综述:体育科学中的人工智能:模型和方法的系统性综述

《Sports Orthopaedics and Traumatology》:Artificial intelligence in sport sciences: A systematic review of models and methods

【字体: 大 中 小 】 时间:2026年01月13日 来源:Sports Orthopaedics and Traumatology CS0.6

编辑推荐:

  AI在体育科学中的应用及挑战。系统综述25项研究(2019-2024),发现CNN、GCN等算法有效用于性能分析、受伤预测。优化算法如HBA提升精度,模糊系统支持决策。但存在数据标准化不足、样本量小、外部验证缺乏等问题。

  
作者:Drishti Guatam、Pardip Saini、Ameen Ul Haq、Sumit Kumar Yadav、Avishek Singh、Ravinder Kumar、Vikram Singh、T. Onima Reddy
印度巴纳拉斯印度教大学体育教育系

摘要

背景

人工智能(AI)正越来越多地被整合到体育科学中,以支持表现优化、伤害预防、技能评估和教练策略。

目的

本系统评价旨在探索、分类和评估应用于体育科学中的AI方法论框架,特别关注表现分析、伤害预测、技能评估和决策支持。

方法

该评价遵循PRISMA 2020指南进行,采用PICO框架进行结构化,并在PROSPERO(CRD42021235527)中注册。共纳入了2019年至2024年间发表的25篇经过同行评审的全文研究。

结果

卷积神经网络(CNN)和混合深度学习模型是最常用于实时表现监控和生物力学分析的方法。图卷积网络(GCN)和时空图卷积网络(ST-GCN)能够有效模拟骨骼随时间的变化。经过优化的模型,如Honey Badger算法(HBA)和人工蜂鸟优化算法(AHO),显著提高了预测准确性。模糊推理系统和聚类技术被用于技能分类和决策支持。姿态估计工具能够在训练和康复环境中准确评估姿势和动作形式。

结论

体育科学中的AI方法正在快速发展,深度学习和混合方法为表现评估、技能评估和伤害预防提供了强大的工具。未来的研究应强调数据集标准化、外部验证以及与临床和教练实践的无缝整合。

引言

近年来,人工智能(AI)在各个领域取得了显著进展,包括体育表现分析。机器学习、计算机视觉和数据分析等AI技术的整合改变了运动员的训练、表现和恢复方式[2]。体育组织、教练和运动员越来越依赖AI驱动的工具来提高表现、优化训练计划和预防伤害。AI在体育表现中的应用带来了许多好处,从个性化训练计划到实时表现反馈,从而实现了以前无法实现的数据驱动决策[12]。 体育行业在2018年至2024年间迅速采用了基于AI的系统,因为AI算法和传感器技术的进步使得表现评估更加准确和高效。这些创新在高性能体育项目中尤为宝贵,因为在技术、策略和恢复方面的微小改进都能产生显著影响[13]。尽管AI在体育表现中的应用已在多个领域进行了探索,包括伤害预防、生物力学和战术分析,但仍需要全面了解该领域的整体影响和趋势[21]。 本系统评价评估了近期在体育科学中的人工智能和机器学习应用。具体目标包括:(a) 识别在表现分析、伤害预防、康复和技能评估等领域的常用AI/ML算法;(b) 评估这些模型的有效性和准确性;(c) 比较所使用的数据集、软件和验证方法;(d) 突出AI在体育训练和运动员监测中的当前趋势、局限性和未来发展方向。

方法

本评价于2024年9月9日在PROSPERO(CRD42021235527)中前瞻性注册。它遵循PRISMA 2020指南,确保报告的严谨性和透明度。研究问题和数据提取采用PICO框架进行结构化,以确保方法论的精确性。

AI算法和研究应用概述

本系统评价包括了25项应用人工智能(AI)和机器学习(ML)模型于体育科学的研究,主要应用于表现优化、伤害预测、康复、技能评估、生物力学分析、健康监测和决策支持。如图1所示,这些研究是从2,615条初始记录中筛选出来的。常用的算法包括用于运动和图像分析的卷积神经网络(CNN);支持向量机(SVM)等。

讨论

本系统评价的结果表明,人工智能和机器学习模型已在体育科学的关键领域得到有效应用,包括表现优化、伤害预测、康复、技能评估、健康监测和决策支持。这些技术在提高运动表现、降低伤害风险、改善恢复方案和提升训练效率方面展现了巨大潜力[1]、[3]、[4]、[6]、[7]。

局限性和未来研究

当前体育科学中AI应用的一个主要局限性是传感器放置、数据采集、评估指标和训练方案缺乏标准化,这限制了模型在不同体育场景下的可比性和泛化能力[1]、[3]、[15]、[19]、[22]、[26]。其他限制因素包括样本量小、外部验证有限以及过度依赖监督学习。关于数据隐私、公平性和算法偏见的伦理问题仍需进一步探讨。

结论

本系统评价表明,AI和ML模型在体育科学应用方面取得了显著进展,特别是在表现优化、伤害预测、康复、技能评估和健康监测以及决策支持方面。通过CNN、GCN、SVM和RF等模型实现的高准确率凸显了它们在提升运动表现和预防伤害方面的潜力。然而,仍存在标准化不足、外部验证有限等挑战。

致谢

我们非常感谢学院中央图书馆提供的丰富电子资源和访问权限,这极大地促进了本研究的工作。

利益冲突

作者声明没有利益冲突。

CRediT作者声明

Ravinder Kumar:概念化、方法论、形式分析、调查、撰写——初稿、数据整理、可视化、项目管理、通讯作者。 Drishti Gautam:方法论、文献综述、撰写——审阅与编辑、验证、数据整理。 Pardip Saini:软件、形式分析、资源管理、撰写——审阅与编辑。 Ameen Ul Haq:数据提取、可视化、撰写——审阅与编辑。 Sumit Kumar Yadav:验证、调查、软件支持。

数据可用性

无/不适用(本手稿未报告数据生成或分析内容)。

资助

本研究未获得政府或私人机构的任何特定资助。所有文章处理费用(APC)及相关成本将由作者个人承担。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号