《Frontiers in Psychology》：The prototype description of a smartphone application ‘Maturo’: applying artificial intelligent technology to monitor the growth and maturation of youth
编辑推荐：
摘要
引言：生长发育与成熟（GAM）监测在青少年体育和医疗保健中至关重要，尤其对于人才识别、训练处方和损伤风险管理。移动技术的最新进展使得人工智能（AI）（包括计算机视觉（CV）和机器学习（ML））能够集成到广泛可用的个人设备中。然而，实用且可扩展的GAM
摘要
引言：生长发育与成熟（GAM）监测在青少年体育和医疗保健中至关重要，尤其对于人才识别、训练处方和损伤风险管理。移动技术的最新进展使得人工智能（AI）（包括计算机视觉（CV）和机器学习（ML））能够集成到广泛可用的个人设备中。然而，实用且可扩展的GAM监测工具仍然有限。方法：研究人员使用Dart编程语言开发了一款智能手机应用程序Maturo。该应用程序集成了自动化数据处理、基于AI的分析功能和纵向生长追踪。开发过程包括用户和专家咨询委员会咨询、系统架构设计、数据安全和隐私保护措施的实施、界面原型设计以及将科学模型转化为功能性移动平台。结果：Maturo使用户能够通过智能手机（运动员、家长、教练和医疗专业人员常用的设备）监测GAM。该应用程序支持自动化成熟度相关计算、纵向数据可视化和结构化报告。AI驱动处理的集成促进了可扩展且用户友好的监测，无需高级技术专业知识。讨论：本研究是应用AI技术进行青少年GAM监测的更广泛项目的第一个阶段。Maturo的开发证明了将生长发育与成熟科学转化为体育和健康环境中可访问的数字解决方案的可行性。未来的验证和实际实施研究需要评估其准确性、可用性和影响。
论文解读文章
研究背景与现存问题：青少年生长发育与成熟（GAM）监测在体育和医疗保健领域具有核心作用，特别是在运动员人才识别、训练处方制定和损伤风险管理中。然而，传统评估方法存在显著局限：放射学方法（如骨骼年龄评估）成本高昂（每次X光扫描约100–500美元），且需要专业放射科医师操作；性成熟度评估（如Tanner分期）具有主观性，依赖自报信息，并涉及隐私问题；超声技术虽为非侵入性，但仍受骨发育速率差异和分期识别错误的影响。这些方法的高成本、侵入性或可及性不足，限制了其在基层体育环境和大规模人群中的持续应用。近年来，人工智能（AI）技术（包括计算机视觉（CV）和机器学习（ML））在移动设备中的集成提供了新的可能，但缺乏实用且可扩展的GAM监测工具。因此，研究人员致力于开发一款基于AI技术的智能手机应用程序，以低成本、非侵入性的方式实现青少年GAM的自动化监测与纵向追踪。本研究作为更广泛项目的第一阶段，旨在描述Maturo应用程序的原型设计、功能实现和初步验证，其论文发表在《Frontiers in Psychology》。
研究人员开展的研究与结论：研究人员使用Dart编程语言开发了名为Maturo的智能手机应用程序，集成了自动化数据处理、AI分析功能（包括基于YOLO v7算法的CV和DL模型）和纵向生长追踪。通过对144名10–17岁青少年运动员（76名男性，68名女性）的评估，将Maturo的自动化分析结果与专家传统方法（包括体重、身高、坐高测量及基于预测方程的成熟度偏移计算）进行比较。结果显示，Maturo在峰值生长速度（PHV speed）方面具有极高的可靠性（ICC>0.9），在成熟度分类（青春期前、青春期、青春期后）中与专家方法的一致性达138/144（95.8%），且数据输入时间仅需3–7秒，结果实时呈现，显著优于专家方法（5–10分钟输入，一周延迟）。然而，峰值生长年龄（PHV age）的ICC为0.673（中等可靠性），提示需进一步优化。研究结论：Maturo应用程序展示了将计算机视觉和人体测量预测模型整合为实用工具的可行性，为青少年体育和健康领域提供了低成本、用户友好的GAM监测替代方案。
关键技术与方法（不超过250字）：Maturo基于Dart编程语言开发，运行于Android平台。核心技术包括：YOLO v7算法（基于全连接神经网络F-CNN）用于图像中站立身高、坐高和肢体比例等关键生长标志物的目标检测与特征提取；卷积神经网络（CNN）用于处理提取特征并基于Khamis-Roche方法估算生物学年龄。所有数据处理和存储均在设备本地进行，无需云服务器，确保数据安全与实时反馈。模型使用1,775张手工标注的青少年运动员图像进行微调，并采用迁移学习以增强对不同人群的适应性。样本队列来源为葡萄牙Vila Real当地体育俱乐部和学校体育项目招募的144名健康青少年运动员（10–17岁），排除近期肌肉骨骼损伤、慢性疾病和不完整人体测量记录者。
研究结果（保留每个小标题）
2.4 The applying of Maturo
2.4.1 Comparison procedure of expert method and Maturo：研究人员在同一时间对144名青少年运动员进行专家传统评估（3名操作者测量体重、站立身高和坐高，并手动分析计算成熟度偏移和预测成人身高）与Maturo自动化评估（通过智能手机拍摄站姿和坐姿照片，自动识别并处理人体测量数据）。Maturo显著缩短数据采集时间（3–7秒 vs. 5–10分钟）和结果呈现时间（实时 vs. 一周延迟）。
2.4.2 Comparison procedure of expert method and Maturo（原文标题重复，实际为结果比较）：通过组内相关系数（ICC）和测量技术误差（TEM）分析，Maturo在PHV速度方面表现出极佳一致性（ICC=0.946，95%CI: 0.910–0.962），平均差异为-0.09；PHV年龄的ICC为0.673（95%CI: 0.556–0.777），呈中等可靠性。交叉列联表显示，在144名运动员中，138名（95.8%）的成熟度分期（青春期前、青春期、青春期后）在两种方法间一致，仅3名青春期运动员被Maturo误分类为青春期前。
3 Technological overview：Maturo采用Material Design原则设计用户界面，简化导航和交互。底层技术整合YOLO v7算法进行图像预处理（降噪、归一化、分割）和生长标志物检测，随后通过CNN提取特征并估算生物学年龄和生长轨迹。所有处理本地化运行，支持实时反馈和数据隐私保护。
总结讨论与翻译结论部分：讨论部分指出，Maturo通过AI技术（CV和ML）实现了非侵入性、低成本的GAM监测，克服了传统方法的成本障碍和隐私问题，尤其适用于资源有限的基层体育和社区环境。该应用程序的理论基础包括Mirwald等（2002）的成熟度偏移模型和长期运动员发展（LTAD）框架，强调训练与生物学成熟度对齐。初步验证显示了系统可行性，但PHV年龄的中等可靠性表明需进一步改进算法。研究局限性包括：样本量较小、缺乏临床专业人员参与、模型为单中心开发且未进行跨文化验证。未来需要进行多站点测试、长期纵向追踪和实际场景中可用性评估。
结论翻译：Maturo应用程序能够自动监测关键身体特征，包括生物学年龄、生长时机和峰值生长速度。作为早期原型，当前版本展示了将计算机视觉技术和人体测量预测模型整合为用于青少年体育和健康领域的实用工具的可行性。虽然初步结果表明Maturo可能提供低成本且用户友好的传统评估方法替代方案，但其在资源匮乏或有限地区的潜在适用性仍属假设，因为本研究未直接评估此类场景。因此，需要进一步研究，包括多站点测试、跨文化验证和长期实际部署研究，以确定该应用程序的有效性、可用性和更广泛的可及性。
