综述：人工智能与机器学习在运动科学中的应用、成果及未来方向的系统文献综述

这篇系统综述深入探讨了人工智能（AI）和机器学习（ML）在运动科学中的变革性作用，涵盖性能分析（如CNN/LSTM在动作追踪中达96±1.5%准确率）、损伤预防及康复应用，同时指出算法不透明性、样本同质性和缺乏标准化（如仅25%研究测试户外场景）等关键挑战，为未来研究提供了技术部署与临床转化的明确方向。

　　

Abstract

Background
人工智能（AI）与机器学习（ML）正通过精准性能分析、损伤预防和康复干预重塑运动科学领域。然而，协议不一致性、标准化缺失及实际部署障碍限制了其现实应用价值。

Methodology
本综述遵循PRISMA指南（PROSPERO注册号CRD42021235527），系统检索2018-2024年Scopus、PubMed和Web of Science的文献，采用PICO框架筛选研究，并通过AMSTAR-2评估方法学质量。

Results
纳入40项研究中，卷积神经网络（CNN）（n=18；准确率96±1.5%）和长短期记忆网络（LSTM）（n=10；92±2%）在动作追踪与步态分析中表现最优；支持向量机（SVM）（n=17；81±3%）与随机森林（RF）（n=16；80±2.8%）则广泛用于肌电图（EMG）、全球定位系统（GPS）及负荷分析。实时反馈系统（n=18）延迟低于100ms，但75%研究仅在受控环境验证。可穿戴传感器（如惯性测量单元IMU、陀螺仪）在34项研究中应用，以下肢佩戴为主。受试者平均42±28人，存在年轻健康男性的样本偏差。核心局限包括算法黑箱、小规模同质样本、传感器配置不一致及临床整合不足。

Conclusion
AI/ML在生物力学监测、损伤风险预警和训练调整中展现高精度与实时性，但技术瓶颈（如户外部署不足）、人群单一性和解释性欠缺阻碍规模化应用。未来需聚焦多样化人群、统一传感器协议、增强模型可解释性，并推动真实运动场景验证，以弥合算法性能与实际效用的鸿沟。

Trial registration
CRD42021235527

Background

AI/ML技术通过处理多维运动数据（如加速度、角速度）为运动员提供个性化洞察，但现有研究多局限于实验室环境，且缺乏跨研究可比性。

Methodology

检索策略覆盖三大数据库，采用PICO（人群-干预-对照-结局）框架确保研究相关性，AMSTAR-2评分揭示多数研究存在中等偏倚风险。

Results

算法性能
CNN在3D动作重建中表现突出（误差<2°），而LSTM擅长时序模式预测（如跑步损伤风险）。
硬件应用
IMU采样率普遍达100Hz，但不同研究间放置位置（如髌骨vs胫骨）导致数据异构性。
人群局限
仅3项研究涉及女性运动员，且无老年或伤残人群数据，制约泛化能力。

Conclusion

突破需产学研协同：开发轻量化边缘计算设备、建立开放数据集（如包含环境变量标签）、引入可解释AI（XAI）工具（如SHAP值）辅助临床决策。