《Applied Sciences》：Convergence of Artificial Intelligence and Wearables in Strength Training and Performance Monitoring: A Scoping Review
Eleftherios Fyntikakis,
Spyridon Plakias,
Themistoklis Tsatalas,
Minas A. Mina,
Anthi Xenofondos and
Christos Kokkotis
背景：力量训练（Strength Training, ST）对提升运动表现及降低损伤风险至关重要，但传统监测高度依赖主观评估，限制了客观化与个体化评价的实现。目的：本范围综述批判性整合人工智能（Artificial Intelligence, AI）与可穿戴技术（Wearable Technologies, WT）在力量训练领域的现有应用，重点关注方法学路径、数据特征、可解释性及实践成熟度。方法：通过对PubMed与Scopus数据库的检索，共纳入13项2015至2025年间发表的同行评审研究。研究人员对证据进行梳理与综合，对比了AI模型、可穿戴传感器配置、验证策略及转化潜力。结果：相关研究采用经典机器学习、深度学习及混合方法，结合惯性、力、应变及生理传感器，以支持动作分类、负荷估计、疲劳检测及表现监测。深度学习模型在动作识别任务中占主导，而较简单的模型往往更适配小样本数据集及对可解释性的需求。然而，多数研究依赖有限且同质的样本及内部验证，限制了结果的泛化性与现实适用性。可解释性在不同研究中处理不一致，尤其在损伤预测等高风险应用中尤为突出。结论：AI增强型可穿戴设备可提供客观且个体化的力量训练监测，但现有证据仍主要处于实验阶段。为确保实际应用落地，需建立标准化数据集、开展稳健的外部验证，并加强可解释人工智能（Explainable AI, XAI）的整合，以支持并交付可信的决策支持。
1. 引言
人工智能（AI）指通过计算手段使系统从数据中学习模式并支持自动化决策的方法，无需显式规则编程。在力量训练（ST）与运动表现监测（Performance Monitoring, PM）语境下，AI主要包括应用于可穿戴技术生成的时变高维数据的机器学习（Machine Learning, ML）与深度学习（Deep Learning, DL）方法，数据类型涵盖惯性、生理及压力信号。ML模型通过在标注数据集上训练，识别输入特征与目标结果间的统计关系；DL方法如卷积神经网络（Convolutional Neural Networks, CNNs）与长短期记忆网络（Long Short-Term Memory, LSTMs）则能从原始传感器数据中自动提取层级特征，尤其适用于复杂时序与多变量信号处理。二者存在预测性能与可解释性的权衡：经典ML模型如支持向量机、随机森林通常更具透明性，适合小数据集；DL模型虽能更有效捕捉非线性与时序依赖，但通常可解释性较低，呈“黑箱”特性。
AI与可穿戴技术（WT）的融合正重塑体育科学与运动生理学对力量训练的评估、优化与监测方式。这些创新弥合了实验室评估与现实训练间的鸿沟，为个性化能力提升与损伤预防提供了可扩展的解决方案。通过持续追踪生理与生物力学参数，AI驱动的可穿戴系统可深入揭示训练适应机制，支持实时表现分析与个体化反馈，推动传统训练向数据驱动的长期健康管理转型。多模态可穿戴系统的最新进展表明，AI驱动的负荷监测与表现画像在高水平竞技场景中具有显著价值。
当前力量训练与表现监测仍依赖力台、动作捕捉等昂贵实验室系统，需受控环境，在非精英运动场景中可及性低。Countermovement Jump（CMJ）作为下肢神经肌肉表现与训练适应的核心指标，虽长期依赖实验室级设备，但目前已可通过便携式力台与可穿戴传感器实现场地化监测与即时反馈。WT的进步，包括惯性测量单元（Inertial Measurement Units, IMUs）、压力感应鞋垫、加速度计及智能手表与计算机视觉的结合，使得在自然训练环境中持续监测生物力学与生理指标成为可能。AI技术的进步则实现了自动化动作识别、实时反馈、损伤风险预测与个体化负荷处方。混合模型在动作分类中准确率可达96%以上，物理信息机器学习将生物力学力估计误差降至2.6%。该跨学科领域发展迅速，商业系统已逐步提供原仅限实验室的洞察。近期研究探索的混合计算机视觉-IMU架构，可在深蹲、硬拉及奥林匹克举等真实训练环境中稳健评估发力生物力学与神经肌肉控制。尽管DL在动作分类、生理预测等领域增长显著，但仍存在验证框架不一致、生态测试不足等问题。研究正从单传感器监测转向多模态网络系统，支持阻力训练与场地训练的实时分析。AI增强的心血管与代谢生物传感亦显示出可行性。可解释AI（XAI）、边缘计算与隐私保护机器学习等方法学创新，有望提升可解释性、降低延迟并增强数据安全。先进神经架构与自供电应变传感器则支持更自主与情境感知的分析，标志着从描述性监测向预测性与规范性表现分析的范式转移。新兴应用还可通过可穿戴肌电图（Electromyography, EMG）与ML算法检测疲劳，为个体化负荷调控提供新路径。然而，现有文献仍分散于跳跃表现、疲劳检测与损伤风险预测等孤立应用中。
技术创新速度快于系统评估，仅有少数研究纳入现实验证。不足四分之一的AI-可穿戴研究包含生态测试，传感器配置不一致、生理与生物力学数据整合不足、缺乏标准化验证协议等问题普遍存在。这凸显了对统一运动员中心验证框架的需求，需在更广泛人群与现实研究中检验，以支撑实际落地。除描述性总结外，亟需批判性评估方法选择、数据特征与验证策略如何塑造AI-WT在力量训练环境中的可靠性与实用价值。尽管方法学进展迅速，AI模型效能高度依赖数据集规模、传感器配置、信号质量与标签有效性。许多应用依赖小样本、同质数据集与代理结局指标，可能限制泛化性并引入预测不确定性。此外，标准化验证协议与外部测试的缺失仍是现实落地的重大障碍。
本范围综述旨在整合力量训练中AI与WT的现有应用，涵盖可穿戴传感器配置、结局指标与研究人群，并重点评估经典与DL方法的方法学权衡、数据集规模与构成对报告效能的影响、可解释性在 actionable 决策中的作用，以及现有系统的转化成熟度。通过识别结构性局限、知识缺口与实施障碍，为未来研究优先级及AI增强型可穿戴设备在应用层面的循证整合提供依据。
2. 材料与方法
本研究于2025年4月4日在开放科学框架（Open Science Framework, OSF）注册，遵循PRISMA-ScR 22条目清单以确保方法学严谨性、报告透明性与合成可靠性。
2.1 文献检索
检索于2025年11月2日系统检索PubMed与Scopus，采用受控词与自由词结合的检索策略，限定标题/摘要字段。检索式为：（“machine learning” OR “deep learning” OR “artificial intelligence”）AND（“wearable electronic devices” OR “wearable technology” OR “wearable sensors” OR “wearable devices” OR “inertial measurement units” OR IMU）AND（“resistance training” OR “strength training” OR “weight lifting” OR “athlete optimization” OR “strength and conditioning” OR “sports performance”）AND（telemonitoring OR monitoring OR “precision health monitoring” OR “biomechanical feedback”）。虽IEEE Xplore与ACM数字图书馆可能包含相关工程研究，但基于跨学科覆盖广度选择了PubMed与Scopus，这可能导致部分领域特异性研究的遗漏，属于本研究的局限性。
2.2 纳入与排除标准
纳入标准为2015年1月1日至2025年11月2日间发表的同行评审期刊论文，研究对象涉及AI与可穿戴设备在力量训练、体能训练及表现中的应用。排除标准包括2015年前发表的文章、会议报告、书籍、非英文文献、非力量与体能相关研究、未使用相关技术（如IMU传感器、神经网络）与应用（如表现提升、损伤预测）的研究、非人类参与者研究、综述及无法获取全文的研究。
2.3 数据提取
由两名研究人员独立完成筛选，合并数据库记录并去重后，依次进行标题摘要初筛与全文复筛，分歧通过讨论达成共识。采用标准化图表提取表收集数据，内容包括发表年份、人群与样本量、技术与传感器类型、AI与ML方法及验证策略、应用领域及主要发现。提取数据经叙述性综合，以识别方法学模式、主题趋势及AI-WT在力量训练中的应用范围。
3. 结果
初步检索获76条记录，经去重与层层筛选，最终13项研究纳入定性综合，筛选流程遵循PRISMA-ScR指南。所有纳入研究均探讨AI与WT在运动表现评估、监测或优化中的整合，排除无AI算法、无可穿戴组件或与生物力学及表现导向应用无关的研究。纳入文献分为三个主题领域：（i）生物力学与力量表现评估；（ii）生理监测与健康优化；（iii）AI驱动的运动专项与预测分析。
3.1 生物力学与力量表现评估
该领域研究显示，可穿戴传感与AI的进步已能在非实验室环境下实现生物力学负荷、动作质量与力量相关表现的精细化评估。五项研究证明，AI分析方法可将高维可穿戴传感器数据转化为可解释的生物力学指标，解决动作变异性、内部负荷估计与现实适用性等长期挑战。AI模型多采用监督学习，基于标注时序数据训练，将传感器输入映射至预定义动作模式或生物力学结局。
动作模式分类与技术评估是共同焦点，AI可实现训练中外显生物力学偏差的客观识别。Hu等人提出的门控长短期记忆与Transformer网络（Gated Long Short-Term Memory with Transformer Network, GLTN）利用躯干与下肢4个IMU的数据分类自重深蹲动作，能区分1种规范模式与8种异常变体，证明深度序列模型可捕捉多环节运动的细微时序依赖，其分类准确率超96%，优于传统DL架构，凸显了混合时序-注意力框架在动作质量评估中的适用性。但该模型并非通用解决方案，仍需结合力量训练语境下的个体化解读，且其样本量小且同质，可能限制跨人群、动作策略与传感器布置的泛化性。
部分研究将AI应用延伸至内部生物力学负荷估计，弥补实验室设备的局限。Matijevich等人结合可穿戴惯性传感器、压力感应鞋垫、肌肉骨骼建模与ML，估计跑步时的胫骨骨力，并与垂直平均加载率（Vertical Average Loading Rate, VALR）等常用替代指标对比。结果显示VALR估计精度有限且骨损伤预测误差大，而ML模型大幅降低了力估计误差，并显著减少了下游骨损伤计算的误差，证明AI驱动的生物力学建模相比简化冲击指标具有更高价值。但该模型依赖间接估计与实验室校准输入，仍需在真实条件与多样跑步模式中开展外部验证。
另有研究探索新型可穿戴传感器模态与AI的整合。Bellisle等人开发的服装集成结式应变传感器嵌入全身服，结合监督ML分类人体动作，尽管传感器仅位于小腿，却能成功分类踝、膝、髋与躯干的 nonlocal 关节运动，证明AI可通过学习关系补偿稀疏或间接传感。该研究为探索性设计，召回率中等，但证实服装集成传感结合ML可支持受限环境下的可扩展生物力学监测，适用于航天与运动表现领域，仍需更大样本与多样动作验证。
压力基生物力学评估亦有进展。Zhang等人开发的高灵敏度压阻纺织压力传感器集成至多通道鞋垫系统，在DL辅助下，对不同步态速度与地形的垂直地面反作用力（vertical Ground Reaction Forces, vGRFs）估计准确率超98%，解决了纯惯性系统难以可靠推断外力的局限，实现了vGRF的连续户外监测，弥合了实验室力测量与现实评估的鸿沟。但该系统性能可能受 footwear variability、传感器校准与环境条件影响。
AI动作分类还可应用于复杂连续训练场景。Preatoni等人利用多个IMU与监督学习算法，在非结构化训练课中实现对功能性健身动作的高准确率分类，通过分析传感器布置、窗口策略与验证方案，证明即使减少传感器配置仍能保持高精度。误分类主要发生在重复动作转换期，凸显了分割连续动作流的固有挑战，反映了模型在分段数据集训练后，应用于连续现实数据流时的普遍局限。
综上，AI驱动的生物力学评估已超越活动识别范畴，能结合可穿戴传感与先进ML模型，在生态效度较高的场景中估计内部负荷、评估动作质量并量化力量相关表现指标。但普遍存在样本量小、外部验证有限、依赖受控实验条件等约束。研究同时强调，需谨慎平衡模型精度、传感器设计与生物力学可解释性，以确保AI评估结果能转化为表现优化与损伤风险管理的有意义洞察。未来应聚焦更大规模多样数据集、标准化验证协议及XAI技术的整合，以提升模型透明度与实践适用性。
3.2 生理监测与健康优化
AI增强型可穿戴系统在将生理监测从孤立测量转变为连续、预测性、个体化的运动员健康优化框架中发挥关键作用。五项研究展示了ML与DL模型如何利用多模态生理信号——涵盖心血管、代谢反应及生化标志物——支撑数据驱动的训练适应、恢复管理与损伤预防。模型多基于时序生理数据训练，将心率、运动信号或生化标志物等输入特征映射至能量消耗、疲劳或健康状态等结局。
多项研究聚焦心血管、神经肌肉与生物力学指标作为生理健康监测的核心组成。Alzahrani与Ullah采用集成IMU、EMG、压力传感器与触觉反馈的多传感器可穿戴平台，采集运动物理治疗中的现实生物力学与生理数据，通过ML分析量化心率、关节运动学、肌肉激活与应力-应变特征等关键表现指标，揭示了显著的个体间差异。AI驱动的自适应干预可实现康复与训练策略的实时调整，标志着从群体常模向适配个体生理反应的精准健康监测的转变。但该研究样本量小且异质，缺乏标准化验证程序，可能限制在不同运动人群中的可重复性与泛化性。
代谢评估是另一关键领域，AI驱动的可穿戴分析解决了长期的可及性局限。Moon等人开发ML模型估计运动诱导的能量消耗，明确纳入运动后过量氧耗（Excess Post-Exercise Oxygen Consumption, EPOC），利用可穿戴心率数据、身体特征与运动强度作为输入，估计值与金标准能量消耗高度相关，证明AI回归模型可在不依赖 calorimetry 系统的情况下近似实验室级代谢评估。该方法同时捕捉运动中与运动后的代谢成本，为恢复规划与长期负荷管理提供了更全面的生理表征，但模型基于间接生理指标与受控实验设置，在自由生活或高变异性训练条件下的精度可能下降。
生理监测正向生化领域拓展。Wang等人开发的介电泳响应微流控汗液传感器可实现连续无创多分析物监测，结合同步电测量与ML分类，在宽浓度范围内对汗液生物标志物实现了高特异性识别。体表测试显示汗液成分与运动强度强相关，凸显了AI辅助生化传感补充心血管与生物力学数据的潜力。但验证仅基于有限参与者，汗液速率变异性、环境条件与传感器稳定性可能影响现实应用性能。
在系统层面，DL架构日益应用于整体健康状态推断。Wang等人提出的基于可穿戴设备的运动健康监测框架，整合CNNs、LSTMs与自注意力机制，建模生理信号中的复杂时序依赖，基于大规模可穿戴数据集训练，在预测运动员整体健康状态中表现稳健，可通过云平台实现自动化反馈。Zhao等人则开发了物联网赋能的健康监测框架，利用大数据分析与CNN预测模型评估大学生运动员的损伤风险与表现结局，除预测精度外，还明确探讨了数据隐私、公平性与可解释性等伦理考量。但两者均依赖代理结局变量与内部验证数据集，外部效度与现实部署仍存在疑虑。
综上，AI驱动生理监测已从孤立信号分析发展为集成健康优化生态系统。ML可精确估计代谢负荷，DL架构能捕捉运动员健康状态背后的复杂时序与跨模态关系，生化传感与伦理考量的纳入进一步反映了该领域的发展成熟。但普遍存在样本量小、依赖间接结局指标、外部验证有限等方法学局限。这些进展共同支撑了针对运动员福祉的连续、个体化、前瞻性方法，确立了AI增强型可穿戴设备在长期表现可持续性与损伤风险缓解中的核心地位。未来研究应聚焦于提升数据质量、纳入临床或生物力学验证的金标准、整合XAI方法以增强生理预测的透明度与可信度。
3.3 AI驱动的运动专项与预测分析
体育分析的最新进展明显趋向AI驱动的运动专项预测模型，利用可穿戴传感器数据与ML，从描述性监测迈向可行动的表现洞察。三项研究展示了AI方法如何适配不同运动项目的生物力学、生理学与战术需求，涵盖格斗、团队与耐力训练等语境。模型多基于运动专项数据集训练，利用可穿戴衍生特征预测表现结局、分类动作或估计生理状态。
格斗体育研究中，一项拳击动作识别研究采用深度卷积神经网络（Deep Convolutional Neural Networks, DCNNs）分类可穿戴IMU捕获的动作模式，针对手靶训练场景，证明DCNNs可高精度识别复杂拳击动作，召回率达99%、准确率达91%。与传统视频分析相比，该IMU方案成本更低、便携性强、可扩展，支持常规训练中的连续监测，凸显了自动化表现评估与实时评分系统的潜力，减少了对主观评价与昂贵基础设施的依赖。DCNNs通过自动从原始传感器信号中提取空间特征，实现无需手动特征工程的动作模式学习，但模型训练于有限的专项数据集，可能限制其在不同运动员、技能水平或训练条件下的泛化性。
精英排球研究中，de Leeuw等人应用集成学习方法——具体包括XGBoost、随机森林回归与子群发现——检验训练负荷、感知健康与比赛表现间的关系，结合可穿戴传感器数据、手动记录训练活动、健康问卷与视频标注比赛数据，识别出训练特征与特定表现结局间的非线性与条件关联。进攻表现与前四周较重下肢力量训练负荷正相关，而上肢负荷过量、负荷变异性大、跳跃高度低与高跳变异性不足则与较差结局相关；传球表现则对短期跳跃负荷模式敏感，尤其是赛前1-2周高跳变异性过高或不足。这些发现证明AI可揭示位置与技能特异性的表现决定因素，支持基于证据的训练计划调整，而非一刀切的负荷处方。集成模型如随机森林与XGBoost通过组合多棵决策树，捕捉训练变量与表现结局间的复杂非线性关系，但研究仅基于单一队伍与特定竞赛语境，外部效度与其他人群或运动的迁移性有限。
生理视角下，Biró等人聚焦疲劳与耐力的预测，利用重复训练课采集的多变量IMU时序数据，对比随机森林、梯度提升机与LSTM，证明其对疲劳的预测精度高，且预测疲劳水平与观测到的表现下降强相关。其核心贡献在于实时反馈循环，可基于误差与偏差估计持续调整模型预测，实现疲劳的早期检测与过度训练风险的及时干预，耐力预测则支持与运动员生理阈值对齐的个体化训练调整，凸显了AI在个体化负荷管理与训练周期化中的作用。LSTM模型因能捕捉序列生理数据中的时序依赖而特别适用于该任务，但疲劳是基于代理指标而非直接生理测量推断，可能引入模型有效性的不确定性。
综上，AI在运动专项预测分析中的作用日益凸显，模型围绕各项目的数据结构、表现指标与决策需求专门设计。AI不再仅是自动化数据收集或分类，更用于识别非线性关系、预测相关状态并支撑个体化教练策略。但普遍存在样本量小、专项数据集、外部验证有限等约束，增加了过拟合风险并降低泛化性。研究结果同时强调，需依托高质量传感器数据、谨慎的特征选择与运动语境解读，确保预测模型转化为训练与竞赛中的有意义表现提升。未来应聚焦跨运动验证、更大规模数据集与XAI方法的整合，以提升模型透明度与实践可用性。
3.4 按应用领域总结纳入研究
纳入研究按主要目标与结局指标分为三类，反映了AI与WT整合于力量训练与表现监测中的当前研究重点与方法学趋势。13项研究中5项聚焦生物力学与力量表现评估，强调量化动作质量、负荷分布、对称性与动作执行，常用IMUs、纺织基应变与压力传感器，部分结合摄像计算机视觉系统，结合CNNs、循环神经网络与监督ML分类器，以增强生物力学画像并在力量练习与功能性动作中提供客观反馈。5项归类于生理监测与健康优化，侧重解读可穿戴设备获取的心血管、代谢与恢复相关信号，利用AI模型估计能量消耗、监测疲劳、评估健康状态，支撑连续训练负荷与恢复监测，代表了体育技术的Emerging Frontier，即生理传感与预测分析的融合，以实现个体化准备度评估与数据知情恢复策略。剩余3项涉及AI驱动的运动专项与预测分析，应用先进ML框架于专项数据集，实现表现分类、比赛相关分析与疲劳或耐力预测，展示了可穿戴衍生数据如何转化为个体化训练处方、战术优化与特定运动项目损伤风险管理的可行动洞察。
4. 讨论
本范围综述批判性评估了2015至2025年间13项整合AI与WT于力量训练与表现监测的研究。纳入研究数量较少反映了该领域的Emerging Nature，且严格应用了纳入标准。研究人员未止步于应用罗列，而是检验了方法选择、数据特征与验证策略如何影响AI增强WT的可解释性、泛化性与实践可用性。研究发现，尽管生物力学评估、生理监测与表现反馈存在技术自动化进步，但多数应用仍处于实验或原型阶段。高模型性能多反映受控实验室条件与小而同质样本，内部验证的依赖共同限制了生态效度与转化置信度。因此，AI驱动WT在力量训练中的实际应用，取决于AI方法、数据质量、可解释性与现实决策语境的对齐，而非名义精度指标。
4.1 AI技术与应用领域
在三大应用领域中观察到 distinct 方法学模式与权衡。（i）生物力学与力量表现评估主要采用DL与监督ML模型，利用惯性、压力与纺织传感器分类动作模式并估计机械负荷；（ii）生理监测与健康优化更常用回归型与时序DL模型，基于心血管与生化信号建模代谢成本、疲劳与健康相关状态；（iii）运动专项预测分析则依赖定制集成与DL方法，捕捉训练负荷与表现结局间的学科依赖性关系。这表明模型选择与传感器数据结构、所需可解释性水平及实践决策的目标结局紧密相关。AI与WT的整合并无单一最优方法学方案，需根据具体力量训练语境、运动类型、表现目标或健康结局以及数据采集环境进行调整。
在生物力学与力量表现评估中，CNN、LSTM、Transformer及混合模型等深度架构在动作分类与技术评估任务中持续实现高精度，尤其在建模复杂时序依赖与多环节协调模式时。但这些增益多在受控条件下小样本同质人群中观察到，验证多限于内部交叉验证，可能导致性能指标高估泛化性，尤其在跨运动员、传感器布置或训练环境部署时。较简单的监督模型虽可能降低名义精度，但可减少计算需求，在可用数据与透明度受限的应用场景中提升可解释性。
生理与健康监测的方法学设计受信号类型与时序结构影响。回归型ML方法常用于代谢估计任务，如能量消耗与EPOC预测，可利用有限WT有效建模连续生理关系。但用于整体健康状态推断与疲劳监测时，更倾向采用含循环层与注意力机制的DL架构，以整合多模态生理流并捕捉长程时序依赖。然而，疲劳、准备度与损伤风险多基于代理标签而非临床或生物力学金标准推断，尽管报告精度高，仍引入了模型有效性的不确定性。这种对间接结局的依赖强化了将模型复杂度与标签可靠性对齐、审慎解读预测性能的必要性。
运动专项AI驱动预测分析是最依赖语境的应用领域。深度神经模型与集成学习技术适配各运动的生物力学、生理与战术需求，揭示了有价值的专项特异性表现决定因素。但此类模型适用范围天然狭窄，常基于单一队伍、运动或训练任务训练，易受过拟合与数据集偏移影响，尽管能揭示非线性与条件性表现关系，但其可迁移性大多未经检验。
跨领域普遍存在预测性能与可解释性的核心张力。数据驱动DL方法在分类与模式识别任务中频繁优于经典ML模型，但其黑箱特性可能限制从业者信任，阻碍向可行动的教练或临床决策的转化，尤其在损伤风险评估与负荷处方中。相比之下，线性模型、决策树与随机森林分类器等更简单透明的方案提供了更强的可解释性与输入输出关系的可追溯性，但通常以牺牲预测精度为代价。XAI技术，包括特征归因、注意力可视化与代理建模，在综述文献中仍未得到充分利用，未来需探索其将模型输出与生物力学及生理学有意义的变量关联起来的潜力。
总体而言，跨应用领域的AI技术比较综合表明，力量训练中的方法学适用性不仅取决于模型精度，还与数据集规模与质量、验证严谨性、可解释性及预期决策用途相关。未来研究与落地不应默认追求更复杂模型，而应优先考虑AI方法学、数据现实与实践约束的对齐，确保AI增强WT提供可靠、可信且语境适配的洞察。
4.2 时间演变与研究趋势
纳入研究呈现出方法学路径与技术整合的清晰转变，但制约转化影响的持久结构性局限依然存在。2020至2022年的早期研究主要聚焦单传感器配置、基础动作分类与实验室导向的生物力学评估，确立了ML应用于可穿戴运动数据的概念验证可行性，但多局限于受控环境、窄动作库与小样本。生物力学推断严重依赖代理指标，如加速度剖面、重复计数或对称性指数，而非关节运动学或动力学的直接估计。该阶段确立了方法学可行性，同时也暴露了生物力学特异度与
