Nutrients：人工智能在耐力运动中的代谢、恢复与营养个性化应用

耐力运动如马拉松、铁人三项与长距离自行车赛，要求运动员在高强度和长时间的运动中维持稳定的代谢状态、合理的营养摄入及充足的恢复。随着穿戴设备和训练应用的普及，海量实时数据的获取带来了个性化训练与营养策略的需求。人工智能（AI），特别是机器学习（ML）和深度学习，成为解析复杂数据、支持个体化决策的重要工具。尽管已有针对特定子领域的综述，但关于耐力运动中AI跨领域整合的系统性总结较为缺乏。

本文综述了AI技术在耐力运动领域中的应用，涵盖代谢健康监测、运动恢复评估及营养补给个性化等方面。文章强调AI融合多源生理、生化、环境及行为数据，实现运动性能的精准优化，同时指出当前模型在泛化能力、数据质量、算法透明度及伦理问题上的挑战，并提出未来多中心、多样化及跨设备验证的研究建议。

作者通过检索PubMed、Scopus及Web of Science数据库，结合交叉引用，筛选了涉及AI在耐力运动中应用的英文同行评议文献。提取数据包括运动项目、数据来源、AI方法（ML、深度学习）、验证类型（内部与外部/现场验证）、性能指标与存在的局限。因数据异质性，采用叙述性综述方式，未进行系统偏倚评估或荟萃分析。

1、代谢健康监测：AI通过集成心率变异性（HRV）、连续血糖监测（CGM）、呼吸心肺运动测试（CPET）等数据，实现对代谢阈值（通气阈值、乳酸阈值）和能量代谢状态的精准预测。Supersapiens等系统被运动员用于实时血糖管理，辅助碳水化合物摄入计划。

2、恢复监测：AI模型结合HRV、训练负荷、睡眠质量及心理状态，准确预测运动员恢复状况。多传感器惯性测量单元（IMU）数据结合机器学习可早期识别疲劳状态，促进训练调整。

表：传统方法与基于人工智能的方法在耐力运动支持中的比较

3、营养补给个性化：基于遗传信息、CGM数据及训练上下文，AI驱动的营养方案可针对个体代谢反应优化补剂摄入，减少运动损伤与炎症反应。AI辅助食品识别和饮食记录提升了营养监测的准确性和依从性。

4、竞赛策略与行为分析：模拟优化方法用于制定基于赛道特征和环境变量的个性化配速策略。运动员心理状态识别模型有助于提升训练和竞赛的心理支持。

5、多模态数据融合：AI利用Transformer等先进架构实现生理、运动学、代谢及环境数据的高效融合，增强预测性能及系统鲁棒性。

6、伦理与公平性：文中强调数据隐私、算法透明度、训练数据代表性不足及数字鸿沟等问题，倡导制定清晰的数据治理政策，推动公平普及AI技术。

综上，AI在耐力运动中的应用显著提升了训练、营养及恢复管理的精准化和个性化水平。为实现其潜力，未来研究需关注多中心、多样化样本的长期动态数据采集，强调模型的外部验证与透明解释，强化人机协同，保障数据隐私与公平访问。AI应作为教练和运动员的辅助工具，促进科学训练和健康发展，而非完全替代人工判断。

当前AI模型多依赖小样本、单一设备及内部验证，限制了泛化能力。传感器误差、生理信号滞后、数据标注不准确等影响模型精度。未来需开展跨设备、跨环境及多样人群的验证研究，推行开放数据与模型透明度标准，鼓励参与式设计以适应不同运动员需求。此外，政策制定者应加强对AI商业化的监管，防范利益冲突，保障运动员权益与算法公正。

原始出处

Grivas, G.V.; Safari, K. Artificial Intelligence in Endurance Sports: Metabolic, Recovery, and Nutritional Perspectives. Nutrients 2025, 17, 3209. https://doi.org/10.3390/nu17203209

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。