人工智能驱动智能手机应用测量反向跳跃高度的可靠性与有效性研究：与测力台、红外光学计时及人工视频分析的对比

【编辑推荐】来自多学科团队的研究人员针对运动科学领域CMJ（Countermovement Jump）高度测量难题，开发了一款30 fps AI智能手机应用，通过与测力台（impulse-momentum）、红外系统（flight time）和240 fps高速视频分析对比验证。结果显示：AI应用虽存在3.2 cm系统性低估，但具备临床可接受的可靠性（ICC≈0.91），为运动表现评估提供了高性价比的便携解决方案。

　　

这项研究对人工智能(AI)驱动的智能手机应用进行了严谨验证，该应用通过30帧/秒(fps)的边界框位移算法估算反向跳跃(CMJ)高度。研究团队招募80名男性运动员，采用金标准测力台（通过冲量-动量法计算）、红外计时系统（基于腾空时间）和240 fps高速视频人工分析作为参照。

数据表明：传统方法的组间可靠性堪称典范——组内相关系数(ICC)≥0.96，变异系数(CV)<4%，而AI应用虽达到临床可接受标准（ICC≈0.90），但存在更显著波动（CV≈7%）。与测力台对比时，AI估值呈现有趣的-3.2 cm系统性偏差，并伴随比例偏差和较宽的95%一致性界限。

值得注意的是，这款突破性应用的测量误差主要源于两个技术特征：30 fps的帧率限制（相比视频分析的240 fps）以及创新的边界框位移算法。这些发现为运动科学家提供了重要启示——在实验室级精度和现场便捷性之间需要权衡取舍，特别是在运动员日常监测或大众健身场景中，这种牺牲部分精度换取普及性的技术路线或许更具实践价值。