体育和康复领域中的人类数字孪生技术：一项系统评价

《Behaviour & Information Technology》：Human digital twins in sports and rehabilitation: a systematic review

　　**摘要**
数字孪生技术正在逐渐改变人类与体育和康复领域中身体复杂表征的互动方式，然而在这些领域中，人类数字孪生的设计、使用和评估仍然存在碎片化现象，并且从人机交互的角度来看，其特性还不够明确。本研究旨在系统地回顾相关文献，分析人类数字孪生在这些领域的设计、实施和评估方法。根据PRISMA 2020协议，我们分析了32篇论文，涵盖了应用领域、系统目标、技术、交互模式、用户参与度以及人工智能的作用。研究结果显示，以康复为导向的应用较为普遍，而与体育相关的研究则相对较少。可穿戴传感器、惯性测量单元和视觉系统是最常用的技术，大多数界面依赖于专家导向的仪表板。用户参与度较低，仅有两项研究报道了用户在设计过程中的参与情况，而且大多数评估的参与者数量少于20人。32项研究中有23项（占72%）使用了人工智能技术，但这些技术的应用往往描述得较为简略。研究结果指出了在参与式设计实践、交互多样性以及方法论成熟度方面的显著差距，表明需要在体育和康复领域开发更以用户为中心、透明且稳健的数字孪生技术。

**关键词**：人类数字孪生；数字孪生；体育；康复；物联网

**1. 引言**
人类数字孪生（HDTs）是一种具有前景的技术，主要应用于工业和医疗保健领域。此外，它们在其他领域也有潜力，例如通过技术手段提高地理隔离条件下的人际交流质量（Li, Kocaballi, and Garcia, 2025）。然而，本文重点关注的是数字孪生在体育和康复领域的应用，这两个领域的技术创新直接影响表现、恢复和福祉。在这些领域，人们对能够提供持续监测、个性化反馈和个体状况预测分析方法的需求日益增长。数字孪生通过整合多模态数据实现实时模拟，并支持适应性决策制定，从而满足这些需求。它们的潜在应用包括个性化康复策略、临床医生和治疗师的进度监测，以及针对运动员的训练优化，尤其侧重于 injury 预防和表现提升。关于数字和元人类化身的研究显示，用户的接受程度受到熟悉度、满意度和拟人化程度的共同影响（Bae et al., 2025）。尽管如此，目前对于数字孪生在体育和康复中应用方式的理解仍然碎片化，方法论基础和设计标准缺乏一致性。本综述采用了PRISMA 2020框架（Page et al., 2021）作为评估标准。我们确定的科研问题旨在突出数字孪生在体育和康复领域中的主要发展维度，不仅包括测量技术和人工智能方法等技术方面，还涵盖了功能目标、交互模式以及用户参与程度。研究发现，2019年至2024年间共有32篇相关出版物，表明该领域的研究仍处于相对较新的发展阶段。大多数研究聚焦于康复领域，其中数字孪生用于监测、模拟、个性化治疗和恢复评估；而体育领域的研究较少，主要关注训练个性化、伤害预防和表现提升。监测是最常见的应用动机，通常与模拟结合使用；其他目标如远程医疗、推荐和通信则较少见。所采用的技术具有多样性，从惯性测量单元和视觉系统到可穿戴设备和机器人装置都有应用，这反映了该领域的多学科特性，但也表明存在标准化不足的问题。界面大多是基于图形用户界面的专家专用仪表板，对其他交互模式的探索较少。用户参与度较低，只有少数研究让最终用户参与设计，且大多数评估的样本量较小。人工智能的应用并不普遍，经常仅被提及为未来研究方向；即使有所应用，其作用也未得到系统性的描述。正如Freire等人（2025）指出的，在以用户为中心的背景下部署人工智能驱动的系统时，需要特别注意组织动态、用户能动性和伦理问题。从更广泛的角度来看，这些议题符合以用户为中心的人工智能（HCAI）原则，即倡导可靠、安全、值得信赖且符合人类价值观的人工智能系统（Shneiderman, 2022）。从这个角度来看，数字孪生中的人工智能组件不仅应优化性能或预测准确性，还应支持用户能动性、透明度和负责任的决策制定。

**2. 相关工作**
自2010年以来，关于数字孪生的研究逐渐受到关注，已有多篇科学论文进行了综述。例如，Barricelli, Casiraghi, and Fogli（2019）对所有应用领域的数字孪生技术进行了全面梳理，收集了定义、特征和应用领域的信息；Barricelli and Fogli（2024）则重点关注可视化技术和用户参与度。Miller and Spatz（2022）研究了人类数字孪生的定义和潜在应用领域。Gámez Díaz等人（2020）调查了数字孪生技术的总体现状，并提出了“数字孪生教练”的概念。这些论文列出了数字孪生的主要特征，如灵活性、可审计性、自主性、可信度、交互性、安全性、隐私性以及应用率等。Bagaria等人（2020）总结了健康与福祉领域的相关文献，提出了数字孪生的关键特征。Lauer-Schmaltz等人（2022）对治疗和康复领域的数字孪生技术进行了系统回顾，讨论了主要因素，包括法规和伦理考量、透明度和信任度、动态性和灵活性等。在我们的筛选过程中，还发现了几篇关于人类数字孪生的综述，尽管它们关注的主题有所不同。Lloyd等人（2023）研究了用于物理活动中预防损伤的新技术，强调通过评估肌肉、关节和肌腱的压力来进行建模；Powell, Stuart, and Godfrey（2021）关注接触性运动中的创伤事件及其检测方法；Harrison, Cohen, and Cleary（2023）的书籍章节介绍了全身建模技术，涵盖了多种运动捕捉方法和计算模型。Pizzolato等人（2019）探讨了实时神经肌肉骨骼模型在康复任务中的应用，包括肌肉刺激模式的优化、安全监测和增强反馈。Zhang等人（2023）回顾了用于步态分析的鞋垫技术，强调了不同技术的特点及其适用性。

**3. 方法论**
我们决定进行系统综述，以全面了解相关科学研究。遵循PRISMA 2020框架及其指南和流程图（Page et al., 2021），并对研究内容进行了分析。由于我们的研究属于计算机科学范畴，我们对原本为医学和临床研究设计的PRISMA协议进行了调整，以更好地满足我们的研究需求。这意味着调整了PRISMA各项内容的呈现和讨论顺序，并仅选取与我们研究相关的内容。在原始PRISMA框架中，“Report”指代科学出版物，“Study”指代产生报告结果的研究；但在我们的综述中，每篇论文都对应一个独立的研究，因此我们统一使用“Report”一词。本研究的相关流程图见图1。

**4. 结果与讨论**
本研究分析了32篇2019至2024年间发表的相关论文，发现数字孪生在体育和康复领域的应用尚处于初期阶段。大多数研究集中在康复领域，用于监测、模拟、个性化治疗和恢复评估；而在体育领域的研究较少，主要关注训练个性化、伤害预防和表现提升。监测是最常见的应用动机，常与模拟结合使用；其他目标如远程医疗、推荐和通信则较少见。所采用的技术类型多样，涵盖了惯性测量单元、视觉系统、可穿戴设备和机器人装置等，反映了该领域的多学科特性，但也存在标准化不足的问题。界面主要以专家为导向的GUI仪表板为主，对其他交互模式的探索有限。用户参与度较低，仅有少数研究让最终用户参与设计，大多数评估的样本量较小。人工智能的应用不够一致，要么完全未提及，要么仅作为未来研究方向提及；即使有所应用，其作用也未得到系统描述。正如Freire等人（2025）指出的，在以用户为中心的背景下部署人工智能系统时，需要特别注意组织动态、用户能动性和伦理问题。从以用户为中心的人工智能（HCAI）原则来看，AI驱动的组件不仅应优化性能或预测准确性，还应支持用户能动性、透明度和负责任的决策制定。

**5. 结论**
总体而言，数字孪生技术在体育和康复领域的应用尚不完善，存在用户参与度不足、技术标准化和人工智能集成不够成熟的问题。未来有机会提高用户参与度、加强技术标准化和优化人工智能集成。本文结构如下：第2节回顾相关研究，第3节介绍研究方法，第4节展示分析结果，第5节对研究发现进行批判性讨论，第6节总结全文。

**参考文献**
（此处列出所有参考文献的详细列表）在Google Scholar中，使用“Publish or Perish”软件在整个文档中搜索关键词，结果可以导出为CSV格式。搜索策略有意集中在“数字孪生”这一术语上，以保持与本综述中采用的人类数字孪生定义的概念一致性。没有包括更广泛或相关的术语。虽然这一选择可能限制了检索到的研究总数，但它确保了搜索策略与研究问题的概念边界相一致。研究的时间范围是2018-2024年。这一决定基于Barricelli和Fogli（Citation2024）的研究，该研究表明，关于数字孪生的最相关出版物（包括那些与人机交互（HCI）相关的）出现在2018年之后。

3.3 论文选择
Scopus和Google Scholar搜索的结果被整理在一个共享的电子表格中，记录了每篇论文的标题、作者、年份、出版场所和DOI。最初检索到817篇论文。在识别阶段，有103篇论文因与其他论文重复而被排除。接下来，在筛选阶段，又有306篇论文因以下原因被排除：它们不符合EC1标准（39篇），是预印本论文（30篇，EC5），是被撤回的研究（5篇，EC6），不是用英语撰写的（18篇，EC7），是综述论文（117篇，EC4），或者不是科学论文（97篇，EC8）。随后，获取了剩余408篇论文的全文。在这一阶段，有13篇论文因无法下载全文而被排除。在筛选阶段的最后一步，三位作者独立审查了剩下的395篇论文，以确定它们是否满足纳入标准。通过讨论解决了任何分歧。每篇被排除论文的排除理由都被系统地记录在一个共享的电子表格中。排除决定以汇总形式报告，而详细筛选数据可应合理要求提供。

此时，有363篇论文因不相关而被丢弃，具体原因如下：328篇论文不关注体育和康复领域或没有涉及人类数字孪生（EC2），30篇论文是立场文件（EC3），5篇论文与其他论文重复。总共排除了682篇论文，剩下32篇论文被纳入系统评价。

图2显示了在考虑的时间范围内每年发表的论文数量，并指明了出版类型：期刊论文（18篇）、会议论文（12篇）或章节论文（2篇）。该图表总结了2019年至2024年按出版场所类型划分的年度论文数量。横轴列出了2019年、2020年、2021年、2022年、2023年和2024年，纵轴上的数字以2为步长显示论文数量。每个条形分为三个部分，分别代表章节论文、会议论文和期刊论文。2019年有一条条形表示1篇会议论文；2020年有2条条形表示2篇期刊论文；2021年有1条条形表示1篇会议论文和2篇期刊论文，共计3篇；2022年有1条条形表示1篇章节论文、1篇会议论文和2篇期刊论文，共计4篇；2023年有3条条形表示3篇会议论文和4篇期刊论文，共计7篇；2024年有1条条形表示1篇章节论文、6篇会议论文和8篇期刊论文，共计15篇。整个图表显示，年度论文总数从2019年的1篇增加到2024年的15篇，其中2023年至2024年的增长最为显著。

表2提供了纳入研究的论文完整列表，按作者姓名字母顺序排列，并列出了它们的出版场所。

4.4 数据提取
论文被分配给三位作者，他们分析了这些论文并将提取的数据记录在一个扩展的电子表格中。过程结束时，每位作者验证了其他作者的分析结果。任何分歧都通过讨论解决。从论文中提取的数据根据第3节列出的六个研究问题进行分类：应用领域、数字孪生的目标、用于测量的技术和工具、交互方式和可视化方法、用户参与度以及人工智能技术和模型。

4. 结果
在下文中，我们将展示对纳入综述的32篇论文的分析结果，以回答第3节中提出的六个研究问题。

4.1.1 RQ1：应用领域
这项研究探讨了人类数字孪生目前在体育和康复领域的应用情况。结果显示，以康复为导向的研究占多数，涉及体育相关应用的研究虽然较少但呈增长趋势。根据指导我们研究的总体问题，我们分析的论文都属于体育、康复或相关领域，在这些领域中，我们识别出几个关于数字孪生技术具体应用的共同主题。在纳入研究的32篇（63%）论文中，有20篇关注康复领域的问题，11篇（34%）关注体育领域的问题，而一篇论文（Andersen和Rasmussen，Citation2023）（3%）不属于上述两类，展现了数字孪生技术在各个领域的多功能性。该论文讨论了扩展传统计算机辅助工程（CAE）的需求，以模拟受感觉输入和决策影响而非纯物理现象的自主肌肉骨骼运动。扩展CAE以模拟这些运动的动机促使了该方法的开发，这一方法源于一个自行车设计项目，该项目需要考虑自行车的机械特性和骑手的自主肌肉动作。该论文介绍了一个适用于骨科、工业产品设计和职场人体工程学的模型。在体育领域，作者主张肌肉骨骼模型在优化运动员表现和减少多学科运动伤害风险方面的潜力。在康复领域，纳入的论文关注多个应用领域，从改进患者监测到个性化护理和实时健康管理。多项研究探讨了结合人类数字孪生与可穿戴传感器的协同仿真框架，以增强医疗服务（例如Tr?binger等人，Citation2021；Uhlenberg、Derungs和Amft，Citation2023）。物联网的应用扩展了这些技术的能力，实现了更有效的患者监测和数据收集（例如Alcaraz等人，Citation2019；Al Naime、Al-Anbuky和Mawston，Citation2022；Alsubai等人，Citation2023）。除了这些技术进步外，可穿戴设备和外骨骼也支持康复，特别是对于运动功能障碍者，展示了在中风恢复和其他运动相关残疾方面的显著潜力（例如Chen等人，Citation2023；Ha等人，Citation2023）。此外，从可穿戴运动传感器和注视交互技术中开发数字生物标志物为早期疾病检测和提高残疾人的可及性提供了创新解决方案（例如Derungs、Schuster-Amft和Amft，Citation2020；Hansen等人，Citation2023）。

在体育领域，数字孪生的应用包括表现监测和提升（例如Barberi等人，Citation2023；Luka?、Fister和Fister，Citation2022）、伤害预防和康复（例如Barricelli等人，Citation2020；Leal等人，Citation2023）以及训练和技能发展（例如Fister等人，Citation2021；Shi等人，Citation2021）。

下面将根据每篇论文的具体贡献对其所关注领域进行描述。

4.1.1 体育
在体育背景下开展的论文可以分为四类主要方法：数据驱动的教练和训练决策支持、通过运动捕捉和姿势重建进行的表现分析、交互式训练支持系统，以及伤害和脆弱性预测与预防。

关于数据驱动的教练和训练决策支持，大量体育相关文献专注于收集表现数据并在训练期间提供决策支持。Luka?、Fister和Fister（Citation2022）、Fister等人（Citation2021）、Boillet、Messonnier和Cohen（Citation2024）以及Raj?p和Fister Jr.（Citation2025）的工作中使用了数字孪生来监控训练环节并生成自适应或预测性建议。在这些研究中，系统通过分析生理和机械指标来支持训练计划、执行和评估。除了竞技训练场景外，X. Liu和Jiang（Citation2022）提出了一个数据收集和处理平台，以支持体育教育管理。该平台旨在帮助管理者和教育工作者全面且科学地理解和管理大学生的身体能力和训练情况。同样，Jiang等人（Citation2024）提出了一个基于智能运动服的交互系统，提供人体的3D可视化，而Barricelli等人（Citation2020）描述了一个以健身为导向的人类数字孪生，用于监测训练、睡眠和营养，以支持运动员和教练。专注于通过运动捕捉和姿势重建进行表现分析的论文强调了生物力学建模和姿势分析。例如，Barberi等人（Citation2023）引入了一种用于摩托车运动的快速3D姿势重建方法，利用数字模型进行表现监测。在Andersen和Rasmussen（Citation2023）的研究中，肌肉骨骼建模技术超越了传统计算机辅助工程，模拟受感觉输入和决策影响的自主运动，具有跨运动学科的应用潜力。这些贡献在人类数字孪生框架内优先考虑了生物力学逼真度和仿真准确性。

只有一篇研究探讨了用于技能发展和教学的交互式训练支持系统。在Shi等人（Citation2021）的研究中，将VR图像识别和数字孪生技术应用于节奏体操，以支持复杂动作的设计和排序。这些系统不仅限于监测，还提供了交互式学习环境，帮助教练和运动员提高表现。最后，一些作品明确针对伤害和脆弱性预测与预防。Leal等人（Citation2023）使用了无标记关节动作识别来预测关节加速度并降低伤害风险，而Alsubai等人（Citation2023）提出了一个预测系统，通过实时生理、环境和行为数据收集来评估运动员在训练期间的健康脆弱性。在这些情况下，人类数字孪生充当了预防和预测工具，而不仅仅是监测系统。

4.1.2 康复
与康复相关的论文可以分为六种主要方法：远程监测和远程康复、通过步态和运动分析进行评估和进展跟踪、基于机器人和外骨骼的康复、沉浸式康复系统、数字生物标志物和神经学监测，以及参与式和共同设计方法。多项研究通过连续监测和远程医疗范式将康复拓展到临床环境之外，实现了远程监测和远程康复（例如Al Naime、Al-Anbuky和Mawston，Citation2022）。Tr?binger等人（Citation2021）提出了一个双医生-患者孪生范式，用于远程检查和诊断。Kurata等人（Citation2024）描述了用于远程康复和远程健康指导的XR-AI平台。这些方法将人类数字孪生定位为分布式护理和实时数据交换的基础设施。同样，Uhlenberg、Derungs和Amft（Citation2023）提出了一个协同仿真框架，将人类数字孪生与可穿戴传感器数据结合，以支持持续健康监测和慢性病管理，将数字孪生定位为实时评估和个性化反馈的基础设施。一组论文关注通过步态和运动分析进行评估和进展跟踪。Alcaraz等人（Citation2019）使用基于IMU的数字孪生进行下肢运动学评估，而Simonetti等人（Citation2024）提出了一个用于中风后生物力学分析的可穿戴步态实验室。C. Liu等人（Citation2024）提出了一个基于双棘轮结构的自供电可穿戴膝关节监测系统，通过能量收集机制实现连续运动跟踪。Hepke等人（Citation2024）开发了基于家用3D姿势跟踪系统的远程锻炼监督。在Derungs、Schuster-Amft和Amft（Citation2020）的工作中，使用可穿戴运动传感器提取数字生物标志物，用于中风康复，有助于早期检测和长期监测。另一组论文将人类数字孪生与机器人和外骨骼康复相结合。在Chen等人（Citation2023）的研究中，数字孪生辅助患者评估和机器人辅助的中风康复任务规划。Ha等人（Citation2023）提出了一种结合解剖学数字孪生和混合现实反馈的混合外骨骼。同样，Lauer-Schmaltz等人（Citation2024）报告了一个案例研究，该研究将基于外骨骼的中风康复与严肃游戏和实时治疗适应相结合。这些系统将物理设备与其虚拟对应物紧密耦合，以支持适应性康复。一些研究提出了沉浸式康复系统的使用。在Ramu和Lakshminarayanan（Citation2024）的研究中，一个由VR支持的脑机接口整合了个性化的3D化身，以增强运动想象和恢复能力。Di Matteo等人（Citation2024）引入了一种使用虚拟手套进行手部康复的双数字孪生方法，以对受伤手和健康手进行对齐，从而支持定量评估。在Hansen等人（Citation2023）的研究中，提出了基于注视的辅助技术，以提高残疾用户的可访问性和互动性。这些研究强调了在康复过程中的主体化和互动参与。一些研究关注数字生物标志物和神经监测。在Qin等人（Citation2024）的研究中，分析了多模态数据（语音、手部动作、步态视频）用于帕金森病的管理。Moghbelan等人（Citation2024）探讨了具有实时适应性的AI驱动的运动康复。de Sousa和Font-Llagunes（Citation2024）提出了用于脊髓损伤康复的功能性电刺激骑行方法，而Adduci和Mundo（Citation2024）则引入了一个用于上肢康复练习的虚拟感知平台。总的来说，这些研究突显了人类数字孪生在适应性、数据驱动的治疗环境中的作用。最后，除了技术创新之外，Clanchy等人（Citation2024）的研究因明确讨论了康复环境中的参与式和共同设计方法而脱颖而出。该研究提出了一种积极让最终用户参与康复技术开发的方法，并通过脊髓损伤后的神经恢复案例研究对其进行了验证。与大多数被审查的系统不同，这里的重点不仅在于技术性能，还在于设计过程中的利益相关者参与。

4.2. RQ2：数字孪生的目标
这个研究问题探讨了在体育和康复领域采用人类数字孪生的主要动机。分析显示，监控是最常见的目标，通常与模拟结合使用，而其他目标，如建议、沟通和预防，则较少被系统地讨论。这些发现表明，目前的关注点主要在于数据收集和表示，而不是结果导向的支持。

第二个研究问题涉及数字孪生的目标，具体来说，作者是如何利用数字孪生来支持运动员（在体育框架下的数字孪生）和患者（即正在进行康复的人）。我们可以确定数字孪生的以下目标：
- 监控：系统通过传感器或其他设备跟踪用户的动作和/或生理数据。在所包含的论文中，用户可以是运动员或患者（在康复的情况下）。例如，在Luka?、Fister和Fister（Citation2022）以及Raj?p和Fister Jr.（Citation2025）的研究中，监测和跟踪了体育训练的进展；而在Barricelli等人（Citation2020）的研究中，监控过程还涉及日常行为方面。在X. Liu和Jiang（Citation2022）以及Shi等人（Citation2021）的研究中，系统还将运动员的动作分类为不同的可能性。Moghbelan等人（Citation2024）、Simonetti等人（Citation2024）、Qin等人（Citation2024）和Hepke等人（Citation2024）等人还监测了康复活动和进展。
- 模拟：系统可以模拟用户的状况和/或活动（整个身体或其部分）。模拟是所包含论文中数字孪生的常见任务，在其中一些论文中，虚拟模型捕捉了用户的身体特征并实现了生物力学模拟。在Alcaraz等人（Citation2019）的论文中，作者专注于下肢的精确步态运动学模拟；而在Barberi等人（Citation2023）的论文中，作者对整个身体进行了建模以研究用户的姿势。在de Sousa和Font-Llagunes（Citation2024）的论文中，为了提高脊髓损伤康复的效果，引入了功能性电刺激模型来预测和优化骑行动作。
- 远程护理：系统旨在支持远程康复监控或体育/训练活动及其结果的远程监督。例如，C. Liu等人（Citation2024）提出了使用智能传感系统对帕金森病患者进行远程监控的方法；Al Naime、Al-Anbuky和Mawston（Citation2022）展示了在术前患者康复计划中使用可穿戴传感器；Derungs、Schuster-Amft和Amft（Citation2020）使用可穿戴运动传感器和数字生物标志物对中风后偏瘫患者进行监测。
- 预防：系统提供了旨在预防伤害的功能（特别是在体育应用领域的数字孪生中），例如在Alsubai等人（Citation2023）和Leal等人（Citation2023）的论文中有所展示。
- 建议：系统根据用户数据提供任务建议。在以下论文中，数字孪生的一个目标是为用户活动提供建议。Fister等人（Citation2021；Luka?、Fister和Fister Citation2022）的论文关注自行车间歇训练，数字系统收集的数据用于建议用户如何应对特定情况和训练强度。在Hansen等人（Citation2023）的康复任务中，系统自动调整练习的难度。在Shi等人（Citation2021）的论文中，系统没有提供自动建议，而是 Incorporates 了一个工具，基于简单手势组合设计新的艺术体操。最后，Chen等人（Citation2023）的研究关注一个机器人康复框架，其中一个功能是制定个性化的训练任务。
- 沟通：系统旨在支持患者和医疗保健提供者之间的计算机中介远程沟通，以及运动员和教练之间的沟通。例如，在Tr?binger等人（Citation2021）的论文中，使用双机器人系统建立患者和医生之间的远程互动；Kurata等人（Citation2024）提出了促进健康指导的远程康复系统。
- 改进：系统应用于体育领域，旨在帮助教练和受训者提高他们的成绩，如Barricelli等人（Citation2020）所展示的数字孪生。

许多包含的论文提出了具有多种目标的系统。表3提供了所审查的人类数字孪生系统所实现目标的紧凑概述。该表的目的不是强调个别案例，而是帮助比较不同目标在研究中的出现频率和共现情况。表3反映了每篇论文旨在实现的目标：M = 监控；S = 模拟；RC = 远程护理；P = 预防；R = 建议；C = 沟通；I = 改进。

总体而言，表3显示监控是迄今为止最主导的目标，几乎出现在所有审查的研究中（32篇论文中的30篇），并且经常与模拟结合使用。其他目标，如沟通、预防和改进，出现得更零星，很少作为主要目标。这种分布表明，当前的人类数字孪生研究仍然主要关注数据收集和表示，而不是结果导向或互动导向的支持。为了正确回答RQ2，我们不仅需要关注目标的频率，还需要关注它们的共现情况，这揭示了有趣的模式。图3显示了不同目标组合的论文数量。该图表显示了一个水平条形图，总结了提到特定目标组合的论文数量。x轴表示论文数量，从0到7标记，每隔一个单位有一个刻度。y轴列出了不同的目标组合。从上到下，条形分别代表：监控加建议（长度为7）、监控加模拟（长度为7）、监控（长度为5）、监控加远程护理加建议加沟通（长度为3）、监控加远程护理（长度为3）、模拟（长度为2）、监控加预防（长度为2）、监控加远程护理加建议加沟通加改进（长度为1）、监控加远程护理加建议（长度为1）、监控加远程护理加沟通（长度为1）以及监控加预防加建议（长度为1）。条形从共同的垂直基线向右侧延伸，以便直观比较每种组合的出现频率。

一篇论文涉及的目标越多，它提出的系统就越复杂。六篇论文仅与一个目标相关：四篇与监控相关（Clanchy等人Citation2024；Di Matteo等人Citation2024；Ha等人Citation2023；Hepke等人Citation2024）；两篇与模拟相关（Andersen和Rasmussen Citation2023；de Sousa和Font-Llagunes Citation2024）。十九篇论文涉及两个不同的目标，具体来说，7篇涉及监控和模拟（Adduci和Mundo Citation2024；Alcaraz等人Citation2019；Barberi等人Citation2023；Boillet、Messonnier和Cohen Citation2024；Ramu和Lakshminarayanan Citation2024；Simonetti等人Citation2024；Uhlenberg、Derungs和Amft Citation2023），7篇涉及监控和建议（Chen等人Citation2023；Fister等人Citation2021；Hansen等人Citation2023；X. Liu和Jiang Citation2022；Luka?、Fister和Fister Citation2022；Raj?p和Fister Jr. Citation2025；Shi等人Citation2021），3篇涉及监控和远程护理（Al Naime、Al-Anbuky和Mawston Citation2022；Derungs、Schuster-Amft和Amft Citation2020；C. Liu等人Citation2024），以及2篇涉及监控和预防（Jiang等人Citation2024；Leal等人Citation2023）。三篇论文关注三个不同的目标组合：监控、预防和建议（Alsubai等人Citation2023）、监控、远程护理和建议（Moghbelan等人Citation2024）以及监控、远程护理和沟通（Kurata等人Citation2024）。最后，只有一篇论文（Barricelli等人Citation2020）关注五个不同的目标：监控、远程护理、建议和改进。

4.3. 用于测量的技术和工具
这个研究问题关注用于收集数据并将物理人类与其数字对应物联系起来的技术和工具。所审查的研究展示了各种传感和测量技术，从惯性单元和视觉系统到可穿戴生理传感器和机器人设备。

在本节中，我们讨论第三个研究问题：所选论文中使用的测量仪器类型，以监测用户并将他们与其虚拟对应物联系起来。在32篇分析的论文中，有3篇没有指定这些信息，要么是因为研究关注的是一个不依赖特定测量仪器的信息框架（Chen等人Citation2023），要么是因为论文呈现了一个模拟环境（de Sousa和Font-Llagunes Citation2024），或者是因为作者只报告了测量的物理量（Shi等人Citation2021）。其余论文报告了一种或多种技术或工具，包括：惯性测量单元、视觉系统、可穿戴生理传感器、机械测量、全球定位系统和其他类型的测量。表4报告了每篇论文中使用的测量技术和工具。表4列出了每篇论文中使用的技术和工具：I = 惯性测量单元；V = 视觉系统；W = 可穿戴生理传感器；M = 机械测量；G = 全球定位系统；O = 其他类型的测量。

交叉表阅读显示，采用的技术存在很大差异，惯性测量单元、可穿戴传感器和基于视觉的系统出现频率最高。虽然这种多样性反映了该领域的跨学科性质，但也表明缺乏标准化的方法。在所包含的论文中，最常结合使用的技术/工具是惯性测量单元和可穿戴生理传感器（4篇论文）以及可穿戴生理传感器和全球定位系统（3篇论文），其次是以下组合：惯性测量单元和视觉系统；视觉系统和其他类型的测量；可穿戴生理传感器和其他类型的测量；以及可穿戴生理传感器和机械测量。

4.3.1. 惯性测量单元
在体育和康复任务中，经常使用惯性测量单元来跟踪用户的服务学。在我们的32篇论文列表中，有11项研究使用了一种或多种这些设备，根据应用将它们放置在身体的关键点上。在Alcaraz等人（Citation2019）的研究中，研究关注步态运动学，作者通过将无线IMU放置在脚、小腿、大腿和骨盆上来测量这些部位的服务学。然后通过蓝牙将传感器信息流式传输到移动设备。同样，在Derungs、Schuster-Amft和Amft（Citation2020）的研究中，六个惯性测量单元（IMUs）被放置在手部和腿部，用于监测康复患者并计算代表患者状态的数字生物标志物。在Uhlenberg、Derungs和Amft（Citation2023）的研究中，也使用了六个IMUs来追踪身体部位。但在这种情况下，传感器数据被用作模拟多个虚拟传感器的参考。该系统通过基于相机的动作捕捉系统进行了验证。Leal等人（Citation2023）通过结合多种信息来源来追踪和分类用户的行为。两个智能手机被安装在用户的右侧手臂和右膝上，使用集成惯性单元来测量三个轴向加速度，并使用MATLAB Mobile来收集和分析数据。在Alsubai等人（Citation2023）的论文中，加速度计数据在运动员训练期间被收集并通过无线方式传输；而在Al Naime、Al-Anbuky和Mawston（Citation2022）的研究中，使用了一个Microduino传感器模块来追踪用户的远程活动。Jiang等人（Citation2024）使用了一个JY901B九自由度IMU模块进行人体运动分类；而在Moghbelan等人（Citation2024）的研究中，使用了多达四个IMUs来分类运动和计数重复次数。Simonetti等人（Citation2024）使用五个X-Sense传感器基于IMU数据开发了一个运动学模型。需要注意的是，在这项研究中，运动学和动力学也通过视觉系统和力板进行了测量，但仅用于模型构建。Kurata等人（Citation2024）也使用了IMUs来追踪与患者动作绑定的定制装置的运动。最后，Andersen和Rasmussen（Citation2023）的论文讨论了一个运动学模拟工具。在一个示例应用中，作者建议使用包含多个IMU的动作捕捉套件，尽管其他技术也与该工具兼容。

4.3.2. 视觉系统
除了惯性测量单元之外，测量运动学的主要替代方法是视觉系统，范围从单个RGB或红外（IR）摄像头到由多个摄像头或深度传感器组成的3D系统。Barberi等人（Citation2023）使用两个RGB摄像头重建了摩托车骑手的姿势。Di Matteo等人（Citation2024）使用两个基于IR摄像头的Leap Motion控制器来追踪手部动作。摄像头图像被组合以获得三维信息，然后处理以识别人体并提取其坐标。同样，在Leal等人（Citation2023）的论文中，智能手机摄像头用于记录运动员在体育活动中的行为，并使用人体适配算法来检测运动员并拟合人体模型。X. Liu和Jiang（Citation2022）的研究选择了微软Kinect V2深度摄像头来监测体育教育练习中的运动员；Hepke等人（Citation2024）使用了四个Azure Kinect作为三维身体数据的来源。Tr?binger等人（Citation2021）采取了不同的方法，使用摄像头记录并分类患者在与医生远程互动时的面部表情；类似地，Qin等人（Citation2024）使用摄像头记录手部和上半身的动作来监测中风康复中的运动功能。最后，Andersen和Rasmussen（Citation2023）的论文提到，基于标记的视觉系统和深度摄像头都被列为所述建模工具兼容的测量仪器。

4.3.3. 可穿戴生理传感器
我们将这些测量归为同一类别，包括各种生理指标，共涉及32篇分析论文中的9个测量源。Alsubai等人（Citation2023）使用来自Bioharness和Bodymedia的两款可穿戴设备来测量呼吸频率、皮肤电反应和皮肤温度。Luka?、Fister和Fister（Citation2022）以及Barricelli等人（Citation2020）使用心率监测器来监测体育活动。Moghbelan等人（Citation2024）使用COLMI智能戒指来测量心率（HR）和血氧饱和度以监测体育活动；Raj?p和Fister Jr.（Citation2025）使用未指明的仪器测量心率以监测骑行行为。Ha等人（Citation2023）使用Lextha制造的商业设备中的肌电图（EMG）系统来监测肌肉活动；Simonetti（Citation2024）使用配备64个电极的服装来监测肌肉活动。Adduci和Mundo（Citation2024）使用EMG来控制基于测量肌肉激活的人体生物力学模型；Lauer-Schmaltz（Citation2024）使用EMG来实时调整康复难度。最后，在Kurata等人（Citation2024）的应用中，计划在未来开发中包括心率、心率变异性和血氧饱和度等生理测量。

4.3.4. 机械测量
在涉及机器人或外骨骼的应用中，可以使用机器本身的测量数据来追踪用户的行为。Andersen和Rasmussen（Citation2023）、Tr?binger（Citation2021）、Ha（Citation2023）和Lauer-Schmaltz（Citation2024）的研究就是这种情况，其中机器的连杆运动学与用户动作相关联并输入到数字孪生系统中。同样，当活动自然涉及机械设备时，例如骑行，可以适当装备机器以直接获取用户行为的信息。在分析的论文中（Boillet、Messonnier和Cohen（Citation2024；Fister等人（Citation2021）），都涉及骑行的数字孪生技术，作者从自行车上获取骑行功率和节奏数据。C. Liu等人（Citation2024）开发了一种带有摩擦电和电磁纳米发电机的双拍结构，用于监测膝关节；Kurata（Citation2024）使用了应变传感器。

4.3.5. 全球定位系统
可以使用全球和本地定位系统来测量用户在广阔区域和开放场地中的位置。Fister等人（Citation2021；Luka?、Fister和Fister（Citation2022；Raj?p和Fister Jr.（Citation2025）的研究使用了GPS模块来追踪骑手的训练情况。所获得的信息包括用户的位置、速度和海拔高度。而在Jiang等人（Citation2024）的研究中，使用GPS追踪器来监测户外体育活动。

4.3.6. 其他类型的测量
文献中还发现了不属于前面类别的其他类型的测量方法。Hansen等人（Citation2023）使用了一种未指明的头戴设备进行注视检测，利用设备中的摄像头来监测瞳孔扩张、瞳孔反射和运动，以推断康复患者的心理疲劳。Tr?binger（Citation2021）使用麦克风来检测患者行为中的异常；类似地，Qin（Citation2024）使用它来监测中风康复中的言语。在Alsubai等人（Citation2023；Fister等人（Citation2021）的应用中，从环境条件中获取信息，包括天气、气温、湿度和噪音水平。Clanchy等人（Citation2024；Ramu和Lakshminarayanan（Citation2024）使用脑电图（EEG），后者还结合了基于VR的脑机接口。在Lauer-Schmaltz（Citation2024）的应用中，信息来自游戏界面或由治疗师和患者手动输入。最后，在Barricelli（Citation2020）的论文中，部分信息来自智能手机应用程序（如SmartFit）以监测体育活动，部分信息是手动输入的。

4.4. RQ4：交互和可视化风格
这项研究问题探讨了人类数字孪生系统中采用的交互模式和可视化方法。结果表明，基于GUI的界面（主要是为专家用户设计的仪表板）非常普遍，而沉浸式VR、触觉反馈或多模态交互等替代交互方式的探索有限。这表明，在HDT实现中，交互设计往往被视为次要考虑因素，反映了技术驱动而非以用户为中心的设计导向。

为了回答RQ4，研究中的大多数论文（32篇中的23篇）讨论了交互风格和/或数据可视化技术。Uhlenberg、Derungs和Amft（Citation2023）提出了一个基于通过可穿戴惯性传感器收集的数据动态分析步态事件的模拟框架。具体来说，他们使用运动捕捉数据模拟了偏瘫患者的步行。虽然使用了开源软件OpenSimFootnote2来实现这一目标，但论文中没有提供关于模拟的具体细节。论文显示，患者的数据以多种图表的形式呈现，表明该系统是为熟练的医疗专业人员设计的，而不是为患者或护理人员设计的。Ha等人（Citation2023）发表的研究介绍了一个与解剖数字孪生配对的上臂外骨骼，该系统旨在帮助增强个性化康复中的肌肉反应。该系统为患者提供了一个界面，让他们可以体验沉浸式的扭矩反馈，同时也为训练师提供了一个界面，使他们能够查看解剖肌肉模型，从而实现远程医疗监测。这种混合型XR-元宇宙可穿戴设备及相关系统使训练师和受训者之间的互动成为可能，提供了根据每个参与者需求和专长定制的交互风格和可视化技术。Chen等人（Citation2023）描述了一项关于为中风患者创建运动控制模型的研究。该模型的目标是捕捉短期适应和长期康复的状态。这个数字孪生基于患者与康复机器人的互动。该模型的目标受众是康复领域的专家，数据通过图表进行可视化。论文中没有提供关于与软件交互的进一步信息。Andersen和Rasmussen（Citation2023）介绍了AnyBody建模系统（AMS），这是一种从头开始构建生物体模型的系统。AMS基于AnyScript语言，允许用户描述模型元素及其关系。必须编译AnyScript代码才能生成模型的3D图形表示及其元素的结构。论文中没有关于与图形表示交互的信息，也没有提到模型的动画。Luka?、Fister和Fister（Citation2022）描述了一种用于体育活动的数字孪生，其中骑手的传感器在间歇训练期间收集数据并传输到移动设备。该系统具有仅包含5个图标的图形用户界面，这些图标指示训练负荷，实时向运动员展示他们的表现。这个界面是为骑手设计的，即使他们是自己运动的专家，也不需要特定的专业技能：界面的极简设计确保了高可用性。Fister等人（Citation2021）提出了一种供运动员使用的数字孪生，以改善他们的表现。所谓的人工运动训练器（AST）旨在自动化训练的四个阶段：计划、执行、控制和评估。AST旨在帮助运动员根据收集的数据做出决策。该数字孪生被视为可以服务于多名运动员的个人使用系统。论文提到了图形用户界面作为一种向运动员提供建议的方式，但没有提供详细信息。Alsubai（Citation2023）提出了一个基于物联网-边缘计算（IoT-Edge-Cloud Computing）的医疗保健数字孪生示例。论文描述了数字孪生的架构，解释了如何收集和使用与人类相关的数据，但没有提供关于结果如何呈现或如何与数据交互的详细信息。Tr?binger（Citation2021）的研究提出了另一个医疗保健数字孪生的案例，它展示了医生-患者双胞胎系统，用于远程患者的检查、诊断和康复。其思想是实现一个机器人系统来代表医生与患者之间的互动，以及另一个系统来代表患者与医生之间的互动。作者声称使用基于人工智能的视觉运动和面部表情识别来增强医生收集信息的方式。在这种情况下，触觉和音频交互起着重要作用，但没有提供关于系统图形界面的具体细节。Barricelli（Citation2020）介绍了作为数字孪生团队实现的系统，每个孪生都跟踪运动员在训练、睡眠和营养方面的行为。这样的系统有两个目的：为运动员提供一种监测自己行为和训练表现的方式，并帮助训练师监测运动员并指导他们自我管理和调整选择。本文没有描述与数字孪生的交互方式，但本研究的结果被整合到名为SmartFit的软件中，该软件为培训师提供了一个基于规则的交互式终端用户开发系统。在这个系统中，用户是具有不同专业背景和目标的利益相关者。作为将一种有前景且有趣的交互风格应用于数字孪生的例子，Hansen等人（Citation2023）展示了两种基于注视力的交互辅助技术：一种是用于控制外骨骼以辅助中风康复，另一种是用于帮助视力受损的人进行阅读。在论文发表时，这两种技术尚未实现，但作者已经预见到它们在远程医疗中的应用前景，既服务于患者也服务于检查他们的医生。Shi等人（Citation2021）发表的研究提出了在竞技体操课程中使用VR图像识别和数字孪生的方法。该系统的目标是通过叠加现有动作来捕捉运动员的动作，并提供支持新动作设计的工具。关于与系统的交互细节没有特别说明。最后，Al Naime、Al-Anbuky和Mawston（Citation2022）的论文介绍了一个数字孪生系统，用于跟踪术前患者的康复计划。该系统专为医疗专业人员设计，使用图形用户界面显示各患者的数据图表。关于交互和数据展示的详细信息也没有提供。在C. Liu等人（Citation2024）的论文中，提到了使用双棘轮角度感应系统来监控膝关节的运动，作者简要介绍了显示特定位置和运动数据的实时用户界面，但没有进一步提供关于UI开发技术或系统实现的交互模式的信息。Di Matteo等人（Citation2024）的案例研究基于虚拟手套作为辅助手部康复的设备进行实施。这种虚拟手套由安装在支架上的两个Leap Motion控制器组成，系统使用Unity 3D游戏引擎和Ultraleap SDK构建。Jiang等人（Citation2024）介绍的智能运动wear系统使用户能够可视化用Unreal Engine 5平台创建的人类运动3D模型，Raspberry Pi收集的数据实时传输到数字孪生，从而允许最终用户与之交互。在Ramu和Lakshminarayanan（Citation2024）提出的神经康复方法中，采用了MetaQuest的Oculus Rift S虚拟现实系统来实现脑机交互。其他两篇论文（Clanchy等人Citation2024；Kurata等人Citation2024）也报道了使用虚拟现实技术的研究案例。在第一种案例中，该项目基于人工智能扩展现实，通过头戴设备支持远程康复和健康指导；在第二种案例中，虚拟现实头戴设备用于创造沉浸式体验，但论文更多关注系统的共同设计和评估，而非开发过程。在两篇论文（Adduci和Mundo Citation2024；de Sousa和Font-Llagunes Citation2024）中，使用了OpenSim来模拟人类的3D模型，捕捉其肌肉骨骼结构并突出显示运动引起的变化。其他系统提供了针对不同用户群体和背景的简化界面（Lauer-Schmaltz等人Citation2024；Qin等人Citation2024；Raj?p和Fister Jr. Citation2025）。具体来说，在Raj?p和Fister Jr.（Citation2025）的论文中，用户界面是一个仪表板，提供与基于路线的骑行训练方法相关的具体图表功能；Qin等人（Citation2024）的GUI未在论文中显示，但被描述为一个根据用户配置提供多样化内容的移动应用程序；最后，在Lauer-Schmaltz等人（Citation2024）的论文中，提供了一个仪表板来显示康复练习收集的数据，并向用户提供虚拟角色的3D表示以及作为案例 study 场景的羽毛球游戏的3D表示。值得注意的是，尽管大多数论文都涉及到人与数字孪生的概念，并且与机器人技术相关，但只有七篇论文实际包含了机器人设备（3篇：Chen等人Citation2023；Moghbelan等人Citation2024；Tr?binger等人Citation2021）和外骨骼（4篇：Ha等人Citation2023；Hansen等人Citation2023；Lauer-Schmaltz等人Citation2024；C. Liu等人Citation2024），并且所有这些研究都集中在康复应用领域。

4.5. RQ5：最终用户的参与
这个问题探讨了最终用户如何在人类数字孪生系统的设计和评估中发挥作用。研究发现，在设计过程中用户的积极参与非常罕见，大多数研究将用户的参与限制在评估阶段，并且样本量较小。这突显了以人为中心的数字孪生愿景与实际采用参与式设计实践之间的持续差距。在纳入研究的所有论文中，只有两篇（Hansen等人Citation2023；Lauer-Schmaltz等人Citation2024）提到最终用户直接参与了系统的设计。在这些案例中，与具有不同背景和角色的利益相关者（如患者、医疗专业人员和护理人员）进行了研讨会、头脑风暴和访谈。在32篇论文中，有26篇报告了在用户参与的情况下对所提出系统的评估。表5展示了最终用户如何在系统的设计和评估中发挥作用，区分了设计阶段的参与和仅限于评估活动的参与。需要澄清的是，在本文中，我们仅考虑人类主体（用户）在系统设计和评估中的主动参与，而不是通过人类监测收集数据集来验证算法和/或模型的使用。

如图5所示，设计阶段的用户积极参与非常少见，只有两篇论文明确报道了参与式设计实践。大多数论文仅在评估阶段涉及用户（32篇中的26篇），且样本量通常较小。大多数研究的参与者少于20人，只有三篇论文达到了或超过了这个门槛，分别报告了20人（Hepke等人Citation2024）、25人（X. Liu和Jiang Citation2022）和150人（Hansen等人Citation2023）的参与。这种模式再次表明了以人为中心的数字孪生愿景与实际采用参与式方法之间的持续差距。

4.6. RQ6：人工智能模型和技术
这个问题研究了人工智能在人类数字孪生系统中的作用。分析揭示了人工智能技术的使用存在异质性和碎片化现象，许多研究要么完全省略了人工智能内容，要么仅提供了有限的方法论细节。即使使用了人工智能，不同研究中的方法也存在很大差异。重要的是，许多论文中对人工智能相关组件的描述较为笼统，缺乏足够的方法论细节（例如数据、训练程序、评估协议、模型在不确定性下的表现）。因此，我们的分析可以可靠地分类人工智能的存在类型，但无法总是评估其对系统性能或用户体验的具体贡献。在纳入研究的32篇论文中，我们发现它们使用了多种人工智能算法（图4）。其中9篇论文（Adduci和Mundo Citation2024；Andersen和Rasmussen Citation2023；Boillet, Messonnier和Cohen Citation2024；Clanchy等人Citation2024；Di Matteo等人Citation2024；Hansen等人Citation2023；Raj?p和Fister Jr. Citation2025；Simonetti等人Citation2024；Tr?binger等人Citation2021）没有使用任何人工智能算法，而是讨论了潜在的应用或采用了不同的建模算法。在剩下的论文中，有6篇（Al Naime、Al-Anbuky和Mawston Citation2022；Barberi等人Citation2023；de Sousa和Font-Llagunes Citation2024；Derungs, Schuster-Amft和Amft Citation2020；Luka?, Fister和Fister Citation2022；Shi等人Citation2021）实现了基于专家知识的非机器学习（ML）系统。在使用ML系统的论文中，有6篇（Barricelli等人Citation2020；Ha等人Citation2023；Kurata等人Citation2024；Lauer-Schmaltz等人Citation2024；Moghbelan等人Citation2024；Ramu和Lakshminarayanan Citation2024）使用了不包含时间维度的模型，而11篇（Alcaraz等人Citation2019；Alsubai等人Citation2023；Chen等人Citation2023；Fister等人Citation2021；Hepke等人Citation2024；Jiang等人Citation2024；Leal等人Citation2023；C. Liu等人Citation2024；X. Liu和Jiang Citation2022；Qin等人Citation2024；Uhlenberg, Derungs和Amft Citation2023）关注包含时间维度的ML模型。图4展示了根据人工智能算法使用情况对32篇论文进行的层次聚类图。该图显示了一个流程图，根据人工智能和机器学习的使用情况对论文进行了分类。顶部是一个圆形框，询问是否使用了人工智能，用箭头表示是或否。否答案的分支指向一个列出9篇不使用人工智能算法的论文：Adduci和Mundo 2024、Andersen和Rasmussen 2023、Boillet, Messonnier和Cohen 2024、Clanchy等人2024、Di Matteo等人2024、Hansen等人2023、Rajsp和Fister Junior 2025、Simonetti等人2024、Trobinger等人2021。是答案的分支又引出了另一个决策框，询问是否使用了机器学习。这个分支的否答案指向6篇使用非机器学习专家系统的论文：Al Naime等人2022、Barberi等人2023、de Sousa和Font Llagunes 2024、Derungs等人2020、Lukac等人2022和Shi等人2021。机器学习问题的是答案分支又引出了第三个决策框，询问机器学习技术是否考虑了时间因素。这个分支的是答案列表出了11篇包含时间维度的论文：Alcaraz等人2019、Alsubai等人2023、Chen等人2023、Fister等人2021、Hepke等人2024、Jiang等人2024、Leal等人2023、C. Liu等人2024、X. Liu和Jiang 2022、Qin等人2024、Uhlenberg等人2023。否答案的分支列出了6篇没有明确时间维度的机器学习论文：Barricelli等人2020、Ha等人2023、Kurata等人2024、Lauer Schmaltz等人2024、Moghbelan等人2024和Ramu和Lakshminarayanan 2024。

4.6.1. 未使用人工智能
Andersen和Rasmussen（Citation2023）讨论了传统计算机辅助工程在模拟自主运动方面的局限性。这些运动受到感官输入和决策的影响，而不仅仅是物理现象。尽管作者没有使用任何人工智能技术，但他们强调了机器学习方法的重要性及其在数据处理中的作用，并评论了机器学习在该框架内的适用性。Tr?binger等人（Citation2021）提出了一个用于实时健康数据访问和更新的双医生-患者远程医疗系统。在其中，作者简要讨论了使用人工智能算法支持医学诊断的潜在好处。类似地，Hansen等人（Citation2023）提出了两种基于注视力交互的辅助技术：一种是用于控制外骨骼以辅助中风康复，另一种是用于帮助视力受损的人进行阅读。作者详细讨论了有效的分类器在他们的架构中的重要性。Di Matteo等人（Citation2024）研究了一个监测康复患者手部动作并与健康受试者手势进行比较的数字孪生系统。作者提取了关节数据，并使用动态时间弯曲技术来对目标手势的不同执行方式进行对齐。在Boillet, Messonnier和Cohen（Citation2024）的论文中，作者使用改进的M-M模型估算了骑行者的最佳功率输出，该模型将肌肉功率输出与可以适应特定运动员的生理和几何参数相关联。Raj?p和Fister Jr.（Citation2025）的研究也涉及骑行运动员，但在此案例中，任务是生成最佳训练路线。Adduci和Mundo（Citation2024）的研究是一种使用扩展卡尔曼滤波器的虚拟康复练习，用于估算肌肉力量和标记轨迹。Simonetti等人（Citation2024）的论文也涉及骑行运动员，但任务是生成最佳训练路线。Citation2024) 也没有涉及人工智能算法，因为作者提出的身体追踪方法基于 OpenSim 环境中的多体模型。最后，论文 (Clanchy 等人，Citation2024) 关注跨学科利益相关者在康复技术中的参与，其中通过脑机接口检测肌肉激活信号，并通过虚拟现实 (VR) 应用程序提供适当的视觉反馈。

4.6.2. 专家知识的应用
论文 (Al Naime, Al-Anbuky, 和 Mawston, Citation2022; Barberi 等人，Citation2023; de Sousa 和 Font-Llagunes, Citation2024; Derungs, Schuster-Amft, 和 Amft, Citation2020; Luka?, Fister, 和 Fister, Citation2022; Shi 等人，Citation2021) 使用了各种领域建模方法，其中一些甚至包括复杂的空间推理，例如 Barberi 等人 (Citation2023)。专家系统（参见 Giarratano 和 Riley, Citation1989 的介绍）是人工智能的一部分，它们通过使用预定义的规则和知识库来模仿人类的决策过程，以解决特定领域的问题。然而，这些论文中展示的建模和推理能力主要限于物理方程建模。

4.6.3. 未明确包含时间成分的机器学习模型的应用
论文 (Barricelli 等人，Citation2020; Ha 等人，Citation2023; Kurata 等人，Citation2024; Lauer-Schmaltz 等人，Citation2024; Moghbelan 等人，Citation2024; Ramu 和 Lakshminarayanan, Citation2024) 明确使用了机器学习算法，而这些算法的基础方法并未明确包含时间概念。特别是论文 (Barricelli 等人，Citation2020; Ha 等人，Citation2023) 使用了支持向量机 (SVM)，这是一种用于机器学习中分类和回归任务的监督学习模型。SVM（参见 Cristianini 和 Shawe-Taylor, Citation2000 的介绍）通过找到最佳分离数据集中不同类别的超平面来工作。SVM 的目标是最大化类别之间的边界，确保决策边界尽可能远离任何类别的最接近数据点，这些数据点被称为支持向量。这种边界的最大化提高了模型对未见数据的泛化能力。SVM 在高维空间中特别有效，由于其稳健性和在线性和非线性分类问题中的有效性而得到广泛应用，尤其是当与非线性核函数结合使用时（Moghbelan 等人，Citation2024）。尽管 SVM 表现最佳，但作者承认其结果存在较大变异性。Lauer-Schmaltz 等人 (Citation2024) 使用逻辑回归对患者运动进行分类。在论文 (Kurata 等人，Citation2024) 中，使用了一种未详细说明的集成学习方法进行分类任务。最后，在论文 (Ramu 和 Lakshminarayanan, Citation2024) 中使用了线性判别分析 (LDA) 作为分类器。

4.6.4. 明确包含时间成分的机器学习模型的应用
在明确考虑包含时间成分的机器学习模型的研究中，绝大多数 (Alsubai 等人，Citation2023; Fister 等人，Citation2021; Jiang 等人，Citation2024; Leal 等人，Citation2023) 都采用了循环神经网络 (RNN) 的变体；参见 Goodfellow, Bengio, 和 Courville (Citation2016) 的介绍。RNN 是一种设计用于处理序列数据的神经网络，它通过使用有向循环来维护先前输入的内部状态或记忆。这种架构使 RNN 能够随时间识别模式，非常适合处理涉及时间依赖性的任务，如语言处理和时间序列预测。特别是在所审查的论文中，最广泛使用的 RNN 变体是长短期记忆 (LSTM) 架构，通常与注意力机制结合使用。LSTM 网络包含带有门的记忆单元，这些门调节信息流动，使其能够有效维护和更新长期依赖性。这种架构使 LSTM 能够在较长时间内保留信息，因此在涉及序列和时间序列数据的任务中非常有效，例如语音识别、语言建模和时间序列预测。另一种常见的选择是卷积神经网络 (CNN)，其层输出是通过使用优化后的核的卷积运算符计算得出的。当其中一个输入维度是时间时，CNN 本质上可以检测时间关系。在分析的论文中，有三项应用使用了一个或多个此类模型。C. Liu 等人 (Citation2024) 使用 CNN 模型根据机械和生理量追踪患者的腿部状态。贝叶斯优化用于选择超参数。在论文 (Qin 等人，Citation2024) 中，作者使用神经网络评估帕金森病康复的严重程度。作者使用图卷积网络 (GCN)，特别是 G2GNet，从视频记录中提取手的图形，并使用 TS-STGCN 网络评估震颤严重程度。在同一研究中，研究人员使用基于时间的 MSS-BEGAN 网络增强语音音频频谱，然后用 Resnet18 模型进行增强数据的语音识别。最后，Hepke 等人 (Citation2024) 的作者使用 Azure Body Tracking SDK 收集的患者运动数据，该工具使用 CNN 从 Kinect 传感器数据中提取关节位置。在其余的审查论文中，有两篇 (X. Liu 和 Jiang, Citation2022; Uhlenberg, Derungs, 和 Amft, Citation2023) 依赖于基于隐马尔可夫模型 (HMM) 的方法，HMM 是用于描述具有可观察输出但内部状态不可见的系统的统计模型。HMM 的工作原理是，一个满足马尔可夫性质（即未来状态仅依赖于当前状态）的潜在马尔可夫过程通过一组概率函数生成可观察数据。参见 Bishop (Citation2006) 的介绍。最后，论文 (Alcaraz 等人，Citation2019) 依赖于记忆多项式模型，该模型用于表示具有记忆效应的非线性系统；例如，也可以参见 Moghaddamnia, Fuhrwerk, 和 Peissig (Citation2018)。它通过包含考虑过去输入值的项来扩展基本的多项式模型，从而捕捉非线性和记忆效应。这种模型的参数估计通常使用最小二乘 (LS) 方法进行，该方法最小化观测值和预测值之间的差异，以找到最佳系数，使其适用于拟合实际数据。相比之下，论文 (Chen 等人，Citation2023) 使用了带有粒子滤波的高斯混合模型（GMM）。高斯混合模型（GMM，参见 Bishop, Citation2006 的介绍）是一种概率模型，假设数据点来自几个高斯分布的混合，每个分布都有自己的均值和方差。GMM 常用于聚类和密度估计任务，因为它们可以通过组合多个高斯分量来建模复杂分布。该模型使用期望最大化 (EM) 算法等技术估计每个高斯分量的参数，从而有效地表示各种数据分布。粒子滤波则是一种顺序蒙特卡洛方法，用于估计随时间演变且不确定或嘈杂的系统的状态（参见 S?rkk? 和 Svensson, Citation2023 的介绍）。它使用一组粒子来表示可能的状态，从而有效地捕捉相关信息，在自然语言处理、翻译和图像识别等任务中提高性能。

5. 讨论与意义
以下小节总结了综述的主要意义，反思了其局限性，并阐述了其对所在领域的贡献。这些内容将研究结果置于更广泛的研究背景中，并指出了未来在体育和康复领域中关于人类数字孪生技术的方向。

5.1. 设计意义
本综述的发现对体育和康复领域中人类数字孪生的设计有几个意义。它们建议超越对数据表示和系统精确度的关注，转向优先考虑可用性、可解释性和与用户活动和决策过程的有意义整合的设计实践。首先，纵观所审查的研究，终端用户的参与度有限 (RQ5)，这表明需要更系统地採用参与式和以用户为中心的设计方法。未来的 HDT 系统可以从早期阶段的协同设计活动中受益，例如研讨会、访谈和参与式原型设计，涉及患者、运动员、临床医生和教练，以确保系统功能符合用户的需求、能力和价值观。其次，以专家为导向的基于仪表盘界面的主导地位 (RQ4) 表明交互设计通常被视为次要问题。开发人员不应简单地将仪表盘“移植”给患者或运动员；相反，他们应根据用户角色和使用场景定制交互。对于患者来说，这可能包括简化的进展叙述、目标导向的反馈以及对关键指标的按需解释，而不是图表和表格数据表示。对于运动员来说，轻量级的现场反馈（例如听觉提示、触觉信号）可以减少认知负担，相比于在移动设备或可穿戴屏幕上显示的密集视觉仪表盘。已审查的文献已经提出了一些可行的替代方案——例如基于 VR 的交互、通过辅助设备的触觉反馈和基于注视的辅助控制（例如 Ha 等人，Citation2023; Hansen 等人，Citation2023; Ramu 和 Lakshminarayanan, Citation2024），但这些模式很少与代表性的终端用户进行评估，而建议进行适当的评估并让潜在终端用户参与其中。第三，AI 技术的异构性和往往不明确的用法 (RQ6) 强调了透明和以人为本的 AI 集成的重要性。设计师应明确考虑 AI 驱动组件如何支持用户自主性、可解释性和信任，并通过超出短期性能指标的长期评估来评估这些方面。最后，当包含 AI 时，应以实际操作的方式实施以人为本的 AI 原则，而不仅仅是抽象地提及。符合以人为本的 AI 指导原则，这些原则强调可靠性、安全性和透明度以及用户控制（Shneiderman, Citation2022），实时调整日常工作的 AI 驱动康复系统（例如 Moghbelan 等人，Citation2024）提出了具体的监督要求。实际上，用户和临床医生应该能够理解为什么进行调整，如何处理不确定性，以及如何覆盖自动化决策。相反，一些面向体育的系统在活动期间提供紧凑的反馈以支持用户自主性（例如 Luka?, Fister, 和 Fister, Citation2022），但通常没有足够的细节来解释或验证为敏感用途生成的推荐。这些例子说明了 HCAI 相关的质量（例如透明度、可控性和与用户目标的一致性）目前处理不一致，也很少被明确评估。

5.2. 局限性
这项系统综述在解释结果时有一些局限性。这些局限性反映了该领域的当前状态，而不是本次综述的方法论缺陷，它们突显了未来在人类数字孪生研究中对更稳健、参与性和基于实证的研究的必要性。首先，综述关注的是一个相对较新且正在发展的研究领域。尽管搜索涵盖了 2018 年到 2024 年的出版物，但分析的研究实际上是从 2019 年开始的，反映了体育和康复领域中人类数字孪生的新颖性。因此，可用文献的数量仍然有限且分散。其次，包含的研究在应用领域、技术、评估方法和报告的结果方面高度异质，这种异质性阻碍了任何定量综合， necessitated 主要采用定性分析，这可能限制了跨研究的可比性。第三，综述依赖于结构化的数据库搜索，没有应用滚雪球技术或基于场所的排名过滤器。虽然这种选择支持透明度和可重复性，但可能会影响召回率，并导致一些在不太显眼或新兴场所发表的相关研究的排除。最后，大多数分析的论文报告的用户参与度有限且样本量小，这限制了其发现的普遍性。

5.3. 对领域的贡献
除了综合现有研究之外，本综述还通过提供结构化、以人为本的解释，推进了仍处于碎片化状态的研究领域的发展。通过不仅考察技术和系统目标，还考察交互风格、用户参与度和 AI 集成实践，它揭示了人类数字孪生的以人为本的愿景与其当前设计和评估方法之间的系统性不一致，并为未来的研究提供了参考框架，指出了在方法论、技术以及人机交互方面需要整合的地方。在概述更具有参与性、透明度和责任感的HDT（人类数字孪生）发展的方向时，该综述支持人类数字孪生技术在体育和康复领域从孤立的技术解决方案向更加连贯且真正以人为中心的研究领域的转变。6. 结论 如第3节所示，对于本次文献综述，我们考虑了2018-2024年的出版时间范围，因为之前在数字孪生和人机交互领域的研究表明，相关文献直到2018年之后才开始出现。然而，本研究的结果显示，关于体育和康复领域中数字孪生的第一篇科学论文实际上可以追溯到2019年。所分析的研究显示，人类数字孪生主要应用于康复领域（20篇论文），这表明科学界的兴趣集中在临床环境中，其中人类数字孪生被视为提高患者监测、个性化治疗和医学评估以及恢复情况的工具。关于体育领域的论文（11篇）提出了旨在提高运动表现、预防受伤和个性化训练的有前景的研究。至于使用HDT的动机，在大多数分析的论文中，监控是最常见的用途，这反映了人们对数字孪生实时收集和分析数据的潜力的充分认识，并已将其应用于人类。此外，对人类活动的模拟也被广泛考虑，证明了数字孪生技术所提供的预测能力和建模机会可以在康复和体育领域得到有效应用。其他目标，如远程医疗、预防、建议和通信，在所包含的论文中提及较少，但它们通常与监控策略一起被采用。特别是有一项研究明确指出了提高运动员表现的作用，表明HDT目前更侧重于数据的表示，而非其在人类受试者中的实际应用效果。

在分析用于实施HDT系统的各种技术时，我们的研究发现使用了多种工具，包括惯性测量单元、视觉系统、可穿戴传感器和机器人设备。这种多样性反映了该领域的多学科性质，但同时也暗示了标准化程度的不足。大多数论文中提到的系统都是基于GUI的，主要是仪表板，并且通常是为专家设计的，而不是为患者或运动员设计的。只有少数论文探索了不同的交互方式，如视觉交互、触觉反馈和VR沉浸式环境。尽管人类数字孪生明显是以人类为中心的，但只有两篇论文报告了潜在最终用户在水系统设计中的积极参与。同时，大多数研究将用户的参与限制在评估阶段。此外，大多数论文报告的参与评估HDT的参与者数量很少，通常少于20人。这揭示了尽管公认参与式方法对于在康复等关键领域设计可用、可接受且伦理上稳健的HDT非常重要，但实际应用中仍然系统性缺乏这些方法。这表明，尽管人们对体育和康复领域中人类数字孪生的兴趣日益增长，但用户在设计和技术评估中的作用尚未得到充分理解。在这方面，人机交互领域的研究表明，结合远程评估和面对面评估方式可以促进更广泛的用户参与，并增强可用性和体验评估的生态有效性（Liinasuo等人，2023年）。整合这种混合测试方法可以支持开发更加包容性和以用户为中心的人类数字孪生方法。

在人类数字孪生中使用人工智能的情况也存在差异，许多研究要么完全未提及人工智能，要么仅将其作为未来实施的一个潜在元素。当人工智能被应用时，其作用往往被描述为高层次的（黑箱），方法论透明度较低（例如在数据、模型配置或评估程序方面），这阻碍了对其对系统性能和用户体验贡献的全面评估。因此，目前的证据只能得出关于人工智能采用模式的粗略结论，而对其有效性、可解释性和可信度的更强断言还为时过早。从以用户为中心的人工智能角度来看，这种有限的方法论透明度也引发了人们对人工智能驱动的人类数字孪生的可靠性和可信度的担忧，强调了未来人类数字孪生研究中需要将技术创新与人类价值观和用户能动性明确对齐的方法（Shneiderman，2022年）。仍有很大的空间来推进人工智能的应用，以提高个体用户的适应性，支持个性化干预，并在体育和康复领域增强预测准确性。