《Smart Health》：The Use of Inertial Sensors in Sports: A Bibliometric Network and Cluster Analysis
编辑推荐：
体育中惯性测量单元(IMU)的科学产量在2006年至2025年间显示平均年增长率为32.1%。"生物力学"(Biomechanics)是一个基础主题(高中心性)，而"可穿戴传感器"(wearable sensors)和"机器学习"(machine learni
体育中惯性测量单元(IMU)的科学产量在2006年至2025年间显示平均年增长率为32.1%。"生物力学"(Biomechanics)是一个基础主题(高中心性)，而"可穿戴传感器"(wearable sensors)和"机器学习"(machine learning)是核心主题；"步态"(gait)、"平衡"(balance)和"身体活动"(physical activity)是发展良好的主题(高密度)。"传感器融合"(sensor fusion)、"活动识别"(activity recognition)和"深度学习"(deep learning)是被引用最多的主题。惯性测量单元(IMU)的有效性和可靠性已通过运动捕捉系统(Motion Capture Systems)得到广泛确认。出现了将人工智能(artificial intelligence)整合以分析惯性测量单元(IMU)数据的强劲趋势。
**Introduction**
惯性测量单元(Inertial Measurement Units, IMUs)是采用微机电系统(MEMS)技术制造的微型设备，通常由9自由度(9-DOF)系统（即三轴加速度计、三轴陀螺仪和三轴磁力计）组成，重量轻（常小于15克），能以微创方式捕获精确的人体运动数据。IMUs测量范围优化于人体运动（加速度高达±16 g，角速度高达±2000°/s），采样频率通常为1至800 Hz，某些商用设备可达1600 Hz。原始传感器数据经外部或嵌入式处理器通过积分和滤波程序处理，可同时检测线性加速度、速度和方向变化（俯仰、横滚、偏航）。四元数或欧拉角用于精确确定IMU安装处关节段的位置和方向。其小型化外形和轻量化设计便于附着于运动员身体或装备而不影响表现，同时支持板载数据记录和无线通信（如蓝牙、Wi-Fi、Zigbee）。IMUs应用于从健康导向的休闲运动活动识别、步数计数、跑步指标测量到复杂精细运动分析，以及损伤预防和残奥运动员负荷与剩余能力评估。然而，IMU应用仍面临挑战，包括传感器漂移、无线传感器与采集设备间的时域同步问题。传感器融合算法优化对减少测量误差和增强方向估计至关重要。IMU的有效性已通过与光学运动捕捉系统(Optical Motion Capture Systems)的对比得到验证，但其在测量运动员承受的机械冲击和振动加速度方面不如压电加速度计。由于IMU应用高度多样化，本研究采用系统性文献计量分析，探索过去20年该领域的研究趋势和前景。
**Materials and Methods**
文献计量分析采用统计程序客观评估文献，包括识别有影响力的论文、主题、模式及作者合作。数据来源于Scopus和Web of Science Core Collection数据库，搜索词为“inertial sensor”或“IMU”与“sport”或“sports”，限定2006年1月至2025年12月发表的英文文章和综述。经去重后共获得12,624篇文献。为排除“IMU”指代非惯性含义的假阳性（如国际数学联合会、免疫学背景），实施了多阶段过滤流程，包括标题和摘要筛查含有“accelerometer”、“gyroscope”或“wearable sensor”的术语，并移除4篇上下文不符的论文。随后对随机样本(n=500)进行手动验证，未发现假阳性。网络可视化使用Bibliometrix（版本4.0.0）工具包，基于R软件。通过Biblioshiny应用程序执行表现分析和科学图谱绘制，包括出版物数量、年度科学产出、引用分析、国家科学产量（采用完整计数法）。趋势主题分析前移除停用词和自定义通用术语，并合并同义词。网络聚类采用Louvain算法，通过模块化优化产生聚类，用于构建主题图。网络的度中心性、中介中心性和特征向量中心性衡量节点重要性和影响力。网络分析使用一元词(Unigrams)和二元词(Bigrams)。通过因子分析（对应分析和多元对应分析）确定关键词与整体主题的接近程度。引文影响分析计算总引文、平均引文、h指数、g指数、标准化引文分数(NCS)，并进行主题级引文比较和时间趋势分析。
**Results**
科学产量显示20年间共12,620篇论文，年均增长率为32.1%。五个最相关来源为SENSORS (MDPI)、SENSORS (IEEE)、APPLIED SCIENCES (MDPI)、ACCESS (IEEE)和JOURNAL OF BIOMECHANICS (ELSEVIER)。产量最高的五个国家为中国、美国、日本、英国和意大利。中国在近十年增长显著，从2015年的第七位（54篇）升至2025年的2,280篇，接近美国（2,306篇）。大学中，卡尔加里大学、密歇根大学、阿姆斯特丹自由大学和博洛尼亚大学产出均超过200篇。最相关文献方面，2014至2016年间多篇关于人类活动识别、健康监测和步态分析的高被引论文脱颖而出，如Ordó?ez和Roggen、Bulling等人、Mukhopadhyay的著作。每年度最高被引论文包括关于可穿戴传感器和人体动作识别的综述。数据集内被引用最多的三篇文章来自Picerno、Falbriard等人、Bergamini等人，主题涉及下肢关节运动学和跑步。趋势主题分析显示，最近常用术语为深度学习(deep learning)、可穿戴传感器(wearable sensor)、机器学习(machine learning)、生物力学(biomechanics)和步态分析(gait analysis)。作者关键词共现网络和标题一元词/二元词组网通过Louvain聚类算法获得30个节点的聚类。主题图分析表明生物力学为基本主题（高中心性），可穿戴传感器和机器学习处于中位，步态、平衡和身体活动为高密度发展主题。因子分析（对应分析和多元对应分析）均产生四个聚类，红色聚类包含“可穿戴设备”、“机器学习”、“算法”、“加速度测量”等；蓝色聚类包含“惯性传感器”、“可靠性”；绿色聚类包含“人类活动识别”、“模式识别”、“深度学习”；紫色较小聚类包含“运动”、“表现”。引文影响方面，论文总引文287,406次，平均22.8次/篇，h指数192，g指数298。3.8%的论文被引≥100次，10.7%从未被引。标准化后年均引文5.9次，27.4%的论文NCS>1。2017-2024年论文年均引文较高（6.3-8.0），2024年队列最高（8.0）。主题引文影响最强的是传感器融合（49.6次/篇）、活动识别（45.7）、人类活动识别（42.2）、可穿戴传感器（40.5）、陀螺仪（40.0），深度学习（38.4）优于机器学习（29.5）。
**Discussion**
**Human Movement Analysis**
IMUs凭借在实验室外捕获运动的能力，适用于现实世界的运动监测。在个人运动（如跑步、跳跃、棒球、网球、游泳、单板滑雪）中，IMUs放置于下肢和躯干可评估步长、触地时间、对称性等参数，为损伤预防提供关键数据。在轮椅运动中评估移动能力；在团队运动（如橄榄球）中结合全球导航卫星系统(GNSS)和超宽带(UWB)跟踪运动员位置和运动。皮划艇运动中传感器融合系统整合IMU、GPS数据和桨叶应变计进行综合评估。IMUs还支持分析集体动态、运动模式和负荷分布。关节活动范围测量是IMU的广泛用途，应用于射击技术、短跑起跑姿势、预防与康复、残奥运动员等方面。在临床和康复环境中，IMUs用于量化姿势控制、平衡和步态障碍，如帕金森病和骨科恢复，并支持远程康复。步态分析中单个胫骨传感器可高时间精度检测步态相位。活动识别和人类活动识别主题的高引文影响表明方法学框架从运动监测成功转化为临床康复场景，而纯临床术语引文影响较低，提示运动科学与康复医学间存在未开发的交叉潜力。IMU研究对智能健康、远程医疗和健康生活方式促进具有有意义贡献。
**System Validation and Reliability**
验证和可靠性是文献计量分析中的关键聚类。验证过程通过将IMU系统与金标准（如三维运动分析系统）对比建立准确性。例如，团队运动中加速度数据与三维运动分析系统比较；腕戴式惯性传感器用于生物力学分析；近期研究比较IMU系统和智能手机无标记系统与标准光电系统在下肢运动学中的有效性。在临床环境中，IMU在颈椎活动度测量中的有效性也已建立。可靠性关注测量的一致性和可重复性。惯性传感器系统在业余网球运动员正手和发球技术评估、轮椅运动员速度评估、足球特定跑步模式中的可靠性得到确认。机载加速度计在田野分析中的有效性需考虑采样频率。IMUs在捕获高强度机械冲击方面存在局限，如某些传感器在超过200 g的冲击下出现饱和。IMUs在步行步态平均时空参数（步时、步长、摆动和站立时间）方面表现出色，但在变异性和对称性参数方面有效性中等。尽管有潜力，当前证据尚不足以推荐在运动医学临床实践中广泛使用可穿戴传感器系统，原因包括系统异质性、评估方案差异和传感器放置差异。卡尔曼滤波器(KF)或互补滤波器(CF)等传感器融合算法的选择影响测量有效性和可靠性。
**Machine Learning and Deep Learning Algorithms**
人工智能(AI)与IMU的集成革新了运动科学。机器学习技术从原始IMU信号中提取特征、分类运动相位并检测事件。Zago等人利用足部IMU实现了高精度的步态事件检测（误差低于20毫秒）和关节角度相关性（>0.98）。结合卷积神经网络(CNN)、双向长短期记忆网络(LSTM)和Transformer架构的混合模型在步态分割任务中达到98.16%的F1分数。比较研究表明CNN擅长捕获时空模式，LSTM在顺序依赖和实时关节角度估计方面更优。神经形态计算方法（如脉冲神经网络）在保持94%以上分类精度的同时将能耗从超过3000 μJ降至50.66 μJ。运动专项应用包括：铁饼投掷中AI-IMU系统关节角度估计误差±12°以内；网球训练系统对五种代表性技术的击球识别准确率达98.4%；篮球中CNN-LSTM注意力模型实现87.79%的实时目标状态识别；高山滑雪中两层神经网络达到98.1%的预转弯运动分类准确率。多模式AI方法（如IMU与AI处理视频结合）区分内在运动因素和外在环境影响。AI驱动的可穿戴技术应用于姿势监测和矫正干预。移动AI应用（如体重深蹲练习）提供接近人类专家的实时反馈。AI与IMU的融合实现了从实验室运动分析到现场可部署系统的转变，在保持临床级精度的同时提供了前所未有的可及性。
**Methodological Challenges Limiting Translational Impact**
研究量的增长与实际应用之间存在差异。一个关键限制是软组织伪影(STA)，即皮肤安装传感器相对于下方骨骼的移动，在高速运动或疲劳状态下引入显著误差。多次校准可增强关节角度准确性，如肩部内外旋最大误差减少50%以上。传感器漂移是另一技术挑战，影响来自陀螺仪和加速度计的定向和位置估计。虽然互补滤波器或卡尔曼滤波器可缓解漂移，但在长时间高强度活动下并非万能。文献常缺乏对残余漂移幅度、具体融合算法及其与金标准验证的透明度。多传感器网络内或IMU与其他测量系统（如力板、肌电图）间的同步问题也构成重大挑战，无线协议可引入可变延迟或丢包，时域精度要求达到毫秒级。同时存在翻译悖论：尽管十多年来收集了大量IMU数据，训练管理过程仍主要依赖于生理参数得出的合成负荷指标，而非向段级和关节角度的生物力学分析推进。这种停滞表明该领域尚未克服数据复杂性、可解释性和验证方面的障碍，未能为教练或临床医生提供快速、实用且有价值的信息。传感器融合和深度学习的高引文影响与这些方法论挑战一致，表明科学界重视通过多传感器集成解决IMU局限的研究，而高频术语如“传感器”和“可穿戴”的较低影响可能反映描述性研究的饱和。
**Limitation**
尽管分析了约一万两千篇文献，但其他关键词可能提供未选中的研究。研究仅使用Scopus和Web of Science Core Collection数据库，其他数据库可能包含额外工作。多阶段过滤流程可能仍存在假阳性，但手动验证随机样本(n=500)未发现假阳性，整体影响极小。分析未评估出版物质量（如系统综述或元分析所做），引文景观可能受工程和计算机科学大量结果不成比例影响，部分掩盖了针对特定人群（如老年人、残疾人/残奥项目）的严格对照临床研究。从验证过的实验室研究向生态临床实施过渡面临协议标准化、设备互操作性、规范数据定义等挑战。未来研究需从描述性文献计量趋势转向方法学严谨性的深入批判性评估。
**Conclusion**
过去20年的文献计量分析表明，IMUs代表了人体运动分析的突破，提供便携、廉价、非侵入的解决方案，克服了传统运动捕捉系统的局限。其便携性和在实验室外捕获运动的能力使其在运动训练和临床康复的现实世界环境中高度有效。生物力学是基本主题，可穿戴传感器和机器学习是核心主题，步态、平衡和身体活动是发展中的主题。传感器融合和活动识别是引文影响最强的主题，深度学习优于传统机器学习，标志着向最新AI方法的范式转变。研究趋势明确指向IMU与人工智能（特别是机器学习和深度学习算法）集成，以更好地管理和解释生成的数据。该领域现在需优先考虑方法学标准化、开放数据共享和临床验证实施，以将学术产出转化为对运动员和患者的实际影响。
