科学网—AI能成为运动队的“智能参谋”吗？|9月运动健康领域文章精选-Frontiers开放获取的博文
精选
已有 423 次阅读
2026-9-29 09:04
| 个人分类: 期刊精选 | 系统分类: 科研笔记
2026 年爱知·名古屋亚运会已正式拉开帷幕，当顶尖运动员在赛场上巅峰对决时，看不到的“科技较量”正在幕后悄然上演。本届赛事中，智能化训练与赛事分析已成为核心看点——例如韩国击剑队在备战时便深度引入了 AI 视觉系统，由算法自动复盘得分动作、精准拆解对手战术。
图片来源：Seoul Economic Daily。
然而，从捕捉技术动作到预测战术走向： AI 究竟能在多大程度上“看懂”比赛，并真正进化为运动队的“智能参谋”？
为此，我们特别推出【前沿月报】专题栏目，每月精选发表于 Frontiers in Sports and Active Living （IF 3.0｜CiteScore 3.9） 的高质量研究，梳理运动健康领域的前沿成果，为科研工作者提供选题参考、方法借鉴与跨学科探索思路。
首期内容，我们聚焦 “AI 辅助运动” ， 精选 6 篇文章，解读 AI 在动作识别、比赛分析与团队应用中的研究进展和现实边界 。
精选文章
Feasibility of OpenPose markerless motion analysis in a real athletics competition
无标记动作捕捉技术在田径实战赛事中的应用可行性验证
精要解读与实证结论：
在竞技体育生物力学分析中，无标记姿态估计技术有望克服传统手动标记繁琐耗时的瓶颈。
本研究测试了开源无标记姿态估计工具 OpenPose（基于深度学习的人体关键点检测系统）在真实高水平竞技场景下的表现，选取 2017 年世界田径锦标赛男子跳远决赛中两台 200 Hz 高速摄像机拍摄的踏跳起跳动作视频，分别采用 OpenPose 与 SIMI Motion 手动标记重建 3D 坐标系，对比分析跳远最后一步及起跳阶段的关节角度与身体质心（COM）运动学特征。多重测定系数（CMD）分析显示，运动员间各关节角度波形吻合度存在显著个体变异，其中膝关节角度波形吻合度较高（起跳腿：0.727 ± 0.242；摆动腿：0.729 ± 0.190），但髋关节（起跳腿：0.388 ± 0.193；摆动腿：0.370 ± 0.227）与踝关节（起跳腿：0.247 ± 0.172；摆动腿：0.155 ± 0.228）吻合度极低；质心位置（0.600 ± 0.322）和起跳投影角（0.658 ± 0.273）吻合度尚可，但质心速度（0.217 ± 0.241）一致性差；关键离散指标平均组内相关系数（ICC）仅为 0.17 且存在大量非生理学异常值。
研究表明，现阶段 OpenPose 尚不适用于跳远等复杂大赛环境下的精确运动学解析，高精度分析仍需依赖传统手动标记。
👉 点击阅读原文
图片对比了四名代表性运动员在跳远倒数第二步着地至离板瞬间的关节角度变化曲线，黑色实线代表高精度 SIMI 手动标记基准，红色虚线代表 OpenPose 自动追踪结果。读者可重点观察踝关节与髋关节处红黑曲线的显著偏离与相位跳跃。图片来自原文 figure 1。
Enhancing volleyball training: empowering athletes and coaches through advanced sensing and analysis
多模态感知与机器学习赋能排球日常训练与实时动作识别反馈
精要解读与实证结论：
现代运动生物力学感知技术能够挖掘运动员隐形动作模式，构建交互式训练场景。
本研究研发了一套集成惯性测量单元（IMU）、压感显示地板与机器学习算法的排球智能训练与评估系统。平台开发了两个核心应用：其一为基于视频与穿戴传感器的主动动作识别与自动视频打标系统，在 10 折交叉验证下，卷积神经网络（CNN）对垫球、传球、扣球等典型技术动作的非加权平均召回率（UAR）达到 78.71%，在留一受试者交叉验证下结合主动数据表征（ADR）方法的召回率达 73.84%；其二为“垫球-传球-扣球”（Bump-Set-Spike）实时反馈训练系统，通过压感发光地板将步法移动轨迹与触球时机以视觉化交互投影呈现于运动员脚下。
教练与业余运动员的实测反馈表明，该系统不仅大幅 简化了复杂动作视频的人工回溯与标注成本，更通过低时延视觉反馈有效规范了运动员步法跑位与起跳节奏 ，展示了智能传感器与人机交互在球类训练中的落地前景。
👉 点击阅读原文
图片展示了排球智能训练系统的总体技术架构。读者可清晰看到运动员佩戴的 IMU 传感器、压力敏感交互地板与实时机器学习处理管线之间的双向数据流闭环。图片来自原文 figure 1。
Bayes-xG : player and position correction on expected goals (xG) using Bayesian hierarchical approach
Bayes-xG ：基于贝叶斯分层模型校正球员个体与场上位置对预期进球的影响
精要解读与实证结论：
常规预期进球（xG）模型通常基于射门位置与角度等共性几何特征估计破门概率，容易忽略射门球员个体终结能力及位置角色差异。
本研究利用 StatsBomb 公开赛事数据，构建贝叶斯分层逻辑回归模型（Bayesian Hierarchical Logistic Regression），对英超联赛（EPL）2003 与 2015 赛季约 10,000 次真实射门进行实证建模。研究发现，在仅纳入射门距离与角度的基础模型中，前锋与前腰球员表现出显著更高的得分概率；但当引入射门方式、身体部位及受压迫状态等更丰富预测变量后，纯位置层级效应显著减弱。值得注意的是， 即便在最完备的特征模型中，球员个体层级效应依然顽固存在，表明顶尖射手具有极其显著的正向 xG 修正效应。 研究进一步将模型推广至西甲约 20,000 次射门与德甲约 7,500 次射门数据，均复现出高度一致的个体修正规律。
先验敏感性分析表明，贝叶斯分层方法兼具高拟合度与不确定性量化能力，为科学评估球员射术与战术贡献提供了更稳健的解析工具。
👉 点击阅读原文
图片展示了 Bayes-xG3 模型测算出的代表性知名球员个体及集体平均水平的 xG 修正分布。读者可重点对比高水平射手向右显著偏移的正向后验分布与普通球员群体的差异。图片来自原文 figure 8。
Mapping football tactical behavior and collective dynamics with artificial intelligence: a systematic review
基于人工智能的足球战术行为与团队协同动态分析系统综述
精要解读与实证结论：
现代足球作为高动态对抗运动，对集体战术行为的量化解析提出了极高要求。
本系统综述遵循 PRISMA 指南与 PICO 架构，在初筛的 2,548 篇文献中系统归纳总结了 32 项代表性研究，全面绘制出 AI 技术在足球战术行为、团队动态协同与跑动模式解析中的前沿蓝图。综述指出，时空追踪数据主要通过卷积神经网络（CNN）、循环神经网络（RNN）、变分自编码器（VAE）以及 XGBoost、随机森林等算法进行特征解析；球队集体动力学与控场格局则借助复杂网络图论指标（中介中心性、聚类系数等）、预期控球价值（EPV）、场地控制图（Pitch Control Map）以及预期进球（xG）和三维球迹追踪等模型进行量化呈现。
研究证实， AI 模型能够有效将海量离散时空点阵转化为实时战术决策辅助、赛中换人预判与战术任务设计 ；但文章也同时指明，该领域当前仍面临算法跨联赛泛化困难、专业交叉复合型人才稀缺以及实战部署阻力等现实瓶颈。
👉 点击阅读原文
图片展现了 Web of Science 与 SPORTDiscus 数据库中关于 AI 足球战术分析的高频关键词时序共现聚类。读者可重点查看从传统体能追踪向深度学习、集体协同动态等现代前沿演进的技术演变路径。图片来自原文 figure 1。
Performance and healthcare analysis in elite sports teams using artificial intelligence: a scoping review
人工智能在职业运动队运动表现与健康管理中的应用范围综述
精要解读与实证结论：
现代职业运动队正日益借助先进计算模型应对竞技表现与伤病防控的复杂交织。
本研究依据 PRISMA-ScR 指南，系统检索 PubMed、Web of Science 和 Scopus 数据库中利用人工智能理解或提升运动队综合表现的文献，最终纳入 32 项高质量前沿研究（涉及 2,823 名职业运动员，其中男性占 65.36%，女性占 34.64%）。分析发现，在研究领域分布上，15 篇聚焦于竞技表现提升，17 篇聚焦于医疗健康管理；在运动项目上，足球（Soccer）以 67% 的占比成为 AI 应用最广泛的运动领域；在算法模型分布上，决策树集成方法占比最高达 36%，其次为 Ada/XGBoost（19%）、人工神经网络（9%）、K 最近邻（9%）、经典回归技术（9%）以及支持向量机（6%）。
研究证实， AI 正在从早期的单纯统计分析向多模态决策支持演进，覆盖战术协同、疲劳预测与伤病风险筛查等关键节点 。该综述系统刻画了 AI 在职业体育团队中的技术图谱，为科研人员与决策层构建智能化保障系统提供了实证依据。
👉 点击阅读原文
图片采用思维导图全面梳理了人工智能在职业运动团队中的核心应用领域。读者可清晰查阅从表现提升、战术评估到医疗健康、选材预测等六大分支的具体技术落地场景。图片来自原文 figure 1。
Challenges and opportunities of artificial intelligence implementation within sports science and sports medicine teams
人工智能在运动科学与运动医学复合型保障团队中的应用机遇与系统性挑战
精要解读与实证结论：
以大语言模型（LLM）、计算机视觉和生成式算法为代表的人工智能正在重塑现代体育训练保障流程。
本文基于社会技术系统（Sociotechnical System）理论，结合因果回路图（CLD）模型，系统辨析了人工智能融入多学科复合保障团队（MDT）所带来的深层变革与潜在风险。分析指出，自动化计算机视觉与辅助代码生成技术能够大幅解放视频标注、数据录入与清洗等繁琐劳动，赋予体能教练与队医更多直接面对运动员的沟通与个性化康复时间，同时数字孪生（Digital Twin）与语言情感分析也为个体化运动负荷建模提供了全新契机。然而，AI 的深度渗透也伴随严重的“自动化悖论”：人类专家若过度脱离一线分析循环，将面临专业敏锐度退化、情境感知缺失以及系统异常时接管能力下降等困境；此外，数据隐私泄露、黑箱决策不可解释性，以及资金雄厚队伍与中小俱乐部之间的技术资源鸿沟（马太效应）亦不容忽视。
文章强调，引入 AI 不应仅追求单点技术性能，必须实现 “人类-技术”双向协同优化与多利益主体共同伦理监管。
👉 点击阅读原文
图为人工智能与自动化技术融入保障团队的系统因果回路图（CLD）。读者可顺着强化反馈回路（+）与平衡反馈回路（−），观察 AI 可靠性如何增进用户信任，以及技能退化与主观满意度之间的负向制衡关系。图片来自原文 figure 1。
正如这 6 篇文章所揭示的，无论是计算机视觉还是数据模型，科技确实越来越能“看见”动作、计算概率。但真实赛场的复杂性与个体的差异，依然是技术难以完全跨越的门槛。在这场运动与 AI 的融合中， 工具可以成为强大的参谋，但永远无法替代人类自身的决策。
不仅是万众瞩目的职业赛场，科技也正在悄然渗透进我们每个人的日常。 如今，智能手表的“身体状态准备指数”等功能已能为我们提供日常活动建议。尽管这些指标目前更多依赖于成熟的运动科学算法，但未来，当它们与更前沿的 AI 深度交织，又会如何改变我们的日常锻炼？或许，这同样是一场值得期待的探索。
期刊介绍
IF：3.0 | CiteScore：3.9 | JCR ：Q2
Frontiers in Sports and Active Living 期刊运用自然科学、生命科学及社会科学的研究方法与理论，深入探索不同情境下的体育、身体活动与积极生活方式，涵盖运动生物力学、运动生理学、运动损伤预防与康复、运动心理学、女性体育等方向。期刊收录于 PubMed、Scopus、DOAJ、ESCI (Web of Science) 及 Crossref 等国内外知名数据库。
期刊主编：
Richard Giulianotti，拉夫堡大学，英国
Grégoire P. Millet，洛桑大学，瑞士
👉 点击查看： 专刊主页并投稿
转载本文请联系原作者获取授权，同时请注明本文来自Frontiers开放获取科学网博客。 链接地址： https://blog.sciencenet.cn/blog-3465500-1554400.html
上一篇： 期刊聚焦 | 细胞神经科学前沿速递：神经炎症、蛋白稳态 欢迎参加科学网十佳博文评选活动！ 主办单位： 
支持单位： 