AI 生物力學與運動驗證
姿態估計是免費的。BlazePose、MoveNet 與 MediaPipe 都是開源的，可在任何手機上運行。真正困難的問題在於其上層：針對特定運動的生物力學智慧——它知道一位 70 歲剛做完膝關節置換的病患，與一位 30 歲的企業運動員相比，需要不同的深蹲深度目標。我們打造的正是這一層。為物理治療平台與企業健康方案量身打造的運動驗證引擎，從攝影機輸入到符合 RTM 規範的合規數據。
35%
完全遵循居家運動處方的物理治療病患比例
Physiopedia / Sprypt，2025
$3,591
每位員工的年度肌肉骨骼（MSK）負擔
UHC（$486 直接成本）+ BioFunctional（$3,105 生產力損失）
96%
到 2027 年提供虛擬 MSK 照護的雇主比例
Business Group on Health，2025
無論您是在打造一個需要運動驗證以進行 RTM 計費的物理治療平台，還是一個需要防舞弊運動追蹤的企業健康方案，缺口都是相同的：輸入原始姿態數據，輸出具臨床意義的決策。
每一家健身 AI 公司都在運行姿態估計。問題在於擷取出關鍵點之後會發生什麼。
一位 62 歲的病患，ACL（前十字韌帶）重建術後第 8 週，在家中執行處方的自體重量深蹲。手機攝影機捕捉動作。BlazePose 以 30 FPS 每幀擷取 33 個關鍵點。以下是原始數據所顯示的內容：
姿態估計函式庫會回傳這些數字。但它並不知道：
這個詮釋層正是我們所打造的。姿態估計是感測器。運動智慧是大腦。感測器已被商品化。大腦則不然。
65% 的病患在第一個月內就放棄居家運動方案。自陳式的遵從度並不可靠。臨床人員想要計費 RTM 代碼（98975-98981），但需要附有時間戳記、品質指標及處方對應的已驗證運動數據，才能滿足 CMS 的文件要求。
2026 年的 CMS 最終規則新增了 CPT 代碼 98979 與 98985，將 RTM 計費門檻從 16 天降至最少 2 天的監測，並從 20 分鐘降至 10 分鐘的管理時間。如今有更多病患可計費。但文件仍要求由裝置蒐集的數據須與治療決策相連結。
只有 25% 的員工實際使用既有的健康方案。超過 50% 的員工表示不願分享健康數據。而在多起「搖晃 Fitbit」醜聞之後，雇主要求的運動驗證不能讓人感覺像是監控。
企業健康市場在 2026 年將達到 1,000 億美元，但只有 25% 的員工實際使用既有方案。信任問題根深蒂固：超過半數的員工抗拒與雇主分享健康數據。同時，36% 的 MSK 手術是不必要的，使勞動力損失達 900 億美元（Employee Benefit News）。已驗證的運動數據創造了一種不同的價值主張：在昂貴的介入措施變得必要之前，及早偵測動作品質的下降以觸發臨床審查。
在您下一次廠商評估時調出這張表。每一項都反映截至 2026 年第一季已實際出貨的能力，而非藍圖上的承諾。
| 供應商 | 他們出貨的內容 | 驗證方法 | 其不足之處 |
|---|---|---|---|
| Hinge Health | 全端式 MSK 平台。TrueMotion 電腦視覺、Robin AI 分診助理。2026 年預估營收 7.32 億美元。 | 電腦視覺（動作分析）+ IMU 穿戴式感測器 | 封閉式平台。無法嵌入您的產品。定價針對企業雇主，而非物理治療診所網絡。其驗證技術鎖在其照護模式之內。 |
| Sword Health + Kaia | 收購了 Kaia（2.85 億美元，2026 年 1 月）。結合 M-band 穿戴裝置 + Kaia 的 Motion Coach 電腦視覺。計畫進行 5 億美元的募資輪。 | 穿戴式感測器生物回饋 + 無標記電腦視覺（收購後結合） | 與 Hinge 有相同的鎖定問題。正以 Sword 的平台取代 Kaia 的美國 MSK 解決方案，因此 Kaia 的客戶正處於過渡期。硬體依賴（M-band）為規模化帶來物流摩擦。 |
| Peloton IQ | Cross Training 系列上的姿勢追蹤攝影機（2025 年 10 月推出）。次數計算、姿勢矯正、穿戴裝置整合。 | 硬體內建 AI 攝影機 | 消費級健身，而非臨床用途。無 RTM 能力。硬體鎖定（僅能在 Peloton 設備上運作）。不提供平台或 SDK 形式。 |
| Kemtai | B2B 電腦視覺平台。44 個身體標記點、骨架疊加、即時矯正指引。瀏覽器為基礎（WebGPU）。 | 以瀏覽器為基礎的姿態估計搭配規則式姿勢矯正 | 聚焦於一般健身，未經臨床驗證用於物理治療。瀏覽器為基礎意味著無 NPU 加速（延遲較高）。規則引擎為通用型，無法針對每位病患每項運動進行設定。 |
| QuickPose | 供健身應用程式使用的 B2B iOS SDK。AI 計數器、計時器、姿勢檢查。快速整合。 | iOS SDK 搭配姿態估計 + 基本角度閾值 | 僅限 iOS。提供姿態估計與基本姿勢回饋，而非深度生物力學分析。無時序建模（次數品質、疲勞偵測、趨勢分析）。無 RTM 文件輸出。 |
| Limber Health | RTM 計費專家。專利申請中的風險分層。HEP 療程完成率提升 3.3 倍。成果改善超過 30%（Athletico 數據）。 | 自陳式運動追蹤 + RTM 計費工作流程 | 在 RTM 計費工作流程上表現強勁，但運動遵從度為自陳式，並非由電腦視覺驗證。其計費基礎設施相當出色；運動驗證才是缺口。 |
| MedBridge | 超過 3,500 家醫療機構。運動處方、面向病患的治療影片、RTM 能力。 | 運動影片庫 + 病患自陳 + RTM | 內容與臨床工作流程相當出色。運動完成度以影片為基礎（病患觀看後自行回報）。無姿勢驗證、無品質評分、無生物力學分析。 |
| 四大會計師事務所／大型系統整合商 | Accenture、Deloitte 及類似公司就數位健康策略與平台選擇提供諮詢。 | 策略顧問，而非技術建置 | 他們推薦並整合平台。他們不打造運動智慧引擎。委託案費用為 50 萬至 200 萬美元以上，產出的是建議書，而非已部署的系統。對於一個需要 SDK 而非策略簡報的物理治療平台而言，他們是錯誤的工具。 |
| Veriprajna | 客製化運動智慧層。邊緣 SDK、RTM 文件管線、臨床人員可設定的閾值。 | 裝置端姿態估計 + TCN 時序分析 + 生物力學規則引擎 | 並非照護平台。不提供物理治療師、臨床工作流程或病患管理。我們打造驗證引擎；您則圍繞它打造（或已擁有）產品。單眼攝影機的準確度有實際的限制（見常見問答）。 |
五項能力，每一項都針對運動驗證管線中的特定問題而設計。我們可將這些打造為獨立模組，或整合為一套系統，視您平台的需求而定。
最困難的部分。針對 30 多項物理治療運動的生物力學規則組，每一項都定義：各運動階段的目標關節角度、可接受的活動度（ROM）範圍、有效次數計算的最小幅度、平滑度標準（對數無因次急動度，Log Dimensionless Jerk），以及雙側對稱性基準。
我們與運動機能學家共同校準閾值，而不只是與機器學習工程師。一位術後第 4 週病患的膝關節伸展閾值，與第 12 週根本不同。規則引擎將其視為臨床人員可設定的參數來處理，而非寫死的數值。對於 30 項核心物理治療運動，我們的目標是在品質評分上與專家物理治療師評估達到 85% 以上的一致性。
從攝影機輸入到能滿足 CPT 代碼 98975-98981（外加 2026 年新增的代碼 98979 與 98985）CMS 文件要求的結構化數據。此管線輸出帶有時間戳記的療程報告：已驗證的次數、每次的品質評分、對應到處方運動方案的 ROM 量測，以及跨療程的趨勢數據。
輸出格式為相容於 FHIR 的 JSON，專為與 EHR 系統整合而設計。報告直接連結到病患的處方運動計畫，因此臨床人員看到的是「病患完成了 12/15 次處方的膝關節伸展，平均品質評分 7.2/10，ROM 趨勢：2 週內由 78 度進步到 84 度」，而非原始的座標數據。
跨平台 SDK（iOS + Android），完全在裝置端運行。透過 BlazePose（33 個關鍵點，3D）或 MoveNet Lightning（17 個關鍵點，速度最佳化）進行姿態估計，並透過 CoreML 與 NNAPI delegate 達成 NPU 加速。NPU 上推論為 15 毫秒，端到端（glass-to-glass）總延遲低於 50 毫秒。
影像幀在關鍵點擷取後立即被丟棄。沒有任何像素數據離開裝置。這不僅是一項隱私功能；更是一項架構決策，消除了 BIPA/GDPR 的生物特徵數據暴露、去除雲端推論成本（每次療程的邊際成本為零），並讓連線不穩定的病患得以離線操作。
依使用者臨床狀況調整的運動評分。一位 70 歲剛做完膝關節置換的病患，與健康方案中一位 30 歲的企業運動員，有著不同的深蹲深度要求。系統支援臨床人員針對每位病患每項運動設定閾值，並依年齡層、病況類型與恢復階段提供合理的預設值。
這包括攝影機架設智慧。不同運動需要不同的攝影機角度：評估深蹲深度需側視，偵測膝外翻則需正視。SDK 內含一個架設精靈，提供即時定位回饋（「將手機向左移動 2 英尺」），以及信賴度閘控——當關鍵點可見度低於閾值時暫停分析，而非從被遮擋的關節推測角度。
業界正從被動追蹤轉向自主健康代理。ARPA-H 的 ADVOCATE 計畫正在打造能自主調整照護計畫的臨床 AI 代理。我們打造的運動監測代理超越單次療程的評分。該代理會追蹤跨療程的模式：暗示病患正在退步的 ROM 下降趨勢、顯示代償模式的不對稱性增加，以及與時段或距上次療程天數相關的疲勞驅動姿勢退化。
對物理治療平台而言，這意味著主動的臨床人員警示（「病患 X 的膝關節屈曲 ROM 在最近 5 次療程中下降了 8 度，暗示可能出現倒退」），而非等待下一次面對面門診。對企業健康方案而言，這意味著方案層級的趨勢分析，能辨識出哪些運動介入措施真正改善了 MSK 成果，又有哪些只帶來參與卻沒有進展。
一位病患打開您的物理治療應用程式，開始進行一組處方的 15 次自體重量深蹲。以下是在每個攝影機幀與螢幕上回饋之間 46 毫秒內所發生的事。
裝置攝影機擷取一幀。BlazePose（透過 CoreML 或 NNAPI delegate 在 NPU 上運行）擷取 33 個骨架關鍵點，附帶 3D 座標（x、y、z）及每個關鍵點的信賴度評分。總推論時間：NPU 上 10-15 毫秒。影像幀被丟棄。僅有座標繼續往下處理。
原始關鍵點因像素量化雜訊而在各幀間抖動。移動平均能平滑抖動，但會增加 300 毫秒以上的延遲。我們使用 1-Euro 濾波器，它會依速度調整其截止頻率：當病患維持姿勢時進行積極平滑（消除視覺抖動），在快速移動期間進行最小平滑（保持反應靈敏）。結果是：座標穩定，且幾乎零延遲增加。
若髖部關鍵點的信賴度降至 0.5 以下（手臂遮擋髖部、光線不佳、手機角度問題），分析會暫停，病患會看到「請調整攝影機角度，髖部不可見。」我們絕不從低信賴度的關鍵點推測關節角度。在一次正確的動作中誤發「您的膝蓋正在內塌」警示會立即摧毀信任。在實際發生外翻時漏發警示則會造成責任問題。此閾值的嚴格是設計使然。
平滑後的關鍵點串流送入一個採用因果擴張卷積的時序卷積網路（TCN）。與循序處理幀且難以應付長序列的 LSTM 不同，TCN 使用感受野呈指數成長的平行卷積。第 1 層看到相鄰的幀。第 10 層看到 512 幀的歷史。這讓模型能同時分析瞬時姿勢（膝外翻此刻正在發生嗎？）與長期模式（隨著該組進行，動作品質是否在退化？）。近期研究（MSA-TCN，IEEE 2025）在中階智慧型手機上達成 98.7% 的 HAR 準確度，模型大小僅 0.08MB，推論時間 1.8 毫秒。
生物力學規則引擎套用特定運動的邏輯。對於此次深蹲： 幅度 （髖部位移是否跨越臨床人員設定的深度閾值？）、 平滑度 （對數無因次急動度評分，其中高急動度代表顫抖或借力作弊）、 對稱性 （比較左／右腿訊號能量的不對稱指數），以及 節奏 （下降對上升比值作為代償性動作的指標）。每項指標皆對應到每次的品質評分。
病患接收到同步的音訊／觸覺回饋（「再深一點」或「動作良好」）。在療程結束時，SDK 產出一份結構化的 JSON 報告：完成 12/15 次處方次數、平均品質 7.4/10、膝關節屈曲 ROM 78-84 度（較上次療程的 72-80 度有所改善）、第 9 次有一個外翻標記。此報告直接對應到處方方案，並送入您的 RTM 文件管線。
端到端總延遲：約 46 毫秒。 作為對照，人類的視覺反應時間為 150-250 毫秒。系統偵測並回應姿勢錯誤的速度，比病患能感知它們的速度還快，從而實現真正的同步回饋，而非雲端系統在動作已經發生 2-5 秒後才提供的「延遲回饋」。
一個典型的委託案從評估到生產部署為期 5-8 個月。時程取決於您需要驗證多少項運動，以及您的平台是否已整合姿態估計。
交付項目：技術需求文件 + 運動優先級矩陣 + 架構建議
交付項目：整合於您應用程式中的可運作 SDK + 運動規則庫 + 文件管線
交付項目：含各運動準確度指標的驗證報告 + 閾值調整 + 限制文件
交付項目：生產部署 + 試行績效報告 + 額外運動的擴充藍圖
誠實的注意事項： 為運動庫新增一項運動每項需 1-2 週。具有清晰週期性模式的運動（深蹲、提踵、二頭肌彎舉）校準較快。複雜的多階段動作（土耳其起立、奧林匹克舉重）或非週期性運動（瑜伽流動、等長收縮維持）則耗時較長，且信賴度評分可能較低。我們會在前期界定這一點，讓您清楚知道自己會得到什麼。
回答關於您平台現況的六個問題。本評估會標出您在運動驗證成熟度曲線上的位置，並辨識出需要弭平的具體缺口。
1. 您的平台目前是否使用任何形式的姿態估計或動作追蹤？
2. 您的平台目前如何驗證運動完成度？
3. 臨床人員或方案管理者能否針對每位使用者設定運動閾值？
4. 您的運動數據輸出是否支援 RTM 計費或結構化健康報告？
5. 運動分析在何處運行？
6. 您的平台需要驗證多少項運動？
我們打造一個能與您現有 iOS 與 Android 應用程式整合的行動 SDK。該 SDK 處理裝置端姿態估計（用於 33 關鍵點追蹤的 MediaPipe BlazePose，或用於速度關鍵情境的 MoveNet Lightning）、透過 1-Euro 濾波進行抖動平滑，以及特定運動的姿勢分析。當病患開始一段運動療程時，您的應用程式會呼叫 SDK。SDK 回傳結構化數據：次數、每次的品質評分、關節角度量測，以及療程遵從度摘要。整合通常需 3-4 週進行 API 連接，外加您這端 2-3 週的 UI 工作以顯示回饋。SDK 使用 CoreML（iOS）或 NNAPI（Android）delegate 完全在裝置端運行，因此沒有每次推論的雲端成本，也沒有任何影像數據離開病患的手機。對於物理治療專屬的部署，我們納入臨床人員可設定的閾值：您的治療師透過網頁儀表板，針對每位病患每項運動設定目標 ROM、可接受範圍與品質標準。SDK 在療程期間強制執行這些閾值，並在遵從度報告中標記偏差。
老實說，這取決於運動與量測項目。MediaPipe BlazePose 對上肢動作顯示 0.91 的皮爾森相關係數，對下肢動作則為 0.80（對照黃金標準 Qualisys 動作捕捉）。特別就膝關節屈曲而言，單眼攝影機量測在 2D 上的平均絕對誤差為 9.3 至 21.9 度。這對於精確的角度計（goniometric）量測而言並非臨床等級。但 CPT 代碼 98975-98981 下的 RTM 計費並不要求角度計等級的精度。CMS 文件要求規定須有來自監測裝置的帶時間戳記數據、病患互動記錄，以及基於監測數據的治療計畫決策。臨床人員在 RTM 上所需的是已驗證的運動完成度（病患是否做完了處方的 15 次膝關節伸展？）、概略的品質評估（次數是否在合理的 ROM 範圍內？），以及隨時間的趨勢數據（ROM 是否週週改善？）。以攝影機為基礎的系統能可靠地提供這些。我們劃下的界線是：我們不宣稱單一手機攝影機能達到臨床等級的角度量測。對於精確 ROM 量測至關重要的病患（例如術後恢復里程碑），我們建議在面對面門診時搭配角度計檢查作為補充。攝影機系統負責處理門診之間病患在家無人監督運動的那 28 天。
超過 50% 的員工表示不願與雇主分享健康資訊，而以攝影機為基礎的監測會加劇這種不情願。我們以邊緣優先的架構來因應，沒有任何影像離開裝置。手機攝影機擷取影像幀，裝置端模型擷取骨架關鍵點座標（每幀 33 個 x,y,z 數值），影像幀則立即被丟棄。只有彙總後的療程數據會到達雇主的健康平台：運動類型、次數、品質評分、療程時長。沒有影像。沒有關鍵點串流。沒有可能作為生物特徵識別子的動作模式。這在法律上也很重要。骨架關鍵點座標串流可能構成 BIPA（伊利諾州）與 GDPR 第 9 條下的生物特徵數據，因為步態分析已被證實為一種生物特徵識別子。透過在裝置端處理並僅傳輸彙總指標，我們站在生物特徵隱私法的正確一側。員工在自己的螢幕上即時看到自身的姿勢回饋。雇主看到一個顯示參與率與彙總品質趨勢的遵從度儀表板。這兩種視角之間的落差就是隱私邊界，而我們以架構來強制執行它，而不只是靠政策。
Hinge Health（預估 2026 年營收 7.32 億美元）與 Sword Health（於 2026 年 1 月以 2.85 億美元收購了 Kaia Health）是全端式平台：它們提供物理治療、運動、監測與臨床支援。如果您想為員工購買一套端到端的 MSK 解決方案，那些都是有力的選項。Veriprajna 並不在那方面與它們競爭。我們為需要將運動驗證智慧層嵌入自身平台的組織打造該層。以下是三種此事至關重要的情境：第一，如果您是一個正在打造自有 MSK 產品的物理治療平台或數位健康公司，您需要運動驗證技術，但不想白標 Hinge Health 競爭對手的產品。我們打造為您平台運動監測提供動力的 SDK。第二，如果您是一個已有 MSK 廠商、但想為 MSK 以外更廣泛的健康方案（包括一般健身挑戰、預防性運動與人因工程合規）取得獨立運動驗證的大型雇主（5,000 名以上員工）。第三，如果您在受監管的情境中營運（保險核保、勞工賠償理賠驗證），需要將驗證層與任何單一照護平台解耦，以便能獨立稽核。我們是驗證層，而非照護平台。
我們以一個包含 30 項物理治療運動的核心庫展開部署，涵蓋最常見的復健方案：ROM 運動（肩關節屈曲與外展、膝關節屈曲與伸展、髖關節屈曲、踝關節背屈）、肌力訓練（深蹲、弓步、橋式、提踵、靠牆伏地挺身、坐姿划船、二頭肌彎舉）、平衡（單腳站立、前後站姿），以及功能性動作（坐到站、踏階、步態分析）。每項運動都有一組生物力學規則組，定義有效姿勢的閾值：目標關節角度、可接受範圍、次數計算的最小幅度、平滑度標準與對稱性基準。新增一項運動需 1-2 週。其流程包括與運動機能學家共同定義生物力學規則組（要追蹤哪些關節、什麼角度定義各運動階段、什麼構成一次品質良好的次數）、從 20-30 位不同體型的受試者蒐集校準數據，並針對專家物理治療師評估進行驗證，目標是在品質評分上達到 85% 以上的一致性。具有清晰週期性模式的運動（深蹲、二頭肌彎舉、提踵）相當直接。複雜的多階段動作（土耳其起立、奧林匹克舉重）或非週期性動作（瑜伽流動、等長收縮維持）則需要更多校準時間，且信賴度評分可能較低。對於系統能妥善處理哪些運動、又有哪些不能，我們保持透明。
MSK 疾患使雇主每位成員每月在直接醫療成本上平均花費約 40.51 美元（UnitedHealthcare），外加每位員工每年因 MSK 相關缺勤造成的 3,105 美元生產力損失。這大約等於每位員工每年 3,591 美元的綜合負擔。降低成本的機制並非 AI 本身。而是已驗證的運動數據所促成的事。第一，及早介入：當系統偵測到某位參與者運動數據中的 ROM 下降趨勢或不對稱性增加時，它會在病況惡化成手術案例之前觸發臨床審查。36% 的 MSK 手術是不必要的（Employee Benefit News），而每避免一次手術可節省 30,000 至 50,000 美元。第二，已驗證的遵從度帶來更好的成果：使用支援 RTM 之運動監測的物理治療病患，完成的居家運動療程比採用標準方案者多 3.3 倍（Limber Health 數據），而 Athletico Physical Therapy 回報採用 RTM 後成果改善超過 30%。第三，特別就企業健康方案而言，已驗證的運動消除了侵蝕雇主信任的舞弊。當激勵與已驗證的完成度而非自陳活動掛鉤時，真正運動者的參與度會提高，因為系統不再獎勵那些搖晃自己 Fitbit 的人。實際的節省範圍為每位投入的員工每年 800 至 2,000 美元，取決於該族群的 MSK 負擔與方案的參與率。
支撐這個解決方案頁面的互動式白皮書。這些深入探討其技術基礎。
用於低於 50 毫秒姿態估計回饋的邊緣 AI 架構。BlazePose 對 MoveNet 對 YOLOv11 的比較、1-Euro 濾波器數學、NPU 加速，以及反對雲端運動分析的生物力學論據。
用於運動驗證的 TCN 架構。因果擴張卷積、透過時序自相似矩陣進行類別無關的次數計算、透過幅度閾值化與對數無因次急動度進行品質評分，以及將人類動作視為訊號處理問題的論據。
65% 的人在第一個月內就放棄居家運動方案。在持續下去的人當中，自陳式的遵從度誇大了實際的遵循程度。
已驗證的運動數據改變了這道方程式。它讓臨床人員獲得用於治療決策的真實遵從數據、讓雇主相信健康支出正在產出成果，並讓病患獲得使居家運動方案真正奏效的即時回饋。捕捉動作的技術是免費的。詮釋它的智慧才是我們所打造的。