综述：阻力训练中的运动分类：技术方法的系统评价

这篇综述系统评价了现代传感器技术在阻力训练运动分类中的应用，总结了惯性测量单元(IMU)、加速度计等技术的方法学差异及预测性能（准确率>90%），强调腕戴式IMU的优越性，并指出标准化分类问题对推动领域发展的重要性。

　　

引言

现代传感器技术为客观追踪阻力训练提供了可能，但不同技术对运动分类的准确性差异显著。随着商业设备普遍宣称能识别运动类型和训练量，对现有证据进行系统整合至关重要。本综述旨在：（1）总结阻力训练运动预测的方法学；（2）比较不同技术和预测模型的性能。

方法学

通过PRISMA指南对四大学术数据库进行系统检索，纳入44项研究（含49个模型），使用CHARMS工具提取数据，PROBAST工具评估偏倚风险。重点关注技术类型（如IMU、EMG）、传感器位置（腕部、踝部等）、算法（CNN、SVM）及分类准确性。

技术性能比较

惯性测量单元(IMU)

• 优势：24项研究采用IMU，采样率10-512 Hz，结合加速度计、陀螺仪和磁力计数据时性能最佳（准确率95%-99%）。

• 传感器布局：单腕戴IMU对下肢运动分类仍表现优异（如深蹲准确率98.7%），而多传感器（如上肢+下肢）仅边际提升精度。

• 案例：Wu等通过LSTM算法对二头弯举和肩推分类达98.96%，而相似动作（如杠铃与哑铃卧推）易混淆（准确率下降至78.4%）。

加速度计

• 6项研究显示，单设备（腕或胸戴）对自由重量训练分类更优（准确率87.9%），但纳入机器训练（如腿举）时性能下降至82%。

• 动态时间规整(DTW)和余弦相似性算法表现突出。

其他技术

• 肌电图(EMG)和智能材料准确率约90%，但需接触皮肤；

• 外部设备（如RFID标签）虽达95%精度，但仅支持有限动作（<12种）。

关键影响因素

1. 分类问题复杂性：动作数量增加（如从3种至30种）或相似动作（如肩内旋vs外旋）显著降低模型表现。

2. 数据采集标准化：明确动作定义（如运动范围、平面）可提升可重复性。

3. 算法选择：CNN和随机森林(RF)常用，但性能受特征工程影响大于算法本身。

局限与建议

• 商业化缺口：仅6项研究验证消费级设备，多数未公开代码或模型细节。

• 未来方向：提出三阶段评估框架（试点→通用→定制），强调需纳入更多相似动作和休息间隔以增强实用性。

结论

腕戴IMU是当前阻力训练分类的最优解，但需警惕未经验证的商业产品。标准化动作库和跨技术比较将加速精准监控工具的落地，助力运动科学和康复医学发展。

（注：全文严格基于原文数据，未添加非文献支持内容；专业术语如IMU、EMG等均按原文格式保留大小写及缩写。）