的數據集，使用云服務器及邊緣服務器進行計算，以避免因數據堆積導致的存儲空間不足。與此同時，要應用大數據技術對運動數據進行挖掘，進一步闡明運動訓練中的內在規律，以促進各種體育場景下的大數據在體能、運動技術、運動疲勞、運動營養、傷病防護、運動表現等分析方面的充分應用。

參考文獻：

［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. 構筑人工智能先發優勢 把握新一輪科技革命戰略主動——國家科技部副部長王志剛訪談［J］. 寧波經濟（財經視點）， 2017（12）： 3-5.

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

［4］? 國家體育總局政策法規司負責人解讀《“十四五”體育發展規劃》［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展歷程、現狀與展望［J］. 體育科技文獻通報，2022，30（9）：199-202.

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

［7］? 戴瓊海. 人工智能教育：通識與專業［J］. 清華大學教育研究，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. 卷積神經網絡研究綜述［J］. 計算機學報，2017，40（6）： 1229-1251.

［12］? 孫志軍，薛磊，許陽明，等. 深度學習研究綜述［J］. 計算機應用研究，2012，29（8）：2806-2810.

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

［14］? 李紅霞. 人工智能的發展綜述［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展的價值邏輯、現實困境與優化路徑［J］. 上海體育學院學報，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］. 計算機學報，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］? 視頻和數據分析可提升性能［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據的人體動作識別方法的研究［D］. 北京：中國科學技術大學， 2013.

［45］? 李曉丹，肖明，曾莉. 人體動作捕捉技術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”跳水輔助訓練系統亮相［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賽引入VAR技術的實證研究［D］. 武漢：武漢體育學院，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. 競技運動訓練發展的主要趨勢——科學化［J］. 中國體育教練員， 2022， 30（2）： 4-6.

［64］? 路來冰， 李小龍. 人工智能技術在國際體育運動領域的聚類與演化［J］. 山東體育學院學報，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. 科學訓練輔助：柔性可穿戴傳感器運動監測應用［J］. 中國科學：信息科學，2022，52（1）： 54-74.

［69］? 李海鵬，陳小平，何衛，等. 科技助力競技體育：運動訓練中可穿戴設備的應用與發展［J］. 成都體育學院學報，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練信息融合分析系統的研發與應用［J］. 北京體育大學學報， 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. 改進的自適應神經模糊推理系統的角度傳感器誤差補償方法［J］. 控制理論與應用，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］? 藍開輝. 基于人工智能技術的高校體育智慧系統研究［J］. 西安文理學院學報（自然科學版）， 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，2018.

［92］? 龔渝順. 穿戴式抗運動干擾血氧飽和度監測技術研究［D］. 重慶：第三軍醫大學， 2012.

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

［103］? 楊強，孟松鶴，仲政，等. 力學研究中“大數據”的啟示、應用與挑戰［J］. 力學進展，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. 走向大數據時代的運動訓練科學研究［J］. 首都體育學院學報，2015，27（6）：541-545.

［109］? 劉智慧，張泉靈. 大數據技術研究綜述［J］. 浙江大學學報（工學版）， 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］. 計算機學報，2005（8）：1287-1294.

［111］? 杜長亮，李少丹. 復雜性科學視野下運動訓練理論［J］. 北京體育大學學報，2009，32（7）：141-144.

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

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

［114］? 閆琪，廖婷，張雨佳. 數字化體能訓練的理念、進展與實踐［J］. 體育科學，2018，38（11）：3-16.

［115］? 袁守龍. 體能訓練發展趨勢和數字化智能化轉型［J］. 體育學研究，2018，1（2）：77-85.

［116］? 仇乃民，李少丹. 復雜性思維視域中的運動訓練科學研究：反思與重構［J］. 天津體育學院學報，2013，28（6）： 513-518.

［117］? 鐘亞平，吳彰忠，陳小平. 數據驅動精準訓練：理論內涵、實現框架與推進路徑［J］. 體育科學，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. 數字孿生技術在中小學體育教育教學中的應用思考［J］. 體育教學，2022，42（1）：35-37.

［131］? 國務院辦公廳關于印發體育強國建設綱要的通知［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，路明月，張君，等. 運動促進健康：個性化精準解決方案［J］. 北京體育大學學報，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.