验证的物理学：超越 LLM 封装器

将人体运动转化为可审计资产，借助 时间卷积网络

执行摘要：人工智能的分叉

2020 年代中期的技术图景，被一条压倒性的单一 叙事所定义：生成式人工智能的崛起。大语言模型 （LLM）与基于扩散的图像合成器的普及，从根本上改变了 软件开发的轨迹，使行业重心转向创造 看似合理、类人的输出。我们正目睹一场「生成式淘金热」， 资本与工程人才被不成比例地投向能够编写 代码、创作诗歌、生成照片级真实图像的系统。这个时代催生了一类新的 软件咨询机构：「LLM 封装器」。这些实体主要充当用户 界面层，叠在 GPT-4、Claude 或 LLaMA 等基础模型之上，交付价值的方式是 提示工程与上下文窗口管理，而非新颖的架构 创新。 ¹

尽管生成式 AI 在创意、行政与编码领域具有巨大效用，它 在应用于物理世界时却有一个关键的内在局限：它是概率性的， 而非确定性的。它被设计为产出最_可能_的下一个 token，而非_真实_的物理 状态。在高风险环境——医疗、保险与企业 健康管理——中，看似合理本身就是一种负债。医疗诊断、康复方案或保费 调整不能建立在幻觉之上；必须扎根于经验现实。

Veriprajna 拒绝「AI 的首要目的是生成」这一共识。我们将自身定位于 这场反向运动的最前沿：物理 AI 。我们不是 LLM 封装器； 我们是一家深度技术咨询机构，专注于对人体运动进行严格的、数学化的 验证。我们的前提是：数字健康市场目前正 淹没在「氛围」（Vibes）之中——不可验证、自我报告、易于伪造的数据——而唯一 可持续的前进之路，是转向「物理学」。

本白皮书是这场转向的技术与经济宣言。它详述 Veriprajna 的方案：使用 时间卷积网络（TCN） ，将人体 运动不是当作待分类的图像序列，而是当作待分析的周期信号。 通过利用 TCN 更优的架构特性——尤其是因果膨胀 卷积——相对遗留循环神经网络（RNN）与 Transformer，我们得以实现 物理工作量证明 。本文对困扰当前健身应用的「视频播放器」 谬误、为实现真正 验证所需的信号处理数学，以及将转瞬即逝的人体运动转化为 不可篡改、可审计的资产类别所蕴含的巨大经济价值。

1. 「氛围」经济中的验证危机

1.1 「视频播放器」谬误

现代数字健身产业价值以十亿计，却建立在一个根本性的 架构缺陷之上。尽管「智能」设备与「AI 驱动」教练 应用层出不穷，内容分发与用户参与的主要机制仍是「视频 播放器」模型。在这一范式中，应用本质上充当内容 管理系统（CMS）。用户被推送一段教练演示动作的视频流—— 俯卧撑、瑜伽序列、康复动作——并被期望去模仿该 动作。这些平台的「智能」通常仅限于推荐引擎 选择哪段视频，而非任何验证用户是否真正执行的系统。 ³

这在数字指令与身体 执行之间造成深刻断裂。应用假定消费即完成。用户可以观看一场 20 分钟的高强度间歇训练（HIIT）却全程久坐，或以存在显著生物力学偏差、 足以造成受伤风险的方式完成动作。然而，在视频 结束时，应用仍将活动记为「完成」，并依据通用精算表估算卡路里消耗， 再颁发数字徽章。

这类数据本质上是「氛围式」的。它对用户感觉正确，提供一种感知成就的多巴胺 循环，并在企业仪表盘上看起来令人鼓舞。 然而，它缺乏 物理保真度 。这是一经审计便会消解的数据。在企业 场景中，当这些数据被用于计算保费或发放企业 健康激励时，「视频播放器」模型代表验证的系统性失败。它 实质上在问用户：「你做了这项工作吗？」并无批判地接受「是」作为答案， 无视人类行为中固有的激励错位。 ⁴

1.2 「作弊」的行为经济学

依赖自我报告数据或易于伪造的启发式指标（如步数）忽视了 行为经济学的一条核心原则：坎贝尔定律 。这一社会学原则指出， 「任何定量社会指标被用于社会决策的程度越高，它就越 容易受到腐败压力，也越容易扭曲并腐蚀它本意要监测的 社会过程。」

在数字健康语境中，当你把外在价值——金钱、保险折扣、 地位——附着到一项指标上，该指标就不再是健康的度量，而变成优化的 靶标。 ⁶ 若系统为「步数」优化，用户会把 Fitbit 绑到吊扇 或节拍器上。若系统为「训练完成」优化，用户会让视频播放 而自己在吃晚饭。

这并非理论担忧；它是「边运动边赚钱」（Move-to-Earn）经济与 游戏化健身平台中已观察到的现实。早期 Web3 健身项目如 STEPN 的崩塌，部分 正是由协议检测有效运动的能力与用户通过 GPS 欺骗和机械振动器 模拟运动的能力之间的军备竞赛所驱动。 ⁷ 当验证 薄弱时，「作弊者红利」会催生欺诈市场，使诚实参与者的努力贬值， 并使激励提供方破产。

1.3 游戏化需要验证

行业对低参与度的回应是激进的游戏化：排行榜、 连续打卡、徽章与社交分享。然而，Veriprajna 提出数字激励的一条基本定律： 无法验证的东西，就无法游戏化。

没有验证的游戏化，只是成就的模拟。在一场企业 健康挑战中，若员工 A 完成 100 次有效俯卧撑，而员工 B 登记 200 次 「自我报告」的俯卧撑以赢得排行榜，系统便惩罚了努力、 奖励了不诚实。这会摧毁平台的社会契约，导致 高绩效者退出，以及数据完整性上的「逐底竞争」。 ⁹

真正的游戏化——那种能驱动行为改变与可持续经济 模型的游戏化——需要以基于物理学的真相为基石。用户必须知道，增加计数器的唯一方式 是完成身体工作。这将用户的焦点从 「钻系统空子」转向「完成动作」，使数字激励与身体 结果对齐。

2. 理论框架：从计算机视觉到 信号处理

2.1 静态计算机视觉的局限

要解决验证危机，我们必须超越传统计算机 视觉（CV）的局限。过去十年，CV 被物体检测与 分类任务所主导：识别图像中的猫，或将一帧标注为「足球」。 卷积神经网络（CNN）在这些空间任务上极为出色。

然而，运动不是一种状态；它是一个过程。它是由几何随时间演化所定义的 时间事件。一个人肘部弯曲的单张静态帧，无法告诉我们任何关于 一次俯卧撑质量的信息。他们在下降吗？他们在撑起吗？他们是 将该姿势保持了 30 秒（等长支撑）还是 30 毫秒（一次 过渡）？他们是否因疲劳而颤抖？ ¹⁰

标准姿态估计库——如 OpenPose、BlazePose 或 MoveNet——常常被 营销为「AI 解决方案」。实际上，它们只是「传感器」。它们从视频流中提取骨骼关节的 (x, y, z) 坐标。尽管这是关键的第一步，原始 坐标数据却是嘈杂的、未经解释的、语义上空洞的。仅用姿态估计来 验证健身，好比把心电图（ECG）的原始电压读数交给外行并要求其 做出诊断。传感器提供数据；智能 必须 解释信号。 ¹²

2.2 人体运动作为周期信号

Veriprajna 将人体活动识别（HAR）重新框定为不是图像分类问题， 而是一个 数字信号处理（DSP） 问题。

人体在进行重复性运动时，其功能如同机械振荡器。

●​ 深蹲： 髋关节的垂直位移（$y_{hip}$）描绘出正弦波 随时间变化。

●​ 开合跳： 肩部外展的角速度描绘出周期 波形。

●​ 步态周期： 行走或跑步在下肢动力链上产生复杂的、多谐波 信号。

将运动视为信号，我们便解锁了信号处理强大的数学工具箱。 我们可以分析：

1.​ 振幅： 位移的幅度（深蹲深度）。

2.​ 频率： 重复的速率（节奏/速度）。

3.​ 相位： 不同关节之间的协调（对称性）。

4.​ 频谱纯度： 动作的平滑度（控制 vs. 震颤）。

从「视觉」到「信号」的这一转变，使客观量化成为可能。我们不再 要求 AI 去「猜测」正在发生何种运动；我们在测量波形的 物理学。然而，原始 DSP 技术（如傅里叶变换）在应用于野外人体运动那种嘈杂、 非平稳信号时很脆弱。人们会改变速度； 相机角度会移动；会发生遮挡。这正是深度学习重新进入 方程之处——不是作为图像分类器，而是作为时间信号的学习者。 ¹⁴

3. Veriprajna 引擎：时间卷积 网络（TCN）

3.1 循环神经网络（RNN）的失败

多年来，处理序列数据（文本、音频、时间序列）的标准架构 是循环神经网络（RNN）及其更稳定的变体：长短期 记忆（LSTM）网络与门控循环单元（GRU）。这些网络 按顺序处理：时刻的输出 $t$ 依赖于时刻的输入 $t$ 的输入以及「隐藏 状态」来自时刻 $t-1$。

尽管 LSTM 在 2014 年是一项突破，它们从根本上不适合 现代健身验证对高保真、实时的需求，原因有三：

3.1.1 串行瓶颈（延迟）

因为 LSTM 必须逐步处理序列（马尔可夫性质），它们无法被 并行化。要计算第 100 帧骨骼的状态，网络必须按顺序 计算第 1 到第 99 帧。在运行于移动设备（边缘 计算）的实时应用中，这种串行处理会造成不可接受的延迟，并成为 GPU 加速的瓶颈——而 GPU 正是靠并行矩阵运算取胜的。 ¹⁰

3.1.2 梯度消失（记忆）

LSTM 难以在长序列上保留信息。尽管「遗忘门」被 设计用来缓解这一点，实践中 LSTM 往往无法捕捉跨越 数千帧的依赖。一组 5 分钟的瑜伽或一组 50 次俯卧撑会产生一条时间 序列，超出标准 LSTM 的有效记忆窗口。这会导致「漂移」， 即模型在到达组末时已遗忘组初的上下文。 ¹¹

3.1.3 计算代价

维护并更新 LSTM 复杂的隐藏状态需要可观的内存 带宽。对 Veriprajna 的企业客户——他们可能正在处理数千路 并发流——规模化 LSTM 的计算成本令人望而却步。 ¹⁶

3.2 TCN 的优势：面向未来的架构

Veriprajna 采用 时间卷积网络（TCN） 。TCN 把曾革命化图像识别的卷积 架构（CNN）应用于时间域。 该架构为 HAR 任务提供了在数学上优于 RNN 的替代方案。

3.2.1 因果卷积

在标准图像 CNN 中，滤波器会查看目标像素周围的所有像素（未来与过去/左 与右）。在健身验证语境中，我们不能窥视未来——我们必须在 重复发生的当下完成验证。TCN 使用 因果卷积，意味着该时刻的输出 $t$ 为 仅与来自时刻 $t$ 及更早的元素卷积。不存在从未来向 过去的泄漏。这种严格因果性确保我们的验证引擎在数学上诚实， 并能够进行实时流式推理。 ¹⁷

3.2.2 膨胀卷积与指数感受野

TCN 的决定性特征是 膨胀卷积 。标准卷积具有 固定的视野。要看到很长的历史，你需要深到不现实的网络。膨胀 卷积引入间距因子（$d$）于卷积核采样点之间。

膨胀因子 $d$ 随网络层深度呈指数增长（$d = 2^i$ 对应第 $i$层）。

●​ 第 1 层（$d=1$）： 滤波器看到相邻时间步。

●​ 第 2 层（$d=2$）： 滤波器跳过一步，看到更宽的范围。

●​ 第 3 层（$d=4$）： 滤波器跳过三步。

●​ 第 10 层（$d=512$）： 滤波器捕获巨大的历史窗口。

该架构使 TCN 拥有呈指数增长的 感受野，随 深度增加。网络可以同时关注单帧的 瞬时物理学 （例如：「膝关节外翻是否正在塌陷？」）以及 长期时间上下文 （例如：「这一动作的周期性，是否与过去 3 分钟所建立的疲劳曲线 相一致？」）。 ¹⁹

3.2.3 并行性与训练稳定性

因为 TCN 使用卷积，所有时间步的计算可以 并行完成（前提是训练时输入序列可用，或推理时经过 缓冲）。这使训练时间比 LSTM 快几个数量级。此外， TCN 避免了梯度爆炸/消失问题，因为反向传播路径是 穿过固定深度的网络，而非沿时间展开。 ¹⁰

3.3 比较性能分析

在 HAR 语境中验证 TCN 相对 LSTM 的研究，凸显出清晰的 性能差距：

特征	LSTM / GRU	Veriprajna TCN	对 验证的含义
并行性	串行（慢）	并行（快）	TCN 使能 实时 验证于边缘 设备。
感受野	受梯度 流限制	灵活 / 指数级	TCN 可检测 长期疲劳与 动作质量退化。

内存占用	高（门状态）	低（滤波器权重）	TCN 更便宜 在企业 规模下运行。
梯度稳定性	消失/爆 炸	稳定 （类 ResNet）	TCN 对 训练更稳健， 在多样化 数据集上。
时间 分辨率	逐帧	分层	TCN 捕获 多尺度 动力学（微观与 宏观）。

表 1：人体活动识别中序列建模方法的架构 比较。 ¹⁰

4. 真相的度量：分析信号

TCN 提供引擎，但 Veriprajna 的价值在于它所执行的特定 生物特征信号 分析 。我们不只是对活动分类；我们将其解构为组成 物理学。

4.1 借助自相似性的类别无关重复计数

传统健身应用使用「启发式」或特定分类器来计数（例如，「俯卧撑 计数器」模型）。这很脆弱；每一种动作变体都需要训练新模型。 Veriprajna 采用 类别无关 方法，使用 时间自相似 矩阵（TSM） 。 ²¹

4.1.1 重复的机制

1.​ 嵌入投影： TCN 将骨骼姿态序列映射到 较低维的潜在空间。

2.​ 矩阵构建： 我们计算相似度（欧氏距离或余弦相似度） 在帧处嵌入 $i$ 与帧 $j$ 对所有 $i, j$。

3.​ 模式识别： 重复动作会在 TSM 中生成独特纹理——高相似度 线条，平行于主对角线。

○​ 这些线之间的 距离 对应于一次重复的周期（持续时间）。

○​ 线条的 强度 对应于重复的保真度（第 2 次重复与第 1 次 有多相似？）。

4.​ 积分： TCN 预测每一帧的周期长度与周期性概率。 通过对这些概率沿时间积分，我们得到精确计数，该计数对 中断、速度变化和非标准动作形式具有鲁棒性。 ²³

这使 Veriprajna 能够验证_任何_周期运动——壶铃摆动、划船、开合 跳，或专门的康复动作——而无需针对该动作的特定「分类器」。 它检测的是_重复的物理学_本身。 ²²

4.2 质量评分：动作形式的物理学

计数是必要但不充分的。用户可以用 1 英寸的活动范围完成 50 次「俯卧撑」。 为解决这一点，Veriprajna 根据运动学信号计算 质量分数 属性。

4.2.1 振幅阈值（「深度」指标）

我们分离关键关节的轨迹（例如深蹲中的髋、俯卧撑中的胸）。我们对 TCN 滤波后的信号应用 最小-最大峰值检测 算法。

●​ 逻辑： 一次重复仅在归一化振幅 $A_{norm}$ 超过某 生物力学阈值 $\theta$。

●​ 示例： 对于深蹲， $y_{hip}$ 必须从 $y_{standing}$ 遍历到 $y_{knee}$。若 信号拐点出现在 $y_{knee}$之上，TCN 将该次重复标记为「深度 不足」。这不是意见；这是位移的测量。 ²⁵

4.2.2 对数无量纲急动度（「控制」指标）

平滑度是熟练运动控制的标志。在信号处理中，急动度（Jerk）是位置的三阶 导数（加速度的变化率）。

$$Jerk(t) = \frac{d^3x}{dt^3}$$

高急动度值表明震颤、不稳定，或利用动量来「作弊」完成 动作。Veriprajna 计算对数无量纲急动度（LDLJ），该指标归一化 速度与振幅。

●​ 应用： 高 LDLJ 分数表明用户正在挣扎，或以 控制不佳的爆发方式完成该次重复。这是企业 健康管理与康复场景中受伤风险的关键预测指标。 ¹⁵

4.2.3 对称性分析（「平衡」指标）

利用人体骨骼的双侧性质，我们比较信号能量与相位， 左右肢体的。

●​ 不对称指数： $AI = \frac{|E_L - E_R|}{0.5(E_L + E_R)}$

●​ 用例： 识别深蹲时偏重一条腿的用户，这往往是受伤的 前兆，或不完全康复的指标。该指标无法 自我报告；必须被测量。 ²⁷

5. 工程化「物理工作量证明」

5.1 定义这一资产类别

我们为数字经济提出一个新概念：物理工作量证明（PoPW） 。在 区块链技术中，「工作量证明」的价值来自计算 能量（电力）的消耗。PoPW 的价值来自 人体代谢能量 的消耗， 并由基于物理学的 AI 加以验证。

这一资产类别将一次「训练」从转瞬即逝的事件转化为可验证的记录。一次 「Veriprajna 验证重复」是一个数据包，包含：

1.​ 时间戳与地理位置。

2.​ 骨骼关键点哈希。

3.​ TCN 置信度分数。

4.​ 运动学遥测（深度、速度、急动度）。

该数据包不可篡改且可审计。它是未来健康经济的通货。 ²⁸

5.2 系统架构

Veriprajna 为隐私优先、低延迟的企业部署而设计。

5.2.1 边缘优先方法

我们不向云端流式传输视频。流式传输视频（数 GB 数据）昂贵、缓慢，且是一场 隐私噩梦。

1.​ 设备端传感： 移动设备运行轻量姿态估计器（例如 MoveNet Thunder）于神经处理单元（NPU）上。这提取_仅_骨骼坐标 （数 KB 数据）。

2.​ 隐私屏障： 视频帧在坐标提取后立即被丢弃。 没有任何像素数据离开用户设备。

3.​ 云端 TCN 分析： 坐标流——匿名且纯粹 运动学的——被发送到 Veriprajna 云引擎（或在高端 手机上于设备端处理）。

4.​ TCN 推理： TCN 分析坐标流的周期性与质量。

5.​ 反馈回路： 结果在毫秒级返回给用户（「再低一些」、「好的 重复」）。

该架构从设计上确保 GDPR/HIPAA 合规，因为「生物特征数据」（视频中的 面部）从不被存储或传输。 ³⁰

6. 经济影响与企业用例

从「氛围」到「物理学」的转向，在关键行业解锁数十亿价值。

6.1 保险革命：动态核保

保险业目前局限于静态风险评估。一名 30 岁男性的定价 基于汇总表，而非其个体健康。

●​ 「氛围」现状： 保险公司为健身房会员资格提供折扣（验证的是 位置而非努力）或步数（验证的是设备移动而非用力）。

●​ Veriprajna 方案： 交互式风险评估。 投保人可通过 2 分钟「功能性动作筛查」（5 次深蹲、5 次弓步、平衡支撑）经由 保险人的应用完成。

●​ 价值： TCN 为用户的稳定性、活动范围与对称性评分。这些数据 与跌倒风险（老年人）及总体代谢健康强相关。保险人可以 根据_已验证的功能能力_动态调整保费，减少赔付 支出并吸引更低风险的客户。 ³²

6.2 企业健康管理：消除「作弊者红利」

企业健康管理是一个 $60 billion 规模却存在欺诈问题的产业。公司为 并未获得的结果付费。

●​ 「氛围」现状： 员工摇晃手机以达到步数目标，并申领 健康储蓄账户（HSA）缴款。雇主支付了激励，却得不到 生产力增益。

●​ Veriprajna 方案： 激励与 已验证活跃分钟 挂钩。欺诈的进入门槛 变成身体努力。要在 Veriprajna 上伪造一次俯卧撑，你实际上 得造一个看起来像人的机器人——或者干脆做俯卧撑。

●​ 价值： 营销投资回报变得可触摸。健康预算有效地瞄准实际 健康改善。 ³⁵

6.3 数字物理治疗（远程康复）

肌肉骨骼（MSK）疾病是雇主的首要成本驱动因素。远程康复解决了 可及性问题，却未能解决依从性问题。

●​ 「氛围」现状： 患者被布置家庭练习。依从性为 自我报告，且出了名地低（常常 <50%）。患者以糟糕的动作形式做练习， 延误恢复。

●​ Veriprajna 方案： TCN 充当 AI 物理治疗师 。它监测临床医师规定的 特定关节角度（例如，「膝关节屈曲 < 90 度」）。

●​ 价值： 临床医师收到一份_已验证_依从性与质量趋势的仪表盘。他们 可以在数据显示患者正在挣扎时介入，而不是等到 下一次预约。这种「远程治疗监测」（RTM）在美国现已成为可报销的 CPT 编码，为使用已验证技术的服务方创造直接收入流。 ³⁶

6.4 「边运动边赚钱」的救赎

试图将健身代币化的 Web3 项目失败了，因为它们依赖 GPS，而 GPS 极易被欺骗。

●​ Veriprajna 方案： 我们为身体努力提供 预言机 。代币铸造由 TCN 验证把关。这创造出可持续的经济，其中代币供给由 用户群体的身体能力所封顶。 ³⁷

7. 比较分析：Veriprajna 对标业界

为协助决策者，我们对 Veriprajna 与替代性 市场方案提供直接比较。

特征	LLM 封装器 （ChatGPT/Cla ude）	基础 计算机 视觉 （OpenPose/Vi sionKit）	遗留 AI （LSTM/RNN）	Veriprajna （TCN + 信号 处理）
核心功能	文本 生成 / 聊天	关节 检测 （传感）	序列 预测	物理学 验证
验证 方法	无（信任 用户输入）	无（原始 坐标）	历史依赖 状态	因果信号 分析
实时 能力	低（云端 延迟）	高	低（串行 处理）	高（并行 处理）
计数 精度	N/A	启发式 （阈值）	中等 （漂移问题）	高 （周期性 引擎）
欺诈 抗性	零	低（易于 欺骗）	中等	高 （生物特征/物

Col1	Col2	Col3	Col4	理）
经济 效用	内容 分发	数据 采集	基础追踪	可审计 资产 创建

表 2：Veriprajna 相对当前市场替代方案的战略定位。

8. 结论：健康的不可篡改账本

将人工智能融入人类健康不可避免，但其当前 轨迹是有缺陷的。我们在构建生成看似合理文本的系统，而非验证 物理真相。我们在构建被动消耗注意力的「视频播放器」，而非 测量努力的主动审计者。

Veriprajna 代表必要的纠正。我们主张，在身体 健康领域，物理学是唯一重要的 API。

通过以严格的数学取代主观自我报告与脆弱的启发式方法， 时间卷积网络框架，我们正在创立新的信任标准。我们 使保险人能够核保现实，使雇主能够奖励努力，使患者能够带着 信心康复。

我们邀请有前瞻性的企业与我们一起建设「物理学」经济。是时候 停止把氛围游戏化，开始验证工作。

9. 未来路线图：通往生物特征主权之路

展望眼前地平线之外，Veriprajna 正在开发下一代 物理 AI 技术：

1.​ 混合 TCN-Transformer 架构： 尽管 TCN 在时间 验证上更优，Transformer 擅长语义上下文。我们正在研究混合模型， 由 TCN 处理高频信号验证（「物理学」），以及轻量 Transformer 解释全局上下文（「环境」），使 系统能够理解训练_在何处_发生（健身房 vs. 家中），以进一步 情境化风险画像。 ³⁸

2.​ 设备端个性化（少样本学习）： 未来的 TCN 将采用 元学习，仅需几次重复即可适应用户特定的生物力学。这 会形成运动的「生物特征指纹」——意味着系统最终将拒绝 一次有效的俯卧撑，如果它判定不是_你_做的，从而进一步保护「物理工作量 证明」免遭账号共享。 ⁴⁰

3.​ 「Veriprajna 标准」： 我们旨在建立数字健身数据的 ISO 对等标准。 正如 HTTPS 保护了网络，Veriprajna 协议将保护 身体努力数据的传输，使其能够无缝、无需信任地 在应用、保险人与医疗提供方之间流动。

未来不仅智能；它是已验证的。

参考文献

1. AI vs generative AI: Key differences and use cases - N-iX, 查阅于 2025 年 12 月 11 日, https://www.n-ix.com/ai-vs-generative-ai/

2. Innovation Beyond LLM Wrapper - AI at work for all - secure AI agents, search, workflows, 查阅于 2025 年 12 月 11 日, https://shieldbase.ai/blog/innovation-beyond-llm-wrapper

3. The privacy nightmare of modern fitness apps: Why is "local-only" so rare? Reddit, 查阅于 2025 年 12 月 11 日, https://www.reddit.com/r/privacy/comments/1pfssw5/the_privacy_nightmare_of_modern_fitness_apps_why/

4. New study finds popular fitness apps may actually demotivate users - New Atlas, 查阅于 2025 年 12 月 11 日, https://newatlas.com/health-wellbeing/popular-fitness-apps-may-demotivate-users/

5. How and Why I Cheated On My App: User Experience of Cheating Physical Activity Exergame Applications | Request PDF - ResearchGate, 查阅于 2025 年 12 月 11 日, https://www.researchgate.net/publication/317488447_How_and_Why_I_Cheated_On_My_App_User_Experience_of_Cheating_Physical_Activity_Exergame_Applications

6. (PDF) Gaming the Quantified Self - ResearchGate, 查阅于 2025 年 12 月 11 日, https://www.researchgate.net/publication/277331055_Gaming_the_Quantified_Self

7. STEPN Will Use AI to Detect Cheaters on Move-to-Earn Platform - Tokenist, 查阅于 2025 年 12 月 11 日, https://tokenist.com/stepn-will-use-ai-to-detect-cheaters-on-move-to-earn-platform/

8. SMAC: STEPN Model for Anti Cheating, 查阅于 2025 年 12 月 11 日, https://stepnofficial.medium.com/smac-stepn-model-for-anti-cheating-a36bc1d6ecb0

9. Health Wearables, Gamification, and Healthful Activity - PMC - PubMed Central NIH, 查阅于 2025 年 12 月 11 日, https://pmc.ncbi.nlm.nih.gov/articles/PMC10403254/

10. arXiv:1611.05267v1 [cs.CV] 16 Nov 2016, 查阅于 2025 年 12 月 11 日, https://arxiv.org/pdf/1611.05267

11. Temporal Convolutional Networks for Action Segmentation and Detection - arXiv, 查阅于 2025 年 12 月 11 日, https://arxiv.org/abs/1611.05267

12. Applications of Pose Estimation in Human Health and Performance across the Lifespan, 查阅于 2025 年 12 月 11 日, https://pmc.ncbi.nlm.nih.gov/articles/PMC8588262/

13. Artificial Intelligence in Fitness: Pose Estimation and Movement Correction | Cureus Journals | Article, 查阅于 2025 年 12 月 11 日, https://www.cureusjournals.com/articles/747-artificial-intelligence-in-fitness-pose-estimation-and-movement-correction

14. Deep Learning-Based Human Activity Recognition Using Dilated CNN and LSTM on Video Sequences of Various Actions Dataset - MDPI, 查阅于 2025 年 12 月 11 日, https://www.mdpi.com/2076-3417/15/22/12173

15. Smooth Moves: Comparing Log Dimensionless Jerk Metrics from Body Center of Mass Trajectory and Wearable Sensor Acceleration During - Aisberg, 查阅于 2025 年 12 月 11 日, https://aisberg.unibg.it/retrieve/8f26c15d-c3b5-40f5-b788-3081124251fd/2025_Brasiliano_Sensors_Smoothness.pdf

16. (PDF) A Comparative Study of Detecting Anomalies in Time Series Data Using LSTM and TCN Models - ResearchGate, 查阅于 2025 年 12 月 11 日, https://www.researchgate.net/publication/357171924_A_Comparative_Study_of_Detecting_Anomalies_in_Time_Series_Data_Using_LSTM_and_TCN_Models

17. Human Activity Recognition via Attention-Augmented TCN-BiGRU Fusion - MDPI, 查阅于 2025 年 12 月 11 日, https://www.mdpi.com/1424-8220/25/18/5765

18. Temporal Convolutional Networks and Forecasting - Unit8, 查阅于 2025 年 12 月 11 日, https://unit8.com/resources/temporal-convolutional-networks-and-forecasting/

19. arXiv:2305.13778v1 [cs.CV] 23 May 2023, 查阅于 2025 年 12 月 11 日, https://arxiv.org/pdf/2305.13778

20. Temporal Convolutional Attention Neural Networks for Time Series Forecasting Yang Lin, 查阅于 2025 年 12 月 11 日, https://yanglin1997.github.io/files/TCAN.pdf

21. Rethinking temporal self-similarity for repetitive action counting - arXiv, 查阅于 2025 年 12 月 11 日, https://arxiv.org/html/2407.09431v1

22. RepNet: Counting Repetitions in Videos - Google Research, 查阅于 2025 年 12 月 11 日, https://research.google/blog/repnet-counting-repetitions-in-videos/

23. Live Repetition Counting - TAU, 查阅于 2025 年 12 月 11 日, https://www.cs.tau.ac.il/~wolf/papers/repcounticcv.pdf

24. TEMPORAL REPETITION COUNTING WITH DYNAMIC ACTION QUERIES OpenReview, 查阅于 2025 年 12 月 11 日, https://openreview.net/pdf/62e872a4dc4d01b2aca8bbcd1a0e6c4b452c9e92.pdf

25. Quality Evaluation Algorithm for Chest Compressions Based on OpenPose Model, 查阅于 2025 年 12 月 11 日, https://www.researchgate.net/publication/360534961_Quality_Evaluation_Algorithm_for_Chest_Compressions_Based_on_OpenPose_Model

26. Comparison of Various Smoothness Metrics for Upper Limb Movements in Middle-Aged Healthy Subjects - MDPI, 查阅于 2025 年 12 月 11 日, https://www.mdpi.com/1424-8220/23/3/1158

27. Assessing Smoothness of Arm Movements With Jerk: A Comparison of Laterality, Contraction Mode and Plane of Elevation. A Pilot Study - PubMed Central, 查阅于 2025 年 12 月 11 日, https://pmc.ncbi.nlm.nih.gov/articles/PMC8814310/

28. Welcome to the News Archive - yin.kit.edu, 查阅于 2025 年 12 月 11 日, https://www.yin.kit.edu/english/1172.php

29. SOLLONG: A New Application of the DEPIN Data Concept - Beardsley Farmers Elevator, 查阅于 2025 年 12 月 11 日, https://www.beardsleyfe.com/markets/stocks.php?article=marketersmedia-2024-5-6-sollong-a-new-application-of-the-depin-data-concept

30. EEOC: Avoid Bias with Wearable Tech in the Workplace - Goldberg Segalla, 查阅于 2025 年 12 月 11 日, https://www.goldbergsegalla.com/news-and-knowledge/knowledge/eeoc-avoid-bias-with-wearable-tech-in-the-workplace/

31. Fitbits at Work: Navigating the Legal Risks of Wearables in Corporate Wellness Programs, 查阅于 2025 年 12 月 11 日, https://www.akerman.com/en/perspectives/hrdef-fitbits-at-work-navigating-the-legal-risks-of-wearables-in-corporate-wellness-programs.html

32. New Medical Insights from LexisNexis Health Intelligence Helps Life Insurers Expand Accelerated Programs, Mitigate Mortality Slippage and Improve Customer Experience, 查阅于 2025 年 12 月 11 日, https://risk.lexisnexis.com/about-us/press-room/press-release/20251111-medical-insights-health-intelligence

33. Data analytics (ab) use in healthcare fraud audits - NHH, 查阅于 2025 年 12 月 11 日, https://www.nhh.no/globalassets/departments/accounting-auditing-and-law/digaudit/suton-et-al.-ijais-2021-data-analytics-ab-use-in-healthcare-fraud-audits.pdtf

34. Issue Brief - Big Data and Algorithms in Actuarial Modeling and Consumer Impacts, 查阅于 2025 年 12 月 11 日, https://actuary.org/wp-content/uploads/2022/10/IB-BigData-10-22.pdf

35. Common Mistakes Corporate Health Programs Make With Wearable Devices WellSteps, 查阅于 2025 年 12 月 11 日, https://www.wellsteps.com/blog/2020/01/02/corporate-health-programs/

36. Human pose estimation in physiotherapy fitness exercise correction using novel transfer learning approach - NIH, 查阅于 2025 年 12 月 11 日, https://pmc.ncbi.nlm.nih.gov/articles/PMC12193033/

37. StepN: Move-to-Earn without the Ponzi | HTX Square, 查阅于 2025 年 12 月 11 日, https://square.htx.com/wp-content/uploads/2023/05/b8937-stepn-move-to-earn-without-a-ponzi.pdf

38. A Hybrid Visual Transformer for Efficient Deep Human Activity Recognition - CVF Open Access, 查阅于 2025 年 12 月 11 日, https://openaccess.thecvf.com/content/ICCV2023W/NIVT/papers/Djenouri_A_Hybrid_Visual_Transformer_for_Efficient_Deep_Human_Activity_Recognition_ICCVW_2023_paper.pdf

39. A Transformer-Based Hybrid Model for Human Activity Recognition Using Smart Home Environmental Sensor Data - Engineering Management and Soft Computing, 查阅于 2025 年 12 月 11 日, https://jemsc.qom.ac.ir/article_3653.html

40. Intelligent Repetition Counting for Unseen Exercises: A Few-Shot Learning Approach with Sensor Signals - arXiv, 查阅于 2025 年 12 月 11 日, https://arxiv.org/html/2410.00407v2