《Applied Sciences》：Artificial Intelligence in Sports Motion Analysis (2011–2025): A Bibliometric and Evolutionary Review of Methods, Modalities, and Sports Science Applications
人工智能（AI）已通过可穿戴传感、计算机视觉和深度学习的进步迅速重塑了体育运动动作分析。然而，现有综述往往聚焦于孤立技术，缺乏系统的演化视角。本研究对2011至2025年间人工智能在体育动作分析领域的文献进行了为期15年的文献计量与演化综述，将科学计量图谱分析与跨模态、方法及应用方向的定量内容分析相结合。研究人员利用包含2602篇出版物的多源综合数据集，使用VOSviewer和CiteSpace分析知识结构、合作模式、共被引网络和新兴研究前沿。此外，每项研究均按模态（可穿戴、视觉和多模态）、AI方法（传统机器学习、深度学习和基于Transformer的方法）以及任务类型（活动识别、表现分析、康复及其他）进行分类。结果揭示了指数增长和清晰的三阶段演化：以可穿戴设备和传统机器学习为主的传感器驱动阶段（2011–2015）；以基于视觉建模为中心的深度学习扩展阶段（2016–2019）；以及以新兴基于Transformer的方法、多模态集成增强、实时监测和面向应用的体育分析为特征的近期深度学习整合阶段（2020–2025）。该领域已从基于信号的识别转向以视觉为中心的表现评估、康复相关动作评估以及损伤相关应用。这项数据驱动的综述提供了一个整合的演化框架和未来研究路线图，以支持体育科学、运动员监测以及健康相关人体动作分析中AI驱动分析的持续发展。
1 引言（Introduction）
1.1 研究背景（Background and Research Context）
体育运动动作分析长期是体育科学、生物力学与运动表现优化的核心内容。本文将体育动作分析操作性地定义为在体育、运动训练、表现评估、运动相关康复、损伤预防和运动员监测等情境中，由人工智能（AI）支持的人体动作分析。传统方法依赖实验室动作捕获、测力台和人工视频标注，虽然精确但成本高、耗时长且局限于受控环境。可穿戴传感器、高分辨率视频以及AI技术的发展，使大规模、自动化、实时的运动分析成为可能。基于2602篇出版物的多源数据集显示，2015年前年发文量不足20篇，到2025年已超过400篇；领域发展可划分为传感器驱动探索阶段、深度学习扩展阶段以及深度学习整合与多模态涌现阶段。
1.2 现有综述的局限（Limitations of Existing Reviews）
已有综述多聚焦单一技术组件，如可穿戴活动识别、姿态估计、计算机视觉体育分析和AI辅助动作评估，但较少从长期演化视角审视整个领域。多数研究缺乏科学计量视角，未系统绘制知识结构、合作网络和基础文献；也未将文献计量图谱与定量内容分析相结合，难以识别模态、AI方法和应用任务层面的系统性转变。
1.3 目标与贡献（Objectives and Contributions）
本研究旨在提供2011—2025年的15年综合综述，将文献计量图谱与定量演化分析相结合。具体目标包括：第一，利用关键词共现、共被引分析和突发检测构建领域科学计量全景；第二，沿模态（可穿戴、视觉和多模态）、AI方法（传统机器学习、深度学习和基于Transformer的方法）和应用任务（活动识别、表现分析、康复等）开展结构化定量分析；第三，提出整合演化框架和未来研究路线图。
2 材料与方法（Materials and Methods）
2.1 数据收集与检索策略（Data Collection and Search Strategy）
文献主要检索自Web of Science核心合集（WoSCC）的SCI-Expanded，并补充Scopus、IEEE Xplore、ACM Digital Library、PubMed和arXiv。初始检索获得4386条记录，经非英语排除、去重、类型筛选和范围筛除后，最终得到2602篇出版物。多源记录被合并、去重并标准化，形成统一数据集，用于后续网络分析、主题建模和定量标注。
2.2 文献计量分析（Bibliometric Analysis）
研究采用VOSviewer、CiteSpace和潜在狄利克雷分配（LDA）主题模型。VOSviewer用于关键词共现、合著关系和共被引网络；CiteSpace用于关键词突发检测、时间线分析和双图叠加；LDA在K=5至K=12候选解中以主题连贯性和困惑度比较，最终保留K=8，得到八个可解释的研究主题。
2.3 定量内容标注（Quantitative Content Annotation）
每个出版物沿三个维度标注：数据模态（可穿戴、视觉、多模态）、AI方法（传统机器学习、深度学习、基于Transformer）和应用任务（活动识别、表现分析、康复/健康监测及其他）。标注过程采用基于Python的语义分析流程，结合规则匹配和语义分类，并通过分层随机抽样的300篇人工验证。自动标注与人工标签间的一致性良好，三个维度的Cohen's kappa分别达到0.891、0.902和0.867；混淆矩阵显示大多数分歧发生在相邻类别之间，标注规则随后进一步细化。
3 结果（Results）
3.1 全球发文趋势（Global Publication Trends）
3.1.1 发文增长与发展阶段（Publication Growth and Development Phases）
2011—2025年发文量呈持续增长态势。2016年起稳步上升，2020年后迅速增加，2025年超过400篇。该趋势与深度学习架构、人体姿态估计算法以及大型体育视频和可穿戴数据集的发展密切相关。
3.1.2 基于阶段的演变（Stage-Based Development）
结合发文趋势与关键词叠加可视化，领域分为三阶段：探索阶段（2011—2015）以可穿戴传感和传统机器学习为主；深度学习扩展阶段（2016—2019）转向视觉分析与卷积神经网络；Transformer与多模态整合阶段（2020—2025）出现注意力机制、多模态融合、实时监测和应用导向体育分析。
3.2 领域知识结构（Knowledge Structure of the Field）
3.2.1 关键词共现与主题聚类（Keyword Co-Occurrence and Thematic Clustering）
关键词共现网络识别出四个主要聚类：机器学习方法论、可穿戴活动识别、计算机视觉与视频分析、深度学习与先进神经架构。四个聚类共同体现领域内人工智能、体育科学和数据驱动建模的交叉整合。
3.2.2 技术层面关键词演化（Technology-Level Keyword Evolution）
关键词叠加图显示技术词汇从加速计、可穿戴传感器、传统机器学习，向深度学习、计算机视觉、姿态估计，再向Transformer、注意力机制、实时系统和视频数据模型演进，反映建模范式从信号特征转向视觉表征和序列建模。
3.2.3 参考文献共被引分析（Reference Co-Citation Analysis）
共被引网络呈现三个主要知识集群：可穿戴传感器活动识别的基础性工作；深度学习与计算机视觉在动作识别中的引入；以及基于视频的动作识别和三维动作分析。集群关系显示领域智力基础从传感器方法转向视觉深度建模，再向复杂时空建模发展。
3.2.4 全球合作网络（Global Collaboration Network）
国家层面合作网络显示中国和美国是核心贡献者与合作枢纽，与欧洲、亚洲和大洋洲多国联系紧密。德国、英格兰、意大利、西班牙、瑞典等欧洲国家形成重要合作集群；韩国、沙特阿拉伯、巴基斯坦和孟加拉国等新兴研究力量逐渐活跃。
3.3 时间动态与新兴研究前沿（Temporal Dynamics and Emerging Research Frontiers）
3.3.1 关键词突发检测（Keyword Burst Detection）
CiteSpace突发检测显示早期突发关键词为体力活动、能量消耗、加速度计；中期为惯性传感器、数据融合、时间序列；近期为卷积神经网络、计算机视觉、视频分析；最新突发词包括注意力机制、数据模型、动作捕获和长短期记忆网络，表明研究重点转向时序依赖建模和多源数据整合。
3.3.2 基于LDA主题模型的主题演化（Evolution of Research Themes Based on LDA Topic Modeling）
LDA识别出八个主题：动作算法、球类运动分析、姿态跟踪、视频动作识别、可穿戴活动识别、康复生物力学、实时监测和损伤风险分析。早期主题分布分散；2019年后视频动作识别和姿态跟踪增长显著；2023年后实时监测、损伤风险分析和康复生物力学快速上升，表明领域从方法导向转向应用驱动。
3.3.3 跨学科知识流动（Interdisciplinary Knowledge Migration）
期刊双图叠加显示，施引文献主要位于数学、系统和计算机科学领域，被引文献集中于系统、计算与计算机领域，同时与健康、护理、医学以及运动康复和生物力学存在明显知识流动，还延伸至心理学、教育和社会科学，体现显著跨学科特征。
3.4 模态、方法与应用的演化（Evolution of Modalities, Methods, and Applications）
3.4.1 模态演化（Evolution of Modalities）
早期可穿戴传感器主导，惯性测量单元和加速度计常用于活动识别。2010年代中期后视觉方法逐步增加，使无需穿戴设备的运动分析成为可能。近期多模态集成研究增多，将视频、可穿戴数据和情境信息结合以提升鲁棒性。
3.4.2 AI方法演化（Evolution of AI Methods）
早期以支持向量机、决策树和随机森林等传统机器学习为主；2010年代中期后深度学习尤其是卷积神经网络（CNN）成为主流，支持自动特征提取和姿态估计等任务；近年Transformer架构开始涌现，用于捕获动作数据中的复杂时空关系。
3.4.3 应用任务演化（Evolution of Application Tasks）
早期活动识别是主导任务；随后绩效分析逐渐受到重视，用于运动技能评估和训练优化；近期研究扩展到康复、健康监测和损伤预防，表明AI体育动作分析的应用价值已超越竞技表现评价，进入运动医学与运动员健康管理领域。
3.5 未来展望与研究路线图（Prospects and Future Research Roadmap, 2025–2030）
3.5.1 多模态体育智能系统（Multimodal Sports Intelligence Systems）
未来研究预计进一步整合视频、可穿戴传感器和生物力学信号，借助Transformer和跨模态学习构建多模态体育智能系统，以支持表现评估、实时监测和损伤预防。
3.5.2 实时边缘AI（Real-Time Edge AI in Sports）
实时监测需求推动边缘AI发展，即在本地设备上完成推理以降低延迟、提高响应性并增强隐私保护，这对训练实时反馈、比赛战术分析和连续运动员监测至关重要。
3.5.3 人体运动理解基础模型（Foundation Models for Human Motion Understanding）
研究可能趋向训练大规模人体运动基础模型，在视频、可穿戴和动作捕获数据上学习通用运动表征，并适应不同运动项目、运动员和场景，以支撑动作识别、表现评价和损伤风险预测。
3.5.4 预测性体育分析与损伤风险建模（Predictive Sports Analytics and Injury Risk Modeling）
未来将更强调预测性分析，利用纵向运动数据、生物力学测量和生理指标识别异常动作模式或过大负荷，以支持损伤预防和个性化训练建议。
3.5.5 伦理、隐私与数据治理挑战（Ethical, Privacy, and Data Governance Challenges）
运动员运动数据包含身体状态和健康信息，需明确数据访问、同意和共享政策。同时AI模型的可解释性、公平性和透明度也需关注，应发展隐私保护学习、可解释AI和负责任的数据治理框架。
3.5.6 本综述的局限（Limitations of This Review）
多源数据库覆盖差异、索引延迟和标注框架的简化可能带来偏差；2025年文献可能不完整；自动标注难以完全捕捉重叠模态、混合方法或多目标研究，因此结果解释需谨慎。
4 结论（Conclusions）
本研究对2011—2025年人工智能在体育动作分析中的应用进行了文献计量与演化综述。基于2602篇出版物，研究发现领域从可穿戴活动识别走向视觉分析和多模态融合，方法从传统机器学习转向深度学习和Transformer架构，应用从基础动作识别拓展到绩效分析、康复监测和损伤风险评估。该领域高度跨学科，未来方向包括多模态智能系统、实时边缘AI、动作理解基础模型、预测性体育分析和伦理治理框架，以支持智能体育分析的持续发展。
