基于XR的板球击球合流性协议：综合表现分析框架

摘要

融合协议提出了一种将扩展现实（XR）技术结合肌电图（EMG）、氧气消耗量（VO₂）、动作捕捉和心率数据，用于板球击球分析的框架。该协议展示了XR环境如何在击球过程中捕捉协调性生理反应，为多模态评估提供了系统化的方法，并支持未来在训练与运动表现评估方面的研究。

摘要

扩展现实（XR）技术为体育训练提供了沉浸式环境，但其在技能发展和表现分析方面的有效性需要进行细致且系统的评估。本方案提出了一种用于板球击球训练的集成化XR训练方法，将沉浸式模拟与生理学和生物力学测量相结合。该方案详细说明了在基于XR的击球过程中采集和分析肌肉活动、代谢反应及动作捕捉数据的流程，以表征其生理与生物力学响应。目标是在受控的虚拟场景中评估击球表现（包括强力击球），同时通过表面肌电图（EMG）测量肌肉激活程度，通过呼吸气体分析（VO₂）、心率（HR）评估代谢需求，并通过动作捕捉获取运动学输出。单名击球员（n = 1）佩戴VR头显和惯性传感器，面对虚拟投球手，同时在主要上肢肌肉群贴附EMG电极，并穿戴便携式代谢系统以实现逐呼吸分析。本方案详述了XR系统的设置、传感器校准以及标准化击球试验的执行过程，并展示了时间同步的代表性结果。EMG信号显示在击球动作执行期间肌肉激活达到峰值，而VO₂和HR的波动表明存在中等程度的有氧反应。通过动作捕捉数据记录了关节运动学参数，包括肘部伸展和躯干旋转。这些结果证明了利用 基于XR的训练来捕捉身体与生理反应的可行性，为提升运动表现和分析反应特征提供了新颖的框架。文中还讨论了关键实施步骤、相较于传统训练方法的优势、潜在的技术问题及将XR整合到板球训练项目中的注意事项。这种沉浸式技术与运动科学测量手段的融合，为在XR环境中客观评估和深入探究击球表现指标提供了可行框架，并可推广至其他运动项目中。

引言

本方法的总体目标是将扩展现实（XR）（包括虚拟现实（VR）、增强现实（AR）和混合现实（MR））¹整合到板球击球训练与数据分析中。扩展现实技术使运动员能够在沉浸式、可控的比赛中情境模拟环境中进行训练。在板球运动中，击球成功不仅需要技术能力，还需要在压力下快速决策以及具备心理韧性²。传统的训练方式（例如训练网练习）无法完全复现高压比赛情境，也无法持续采集详细的性能数据。XR 技术通过构建可调节难度的真实感虚拟击球环境，并实现对运动员生物力学和生理反应的全面实时数据采集，弥补了这些不足。该技术的理论基础源于生态动力学和代表性学习设计，强调训练应尽可能接近实际比赛条件，以有效促进技能迁移^3,4。通过面对虚拟投球手和比赛场景，击球手可以体验多样化的投球方式和压力刺激，从而以类似于真实比赛的方式调动其感知-动作耦合机制^5,6。

这种基于扩展现实（XR）的方法相较于其他技术具有多项优势。与传统的基于视频的训练不同，完全沉浸式的虚拟现实（VR）可提供360°的视觉输入和交互体验，有助于提升知觉认知能力，例如预判能力和情境意识^7,8,9。例如，先前一项使用VR板球模拟器的研究成功在击球手中诱发了类似比赛的焦虑情绪，并测量了其对表现的影响，证明虚拟环境能够引发真实的心理和生理反应（如在压力下心率升高）¹⁰。此外，XR系统允许对变量（如投球速度、线路、长度等）进行精确控制，从而可重复练习某些在实际训练中较为罕见的特定场景（例如，通过 Yorker 或 Bouncer 击球得分）。本方案中集成的先进传感器（肌电图EMG、动作捕捉、代谢分析仪）可对与表现相关的指标进行客观评估。此类全面的监测在真实场地训练中极少可行；例如，动作捕捉技术能够以高保真度定量评估击球技术和关节运动学特征¹¹。同样，同步采集的生理数据（VO₂、心率）可揭示在XR环境中击球的内部负荷，为体能训练提供依据。这种技术与运动科学的融合，正契合了近年来对在板球教练中更多应用创新技术的呼吁，尤其是在该项运动正逐步融入新一轮工业革命的背景下¹²。

在更广泛的研究文献中，扩展现实（XR）在体育训练中的应用已在多个运动项目中展现出潜力。棒球¹³、足球¹⁴等领域的研究表明，基于虚拟现实（VR）的训练能够提升多种运动表现指标（如运动技能、决策能力、心理状态、认知功能和焦虑管理），其效果通常可媲美甚至超过传统训练方式^5,13,14,15。Richlan 等人¹⁶发表的一篇叙述性综述指出，设计良好的虚拟现实干预措施可在运动表现方面产生真实效果，既可改善身体动作执行，也能增强专注力和压力管理等心理技能。重要的是，XR 的益处不仅限于精英运动员；随着可及性的提升，即使是低级别运动员也可利用价格合理的设备进行技能训练。然而，必须确保虚拟场景的表面效度和保真度，使运动员感知其为真实且相关的训练环境⁹。近期在板球领域的研究显示，运动员高度重视高保真度的虚拟现实体验，若设计得当，此类训练可高度模拟实际击球时的场上需求¹⁷。本文所讨论的实验方案融合了上述研究中的多项原则（如真人比例的投球手虚拟形象、精确的球体物理模拟以及集成化反馈机制），以最大程度提升训练的真实感与有效性。

本方案旨在帮助读者判断基于扩展现实（XR）的击球训练是否适用于其研究或实践场景。该方法尤其适用于希望定量评估训练干预过程中技术动作或生理反应变化的研究人员和教练员。若目标是在压力条件下优化击球员技术，或使用客观指标比较不同训练策略（例如：XR训练与传统击球网训练），本方法可提供标准化模板。相反，若缺乏XR硬件资源或传感器集成的专业技术，初期采用更简单的方案可能更为可行。然而，随着XR技术在体育领域的日益普及，此类方法有助于通过客观、多模态数据的系统分析，弥合科研与实际应用之间的差距。通过分享本详细方案及代表性结果，旨在加速XR技术在板球及其他运动项目中的应用，并展示如何将XR与运动表现分析技术（如肌电图EMG、最大摄氧量VO₂、运动学分析）相结合，从而获得超越传统教练指导或独立模拟训练的深入洞察。

方案

由于本研究的性质，无需从任何机构或板球理事会获得伦理审批。参与者在知情同意后自愿参加本研究。

1. 仪器设备的设置与校准

1. XR 系统安装
   1. 在开阔的室内区域设置虚拟现实击球模拟器。
   2. 根据制造商指南，在击球区域周围安装 VR 追踪基站。
   3. 确保击球区域（约 3 m × 3 m）内无障碍物。
2. 虚拟环境配置
   1. 在高性能计算机上加载板球击球模拟软件（如 iB Cricket 或类似软件）。
   2. 选择一个击球场景（例如，面对右臂快速投球手——具体取决于所使用的比赛或模拟程序）。
   3. 确保虚拟投球手的出手点和高度符合实际（成年投球手约为 2.2–2.5 m）。
   4. VR 头显校准：让参与者佩戴 VR 头显（Meta Quest 或类似设备）。向参与者提供一根真实的板球球拍或触觉反馈球拍（按步骤 1.4 进行仪器化），并确保其在虚拟现实中的位置正确显示。
      注意：某些系统允许使用控制器追踪或自定义模型在虚拟环境中显示球拍（需验证对齐情况，以便参与者能准确判断球拍在虚拟空间中的位置）。
3. 球拍传感器安装：如有条件，将运动追踪传感器安装在板球球拍上。例如，在球拍正面或近端固定一个小型惯性测量单元（IMU），以采集挥拍数据。
   注意：若使用光学动作捕捉系统，请在球拍上（例如球拍底部和肩部）以及击球者身体解剖标志点（手腕、肘部、肩部、髋部等）贴上反光标记点，用于关节角度测量。
4. 除 EMG 传感器外，还需在击球者使用的球拍上安装一个 IMU。
   注意：该 IMU 包含三轴加速度计和陀螺仪，可采集线性加速度（ACC X, Y, Z）和角速度（GYRO X, Y, Z）数据（IMU 采样率为 240 Hz）。这些数据可用于详细分析挥拍节奏和角运动，以及量化诸如球拍滞后和旋转时机等现象（这些参数仅靠动作捕捉难以准确获取）。
5. EMG 系统设置
   1. 打开无线 EMG 传感器系统（Delsys Trigno），并将接收器连接至计算机。准备 EMG 电极：清洁目标肌肉区域的皮肤（必要时进行剃毛并用酒精擦拭）。
   2. 确保 EMG 采集软件已设置为适当的采样率（例如 1200 Hz），并为每个肌肉通道正确标注标签（例如“前臂屈肌（持拍手侧）”、“前臂屈肌（非持拍手侧）”、“肱二头肌”、“肱三头肌”等）。
   3. 让参与者处于放松状态，对 EMG 信号进行校准或归零，以建立基线噪声水平。
6. 代谢与心率监测设备设置
   1. 若需测量 VO₂，为参与者配备便携式代谢分析仪或固定式气体分析系统。使用标准气体（例如 16% O₂、5% CO₂）校准气体分析仪，并对流量传感器进行容积校准（例如使用 3 L 注射器泵）。
   2. 为参与者佩戴舒适的呼吸面罩，确保无漏气。佩戴心率监测带，并确认数据传输（至代谢系统或独立设备）正常工作。
7. 系统同步
   1. 将所有测量系统连接至统一的时间信号，或制定明确的后期同步协议。例如，使用来自 VR 系统的数字触发信号，标记每次试验在 EMG、动作捕捉和代谢记录中的起始时间点。
   2. 如条件允许，让参与者执行一个明显动作（例如拍手或跳跃），该动作会在所有传感器中产生可识别的信号峰值（视觉运动、EMG 爆发、VO₂ 变化），作为同步事件。
   3. 在选定的击球试验中，使用测力台系统采集地面反作用力（Fx, Fy, Fz）和力矩（Mx, My, Mz）。这些数据可用于分析击球者在完成动态脚步移动和挥拍动作时的平衡性、负荷转移情况及峰值冲击力。

2. 受试者准备

1. 指导击球手进行 5–10 分钟的热身。
   注意：可包括轻度有氧运动（例如原地慢跑或使用固定自行车，如有条件），以及针对上肢（肩部、手臂、手腕）和躯干的动态拉伸，以降低最大力度挥棒时的受伤风险。
2. 肌电图（EMG）电极放置
   1. 在目标肌群上贴附表面肌电电极。对于右手击球手，应在左前臂屈肌群（用于前导手臂的握持和球棒控制）、右前臂屈肌（跟随手臂）、左肱二头肌（前臂屈肘肌）、右肱三头肌（后臂伸肘肌）上贴附电极，也可考虑贴附于主要躯干肌群，如腹外斜肌或背阔肌。
   2. 利用解剖标志将电极置于各肌肉肌腹处，并与肌纤维走向平行对齐。
   3. 用力按压以确保最佳接触，必要时使用胶带固定电极，防止挥棒过程中电极移位。将无线 EMG 发射器连接至各电极。
3. 运动捕捉
   1. 让受试者穿上动作捕捉服（根据其舒适度决定）或在使用光学系统时单独粘贴标记点。
   2. 关键标记点应包括双侧肩峰（肩部）、肱骨外上髁（肘部）、尺骨茎突（手腕）、髂前上棘（髋部）、股骨外侧髁（膝部）和外踝（踝部），此外还包括球棒上的标记点。
      注意：对于可能经历高加速度的部位（如持棒手部），应使用弹性绑带或粘合剂固定标记点，以防止挥棒过程中标记点脱落。
4. 代谢测量设备佩戴
   1. 为受试者佩戴连接至代谢分析仪的呼吸面罩。确保面罩贴合，并且受试者能够舒适呼吸。
   2. 让受试者佩戴面罩和 VR 头显，保持击球姿势站立，检查是否存在视野或动作受阻的情况。
   3. 将代谢分析单元（若为便携式）放入小型背包或腰带背心中，或若为推车式系统，则妥善布线，避免缠绕。
   4. 将心率监测器固定于胸部，并确认其已向记录系统正常传输信号。
5. 基线测量
   1. 在所有设备佩戴完毕后，记录受试者以击球姿势静止站立状态下的 1–2 分钟基线数据。
      注意：包括静息状态下的肌电活动（除姿势性活动外应极低）、基础 VO₂ 和心率，以及用于运动捕捉的静止参考姿态（可用于模型校准）。
   2. 在此期间确保所有系统均正常记录，数据表现正常（例如，EMG 噪声基线 ~<50 µV，静息 VO₂ 值约为 0.3–0.5 L/min，因受试者而异，心率约为静息水平 60–80 bpm）。
   3. 如发现任何异常读数，应立即处理（例如，重新粘贴噪声过大的 EMG 电极，或对漂移的 VO₂ 值进行重新校准）。
6. XR 环境适应
   1. 让受试者在虚拟现实（VR）环境中进行数次练习挥棒以熟悉操作。在虚拟环境中，他们应能看到板球场、投球手以及相关标记（三柱门、场地等）。
   2. 引导其专注于击球时机，并适应无实际球体接触的感觉。
   3. 允许受试者练习触发投球开始（若系统需要手动信号，或由操作员启动每次投球；但大多数 VR 板球游戏中的投球为自动进行）。
      注意：此步骤有助于减少新奇效应，使受试者在正式数据采集期间尽可能自然地表现。
7. 安全检查
   1. 提醒受试者在自身舒适范围内进行操作，若感到任何疼痛，切勿过度伸展。
   2. 安排助手随时看护受试者，因 VR 头显会遮挡真实视野——确保受试者周围 360° 区域无障碍物。
   3. 若受试者在任何时刻感到头晕或方向迷失，应暂停实验并让其取下头显。
      警告：VR、VO₂ 面罩与体力活动的结合可能引发头晕；务必优先保障受试者安全，若出现明显不适，应立即终止实验。

3. XR 击球试验执行

1. 试验开始
   1. 通过统一的软件触发或快速连续手动启动，同步开启所有系统（肌电图、动作捕捉、代谢）的集成记录（如步骤 1.7 中所述进行同步）。
   2. 宣布开始记录，并提供明确信号（听觉提示或系统提示），表明试验正在进行中。
2. 投球序列
   1. 启动第一次虚拟投球。例如，在虚拟现实软件中按下投球控制按钮，或由受试者发出准备就绪信号（某些系统在击球手轻敲球棒、指向虚拟空间中的图标或说出关键词时自动投球）。
   2. 要求受试者尝试使用期望的板球击球技术击打虚拟球。采用标准化的六次投球序列（一局）以模拟真实比赛条件。
   3. 以预设方式变化投球类型（例如，部分为长球、短球、外柱线球、腿侧球，甚至直球），以激发不同的击球动作。
      注意：该方案可进行调整；六次投球可用于一次演示性试验，但若体能和/或舒适度允许，也可进行更长时间的试验。每位击球手面对6次投球：2次短球、2次长球、2次中等长度球。
3. 击球表现提示
   1. 鼓励受试者以最大但可控的力度击打每个球，尤其在适当情况下注重强力击球（例如，针对落在高吊击球弧线内的投球）。
   2. 可选地，击球手在击球后可模拟快速跑动单次得分（以纳入脚步动作并增强真实感），但需确保其保持在已校准的追踪区域内。
4. 投球间间隔
   1. 每次击球后，等待约10–15秒再进行下一次投球（如同真实板球比赛中，投球手需返回起始标记处）。
   2. 在此短暂暂停期间，要求受试者重置回击球准备姿势。
      ​注意：实验人员可检查实时数据是否存在饱和或其他问题（例如，若某肌电通道信号变为直线，表明传感器移位，可在暂停期间迅速调整）。
   3. 与受试者的交流应尽量减少，以维持专注，除非提供简短的技术提示，如“挥拍良好”或指导调整动作（例如，若其站位前移，可提示“站姿稍往后一点”）。
5. 试验结束
   1. 在最后一次（第6次）投球及击球完成后，指示受试者原地静止数秒。尽可能同时停止所有系统的记录。
   2. 口头提示“试验结束”。若计划进行多次试验（例如，用于比较不同条件或提高数据可靠性），应在重复试验前给予受试者休息时间（至少几分钟，或直至心率和呼吸恢复至接近基线水平）。
      注意：本方案中可假设单次试验用于数据采集演示。
6. 移除设备
   1. 小心地从受试者身上取下虚拟现实头显，随后取下代谢面罩（使其能够正常呼吸）。
   2. 拆除肌电传感器及所有动作捕捉标记点。保存各系统记录的数据文件，并确保时间戳或标签同步（例如，“Trial1_VR_batting_EMG.csv”、“Trial1_VO2.csv”、“Trial1_motion.bvh”）。
      ​注意：若试验过程中任何设备发生滑动或故障（例如，电极松动），应予以记录，并在问题修复后考虑重复试验，以确保数据质量和可靠性。
7. 系统校准检查（试验后）
   1. 进行简短的试验后校准检查。例如，运行一次快速静态试验以验证动作捕捉系统的标记点数据仍有效（无显著漂移）。
   2. 若计划进行下一次试验，还需检查代谢系统的校准状态，确保未因传感器发热或漂移导致显著基线偏移。
   3. 根据需要重置相关系统。若仅进行一次试验且数据一致，可省略此步骤；但若采集数据存在异常，此步骤有助于排查问题。

4. 数据分析

1. 肌电图（EMG）数据处理：
   1. 量化试验期间每块肌肉的关键指标，例如峰值肌电幅值及其相对于挥棒动作的发生时间。
      ​注意：在代表性分析中，肌电信号通常在球棒与球撞击瞬间附近被观察到（可通过动作捕捉系统或球棒上的加速度计数据尖峰来指示）。
   2. 识别强力击球时的肌肉激活模式：例如，后侧手臂的肱三头肌可能在挥棒过程中因伸展肘关节而出现激活峰值，而前臂屈肌则表现出持续性活动以维持握持稳定。
2. 代谢数据计算：
   1. 审查来自VO₂系统的逐次呼吸数据。剔除明显错误的呼吸数据（例如，受试者咳嗽或传感器误读导致超出正常范围的数值）。
   2. 对VO₂数据计算移动平均值或拟合曲线，以可视化其动力学特征——即击球开始时摄氧量上升的速度，以及在整个挥棒过程中摄氧量如何达到平台期或发生变化。
   3. 计算试验期间消耗的总VO₂量（VO₂-时间曲线下面积），以估算能量消耗，并记录峰值VO₂（试验期间或结束后立即达到的最高值）。
   4. 类似地，提取心率数据并确定峰值和平均心率。若需分析呼吸交换比（RER = VCO₂/VO₂），则从VO₂和VCO₂信号中推导该值，以判断运动强度主要为有氧性质（RER约为0.8–1.0）还是接近无氧状态（RER >1.0）。
3. 动作捕捉分析：
   1. 将动作捕捉数据（例如.bvh文件）导入生物力学分析工具。重建关键动作的关节角度：如双臂的肘关节屈伸、肩关节旋转、躯干（胸廓相对于骨盆）旋转、膝关节屈曲等。
   2. 根据标记点数据或球棒上的惯性测量单元（IMU）数据，计算挥棒过程中球棒的角速度。确定撞击帧（若模拟提供了时间戳，或通过球棒轨迹与球轨迹相交的时刻推断）。
   3. 在撞击瞬间记录关节角度（这可反映技术特征，例如前侧肘关节可能轻微屈曲而非完全伸展）及球棒速度。确定下挥阶段中的最大球棒速度。
      ​注意：这些运动学指标将用于评估击球技术，并与文献中已知范围进行比较（例如，判断击球者的球棒速度是否与高水平运动员相当）¹⁸。
4. 数据同步与整合：
   1. 利用同步事件将各数据集对齐至统一的时间轴。验证时间序列的合理性——例如，肱三头肌EMG的峰值应与动作数据显示的肘关节伸展加速度时刻一致，而VO₂的上升应出现在一系列挥棒开始后不久（存在代谢延迟）。
   2. 完成同步后，整合分析结果：例如，绘制带有挥棒事件标记的时间线图，叠加肌肉激活和心率变化。
      ​注意：这有助于理解每次挥棒对生理负荷的贡献。若涉及多次试验或多名受试者，应汇总结果以计算均值和变异性。在本单案例演示范围内，可聚焦于一次代表性试验的数据。
5. 质量控制：
   1. 对数据分析进行质量检查。确认EMG信号无显著伪迹，且峰值合理。
   2. 检查VO₂基线值及运动后恢复阶段是否符合预期模式（例如，运动停止后VO₂应逐渐恢复至基线水平）。
   3. 确保动作捕捉的关节角度计算无突变（突变可能提示标记点混淆或追踪丢失）。如发现任何异常，应予以标注。此步骤标志着数据分析阶段的完成。
   4. 使用屏蔽电缆和试验前校准，减轻无线传感器可能引起的信号干扰。

5. 统计分析

1. 在 Jupyter Notebook（版本 7.2）中使用 Python（版本 3.12.0，Python 软件基金会）进行所有数据处理和可视化。使用 Pandas（版本 2.2.2）进行数据结构化，使用 NumPy（版本 1.25.1）进行数值运算，使用 Matplotlib（版本 3.9.0）进行可视化。
2. 鉴于本试点方案为单参与者设计，分析应限于描述性统计，包括多次挥杆数据的均值和标准差。
3. 不进行推论性统计检验，因为该方案旨在演示和验证可行性，而非用于组间或条件间的假设检验。
4. 重点生成代表性结果，以说明数据整合和工作流程的可重复性。

结果

为了展示该基于XR（扩展现实）方案的分析潜力，生成了一系列示例可视化结果，用以说明从采集数据中可获得的各类时间对齐输出，包括肌肉激活曲线（均方根肌电信号）、同步的生理反应（VO₂ 和 HR）、多传感器时间线、挥杆轨迹的二维与三维运动学可视化图（图1），以及来自测力台的地面反作用力图。尽管此处展示的图表基于模拟数据或预实验数据，但它们反映了该方案所能实现的输出类型，并突显了其在整合性运动表现分析方面的潜力（图2）。

在扩展现实（XR）环境中对一名右手持棒击球员执行上述方案后，获得了表征该击球员表现的综合数据集。

击球手在强力击球过程中的上半身肌肉激活模式（EMG）如图3所示。原始EMG信号已按所述方法处理为激活包络。值得注意的是，在高弹道击球的击球瞬间，前臂（屈肌群）的EMG峰值振幅达到约0.8 mV。这显著高于基线噪声水平（静息时约0.03 mV），...

讨论

本方法学讨论评估了该方案的有效性、关键步骤、故障排除，以及基于扩展现实（XR）的训练与传统方法的比较。上述结果表明，XR击球训练方案能够成功获取训练表现和生理指标数据。本文重点阐述了支撑这些结果的方法学关键要素，并讨论了该XR方法的潜在改进方向、局限性，以及相较于传统训练方法的重要意义。

该方案中的一个关键步骤是所有系统的同步与校准。虚拟现实（VR）事件与传感器数据之间若出现不同步，可能导致错误的解释（例如，将肌电图尖峰错误归因于某次挥杆动作）。确保同步触发信号（步骤 1.7）正确执行（例如，使用在多个设备上均可捕获的清晰视听提示）至关重要。另一个关键环节是传感器的安装与放置。在大多数情况下，牢固地安放肌电图电极（步骤 2.2）并固定导线/发射器，可显著减少运动伪迹。如果在挥杆过程中电极脱落或运动标记物飞出（在剧烈动作中可能发生），必须暂停实验并进行修复；否则，该传感器的数据将受到影响。此外，必须强调进行充分的热身（步骤 2.1）。鉴于强力击球动作具有爆发性，若未充分准备即进行最大幅度的挥杆，可能增加肌肉拉伤的风险。...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
VR 头戴设备（Meta Quest 2）	元	899-00182-02	用于XR击球模拟的独立式VR头戴设备
VR Cricket 软件（iB Cricket）	ProYuga Advanced Technologies	N/A	沉浸式蟋蟀模拟软件
无线肌电图系统（Trigno）	Delsys	Trigno Avanti	肌肉激活测量；采样率约1200 Hz
表面肌电图电极	Delsys	DE-2.1	用于肌电图信号采集的一次性电极
惯性测量单元（IMU）	Xsens / Noraxon	MTw Awinda	三轴加速度计 &和陀螺仪；约240 Hz
运动捕捉系统	OptiTrack	OptiTrack Prime	三维运动学追踪系统
反射标记	OptiTrack	N/A	基于标记的解剖学标志点追踪
测力台	AMTI / Bertec	OR6-7	地面反作用力测量（Fx，Fy，Fz）
便携式代谢分析仪	COSMED	K5	逐次呼吸氧气消耗量测量系统
呼吸面罩	COSMED	7400系列面罩	气体交换分析用面罩
校准气体钢瓶（16% O₂，5% CO₂）	Airgas / BOC	N/A	用于校准代谢分析仪
心率监测器（胸带）	极性	H10	无线心率监测
Jupyter Notebook 软件	Project Jupyter	v7.2	数据处理与分析环境
Python	Python 软件基金会	v3.12.0	用于分析的编程语言
Pandas 库	PyData	v2.2.2	数据结构化与处理
NumPy 库	NumPy	v1.25.1	数值计算
Matplotlib 库	Matplotlib	v3.9.0	数据可视化