阻力训练中运动范围变化的人工智能姿态分析与运动学轮廓
应用统计
2026-03-20 v2 计算机视觉与模式识别
摘要
本研究发展了用于量化阻力训练中运动运动学的基于AI的姿态估计算法管线。我们使用来自 Wolf et al. (2025) 的视频，包括303段26名受试者在 full (fROM) 和 lengthened partial (pROM) 条件下完成的八个上肢运动的录像，提取使用五种不同深度学习姿态估计算法和统一信号处理框架从中提取的关节角轨迹。从这些轨迹中，我们推导出包括运动范围（ROM）和重复持续时间在内的重复级别指标。我们将这些输出作为 crossed 随机效应模型中的因变量，用于评估在受试者、运动和模型层面的可变性，以评估 ROM 条件之间的系统性差异。结果表明，pROM 会降低运动范围，但显著不影响重复持续时间。方差分解显示，pROM 增加了受试者和运动之间的变异性，表明执行一致性降低。为启用跨运动比较，我们对 ROM 采用对数比例建模，并定义 %ROM 为 fROM 下在 pROM 下实现的比例。虽然估计的平均值约为 56%，但八个运动之间存在显著异质性，表明lengthened partials 并 not 由固定的 full ROM 比例特征化。结果表明，基于AI的运动分析能够提供可靠的运动学见解，以 inform evidence-based training recommendations。
引用
@article{arxiv.2510.20012,
title = {AI Pose Analysis and Kinematic Profiling of Range-of-Motion Variations in Resistance Training},
author = {Adam Diamant},
journal= {arXiv preprint arXiv:2510.20012},
year = {2026}
}