Equine veterinary journal · 2026-11-15 · 综述
- 一句话结论:结论:可穿戴传感器结合机器学习在运动马疲劳监测中提示有潜力,但尚无单一技术能独立刻画疲劳,现有证据不足以下结论支持疲劳特异性监测的落地应用。
- 研究设计与做法:设计:遵循PRISMA-ScR的范围综述;检索Web of Science、Scopus与ScienceDirect 2015—2026年文献,综合102篇出版物,覆盖心率/心率变异性、测温、惯性测量单元、表面肌电与GPS五类传感模态及机器学习应用。
- 主要结果:结果:材料未报告具体效应量、置信区间或p值;作者定性指出仅少数研究以疲劳作为直接建模标签,多数依赖不对称性或运动表现下降等替代结局,各技术分别捕捉自主神经反应、体温调节负荷、步态稳定性、神经肌肉激活与外负荷等不同侧面。
- 机制或解释:机制:作者解释为各传感模态仅反映负荷的某一生理或生物力学相关物,缺乏疲劳的独立特征签名,故需整合互补数据流、个体化基线与可解释模型的多维情境感知框架。
- 局限与边界:局限:纳入文献在传感模态、研究设计、结局指标与应用情境上高度异质,疲劳结局定义不直接,限制跨研究比较与疲劳特异性结论;材料未报告其他偏倚或利益冲突信息。
- 可否落地:落地:证据档位B,属提示性证据。对科研提示应优先推进疲劳的可操作化定义、纵向个体内监测设计、多模态融合架构、跨马术项目的严格外部验证与可解释人工智能;对临床或训练实践,现阶段不宜据此作出个体化训练决策。
🔗 打开原文
Li Y, Yan Z, Chen X.
本文摘自《每日前沿研究简报 · 2026-11-17》「HRV / 自主神经 / 生物反馈」。本内容仅用于研究信息整理与科普交流,不构成医疗建议。

发表评论 取消回复