人们常常将行走视为理所当然的行为，只需一步步移动，从不思考这一过程需要哪些条件。然而，每一步都是由脊髓、大脑、神经、肌肉和关节通过精确协调完成的非凡动作。历史上，人们曾使用秒表、摄像机或专业观察来评估行走能力及其缺陷。但近期的技术进步，如动作捕捉、可穿戴传感器和数据科学方法，能够记录并量化逐步运动的特征。
我们是研究生物力学和人类表现的科研人员。我们与其他研究者正日益应用这些数据来改善人类运动。这些洞见不仅帮助各类运动员突破表现极限，还通过个性化反馈支持患者的运动康复。最终，动作可能成为另一种生命体征。
从动作数据到表现洞见
全球研究人员将生理学、生物力学和数据科学相结合，以解读人类运动。这种跨学科方法为新时代奠定了基础：机器学习算法通过持续监测收集的人类运动数据，发现其中的模式，从而产出改善健康的洞见。这正是驱动健身追踪器的技术。例如，苹果手表中的惯性测量单元可记录动作，并推导出步数、步幅和步频等指标。可穿戴传感器（如惯性测量单元）每秒记录数千个数据点。原始数据对个人运动的揭示极为有限——事实上，数据噪声大且无结构，难以提取任何有意义的洞见。
此时信号处理技术便派上用场。信号本质上是随时间追踪的测量序列。想象在脚踝佩戴一个惯性测量单元，该设备通过测量加速度和旋转等信号，持续追踪脚踝运动。这些信号概述了动作过程，指示身体行为状态，但常包含干扰真实图像的背景噪声。
研究人员利用数学工具滤除噪声，提取真实反映身体表现的信息。这就像将模糊照片通过编辑工具变得清晰。清理和处理信号的过程称为信号处理。信号处理完成后，研究人员运用机器学习技术将其转化为可解读的指标。机器学习是人工智能的子领域，通过发现数据中的模式和关系进行工作。在人类运动语境中，这些工具能识别与关键表现及健康指标对应的运动特征。
例如，我们在俄克拉荷马州立大学人类表现与营养研究所的团队，无需进行 exhaustive 体能测试或特殊设备，仅通过受试者行走几步的数据，便估算了体能容量——即身体执行体力活动的效率。结合生物力学、信号处理和机器学习，我们实现了这一目标。
除体能外，步态数据还提供更深层洞见。步行速度是长寿的有力指标，通过追踪它，我们能了解人们的长期健康和预期寿命。
从表现到医学
这些算法的影响远超步数、步行距离等表现追踪，还可支持康复治疗和预防损伤。我们的团队正在开发一种机器学习算法，仅通过分析运动员身体动作和检测细微变化，就能判断其损伤风险是否升高。
其他科学家采用类似方法，通过持续评估中风患者步行模式的演变，监测运动控制障碍，判断运动控制是否改善，或患者是否存在可能导致未来损伤的代偿行为。
类似工具还可根据每位患者的具体需求定制治疗方案，推动我们迈向真正的个性化医疗。在帕金森病领域，这些方法已被用于诊断病情、监测严重程度，并检测行走困难发作以提示患者恢复行走。
其他研究者利用这些技术设计和控制可穿戴辅助设备，如为身体残障人士提升行动能力的外骨骼——它通过精准定时发电实现辅助。此外，研究人员评估了军人的运动策略，发现生物力学不佳者损伤风险更高；还有团队通过腕戴式可穿戴设备检测军人的过度使用损伤。这些创新的核心目标始终如一：恢复并改善人类运动。
动作作为生命体征
我们认为，个性化医疗的未来在于动态监测。每一步、跳跃或深蹲都承载着身体功能、表现和恢复的信息。随着可穿戴技术、人工智能和云计算的进步，实时动作监测与生物反馈很可能成为日常生活的常规部分。
想象一下：运动员的鞋子能在损伤发生前发出警告，老年人的服装可检测并预防跌倒，或智能手表基于步态模式检测中风早期迹象。结合生物力学、信号处理和数据科学，动作转化为生命体征——你健康与福祉的实时反映。
阿扎兰·阿萨迪是俄克拉荷马州立大学的数据科学家。
科林·D·博沃索克是俄克拉荷马州立大学人类表现与神经生物力学研究所的首席科学家。
马修·伯德是俄克拉荷马州立大学人类表现与营养研究所的运动科学协调员。
【全文结束】
