人们常常把走路当作理所当然。我们只是一步一步地走，从来没想过这背后需要什么。但其实，每一步都是一种惊人的协调，依赖于脊髓、大脑、神经、肌肉和关节之间的精准配合。
过去，人们常用秒表、相机或专业的眼光来评估走路和它的缺陷。不过，最近的技术进步，比如动作捕捉、可穿戴传感器和数据科学方法，能够记录和量化走路的特点。
我们是专门研究生物力学和人类表现的团队。我们和其他研究者越来越多地利用这些数据来改善人类的运动。这些发现不仅帮助各种运动员突破自己的极限，还通过个性化反馈来支持患者的康复。最终，运动可能会成为另一种重要的生命体征。
从运动数据到表现见解
全球的研究人员结合生理学、生物力学和数据科学来解析人类的运动。这种跨学科的方法为一个新纪元铺平了道路，在这个时代，机器学习算法通过持续监测人类运动数据来寻找模式，从而提供改善健康的见解。
这就是支撑您健身追踪器的技术。比如，Apple Watch里的惯性测量单元记录运动，并计算步数、步幅和步频等指标。可穿戴传感器，比如惯性测量单元，每秒能记录成千上万的数据点。原始数据几乎无法揭示一个人的运动情况。实际上，这些数据噪声很大，结构也很混乱，根本无法提取出任何有意义的见解。
这就是信号处理发挥作用的地方。信号就是随时间变化的测量序列。想象一下把一个惯性测量单元装在你的脚踝上。该设备通过测量加速度和旋转等信号不断跟踪脚踝的运动。这些信号提供了运动的概述，并指示身体的行为。然而，它们通常包含不必要的背景噪声，这可能会模糊真实的情况。
通过数学工具，研究人员可以过滤掉噪声，提取出真正反映身体表现的信息。这就像拍一张模糊的照片，然后用编辑工具把它变得清晰。清理和处理信号的过程被称为信号处理。
处理完信号后，研究人员使用机器学习技术将其转化为可解释的指标。机器学习是人工智能的一个子领域，通过寻找数据中的模式和关系来进行分析。在人类运动的背景下，这些工具可以识别与关键表现和健康指标相关的运动特征。
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估计了体能水平，而不需要耗时的体能测试或特殊设备。体能水平是身体进行体育活动的效率。通过结合生物力学、信号处理和机器学习技术，我们能够仅通过几步走路的数据来估计体能水平。
除了健身，步行数据还提供了更深层次的洞察。步行速度是一个强有力的长寿指标，通过跟踪它，我们可以了解人们的长期健康和预期寿命。
这些算法的影响远不止于跟踪步数和行走里程。它们可以应用于支持康复和预防伤害。我们的团队正在开发一种机器学习算法，通过分析运动员的身体动作和微小变化，来判断他们何时面临较高的受伤风险。
其他科学家使用类似的方法来监测中风后的运动控制障碍，通过持续评估患者的步态模式演变，确定运动控制是否在改善，或者患者是否以任何可能导致未来受伤的方式进行补偿。
类似的工具也可以用于根据每个患者的具体需求来制定治疗计划，让我们更接近真正的个性化医疗。在帕金森病中，这些方法已被用于诊断该病、监测其严重程度和检测行走困难的发作，以提示患者恢复行走。
其他人使用这些技术来设计和控制可穿戴辅助设备，例如外骨骼，通过在精确的时间间隔内产生动力来改善身体残疾的人移动能力。此外，研究人员评估了军人中的运动策略，发现那些生物力学较差的人受伤的风险更高。还有人使用腕戴式可穿戴设备来检测军人中的过度使用造成的伤害。这些创新的最终目标是：恢复和改善人类运动。
运动作为生命体征
我们相信个性化医疗服务的未来在于动态监测。每一步、每次跳跃或深蹲都能提供关于身体运作、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，实时运动监测和生物反馈可能会成为日常生活的一部分。
想象一下，一双运动鞋在受伤发生之前警告运动员，老年人的衣物可以在跌倒前检测并预防，或者一款智能手表根据步态检测中风的早期迹象。将生物力学、信号处理和数据科学结合起来，使运动成为一种生命体征，实时反映你的健康状况和幸福感。
热门跟贴