综述：人工智能在生物力学中的应用：诊断与物理康复当前进展的叙述性综述

《Physiotherapy Research International》：Artificial Intelligence in Biomechanics: A Narrative Review of Current Applications in Diagnostic and Physical Rehabilitation

这篇综述系统阐述了人工智能（AI）技术在人体运动分析、损伤预防、康复治疗、运动表现及假肢控制等生物力学领域的创新应用。文章重点介绍了机器学习（ML）、深度学习（DL）和计算机视觉（CV）等关键技术如何驱动从可穿戴传感器、视频等多模态数据中实现自动化、精准且实时的生物力学分析，并展望了在无标记运动捕捉、个性化康复及沉浸式虚拟训练环境等方向的未来发展。

　　

摘要

人工智能（AI）已经对包括生物力学在内的众多科学与临床学科产生了深远影响。本篇综述重点阐述了AI如何应用于人体运动、损伤预防、康复治疗、运动表现以及假肢控制等领域。关键的AI方法，例如机器学习（ML）、深度学习以及计算机视觉（CV），促进了从可穿戴传感器、视频等多种模态获取的复杂生物力学数据的自动化、精准化和实时化分析。这些技术进步已将生物力学评估的应用范围拓展至传统实验室环境之外，推动了无标记运动捕捉、个性化康复以及沉浸式虚拟训练环境等方向的发展。尽管取得了诸多进展，但在模型的泛化能力、预测结果的解释、数据隐私以及伦理问题方面仍存在挑战。未来的关键步骤需要实现软件与数据集的标准化，开发用于AI驱动生物力学的可解释人工智能（XAI）策略，并通过跨学科合作来确保AI驱动生物力学的承诺得以实现，同时保证其应用的负责任与公平性。

当前应用领域

AI在生物力学中的应用正呈现出多元化趋势。在诊断方面，基于计算机视觉的技术使得无标记运动捕捉成为现实，仅通过普通摄像头视频即可进行步态和运动分析，这极大地降低了技术门槛和设备要求。在物理康复领域，机器学习算法能够处理来自惯性测量单元（IMU）、表面肌电图（sEMG）等可穿戴传感器采集的时序数据，从而对患者的康复进度进行客观量化评估，并为个性化康复方案的制定提供数据支持。对于假肢控制，深度学习模型能够解码用户的运动意图，实现更自然、更灵巧的假肢操控体验。

关键技术方法

推动这些应用的核心是多种AI方法。机器学习（ML）擅长从数据中发现模式并进行预测，例如根据运动学数据识别异常步态或预测损伤风险。深度学习（DL），作为ML的一个子集，尤其擅长处理高维、非结构化的数据，如在视频流中实时追踪人体关键点，或在肌电信号中识别复杂的运动模式。计算机视觉（CV）则赋予计算机“看”和理解图像与视频的能力，是无标记运动分析的基石。这些技术共同作用，使得对复杂生物力学系统的深入分析变得前所未有的高效和便捷。

挑战与未来展望

尽管前景广阔，AI在生物力学中的应用仍面临若干瓶颈。首先，模型的泛化能力是一个关键问题，在一个特定群体或环境下训练的模型，可能难以直接推广到其他群体或场景。其次，许多高性能的AI模型（尤其是深度学习）如同“黑箱”，其预测逻辑难以解释，这在要求高可信度的临床决策中是一个重大障碍，因此可解释人工智能（XAI）的发展至关重要。此外，生物力学数据常涉及个人隐私，其采集、存储和使用必须符合伦理规范并确保安全。未来的发展有赖于标准化数据集和算法的建立、跨学科团队（包括生物力学专家、临床医生、计算机科学家等）的紧密协作，以及确保技术应用公平、公正的框架制定。