驗證的物理學：超越 LLM 包裝層

將人體動作轉化為可稽核資產：透過 時序卷積網路

執行摘要：人工智慧的分岔

2020 年代中期的科技版圖，由單一且壓倒性的 敘事所定義：生成式人工智慧的崛起。大型 語言模型（LLM）與基於擴散的影像合成器大量湧現，已根本改變 軟體開發的軌跡，使產業重心轉向產出 看似合理、類人的輸出。我們正目睹一場「生成淘金熱」， 資本與工程人才被不成比例地投入能寫 程式、作詩、並生成相片級寫實影像的系統。這個時代催生了新一 類軟體顧問：所謂「LLM 包裝層」。這些實體主要作為 GPT-4、Claude 或 LLaMA 等基礎模型之上的使用者介面層，其價值來自 提示工程與上下文視窗管理，而非新穎的架構 創新。 ¹

儘管生成式 AI 在創意、行政與程式領域具有巨大效用，它 在應用於物理世界時卻有一項關鍵、內在的限制：它是機率性的， 而非確定性的。它被設計來產生最 可能 的下一個 token，而非 真實 的物理 狀態。在高風險環境——醫療、保險與企業 健康促進——看似合理本身就是負債。醫療診斷、復健協議或保費 調整不能建立在幻覺之上；必須奠基於經驗現實。

Veriprajna 拒絕「AI 的主要目的是生成」此一共識。我們將自身 定位於反運動的最前線：物理 AI 。我們不是 LLM 包裝層； 我們是深科技顧問，專注於對人體動作進行嚴謹、數學化的 驗證。我們的前提是：數位健康市場目前正 淹沒在「感覺」（Vibes）之中——無法驗證、自我回報、且易被偽造的資料——而唯一 可持續的前進之路，是轉向「物理」。

本白皮書是此一轉型的技術與經濟宣言。它詳述 Veriprajna 的解法：以 時序卷積網路（TCNs） 將人體 運動視為待分析的週期訊號，而非待分類的影像序列。 透過運用 TCN 優越的架構性質——特別是因果膨脹 卷積——超越舊有的循環神經網路（RNN）與 Transformer，我們得以實現 體能工作證明 。本文件全面分析困擾當前健身應用的「影片播放器」 謬誤、真正驗證所需的訊號處理數學，以及將轉瞬即逝的人體動作轉化為 不可變、可稽核資產類別所蘊含的巨大 經濟價值。

1. 「感覺」經濟中的驗證危機

1.1 「影片播放器」謬誤

現代數位健身產業價值以十億計，卻建立在一項根本的 架構缺陷之上。儘管「智慧」裝置與「AI 驅動」教練 應用大量湧現，內容傳遞與使用者參與的主要機制仍是「影片 播放器」模型。在此典範中，應用本質上充當內容 管理系統（CMS）。使用者被提供教練示範動作的影片串流—— 伏地挺身、瑜伽流動、復健動作——並被期待去模仿該 動作。這些平台的「智慧」通常僅限於挑選影片的推薦 引擎，而非任何驗證使用者是否確實執行的系統。 ³

這在數位指令與身體 執行之間造成深刻斷裂。應用假設消費即等於完成。使用者可以靜坐觀看一場 20 分鐘的高強度間歇訓練（HIIT），或以顯著生物力學偏差執行 動作以致有受傷風險。然而，在影片 結束時，應用仍將活動記錄為「完成」，依通用精算表估算卡路里 消耗，並頒發數位徽章。

這類資料本質上是「感覺導向」。對使用者而言感覺正確，提供知覺成就的多巴胺 迴路，在企業儀表板上也看起來振奮人心。 然而，它缺乏 物理保真度 。這是一經稽核即溶解的資料。在企業 情境中，當此資料被用來計算保費或發放企業 健康促進獎勵時，「影片播放器」模型代表系統性的驗證失敗。它 本質上是在問使用者「你做了那些工作嗎？」並不加批判地接受「是」作為答案， 忽略人類行為中固有的誘因錯位。 ⁴

1.2 「作弊」的行為經濟學

依賴自我回報資料或易被偽造的啟發式（如步數）忽略了 行為經濟學的核心原則：坎貝爾定律 。此一社會學原則指出： 「任何量化社會指標被用於社會決策的程度越高，就越 容易受到腐敗壓力，也越容易扭曲並敗壞它本欲 監測的社會過程。」

在數位健康脈絡中，當你把外在價值——金錢、保險折扣、 地位——附加到一項指標上，該指標就不再是健康的量度，而變成 優化的標靶。 ⁶ 若系統優化「步數」，使用者會把 Fitbit 綁在吊扇 或節拍器上。若系統優化「訓練完成」，使用者會讓影片播放 而自己在吃晚餐。

這不是理論疑慮；這是「Move-to-Earn」經濟與 遊戲化健身平台中已觀察到的現實。早期 Web3 健身專案如 STEPN 的崩解，部分 正是由協議偵測有效動作的能力與使用者 以 GPS 欺騙及機械震動器模擬動作的能力之間的軍備競賽所驅動。 ⁷ 當驗證 薄弱時，「作弊者紅利」會創造詐欺市場，貶低誠實 參與者的努力，並使獎勵提供者破產。

1.3 遊戲化需要驗證

產業對低參與度的回應是積極遊戲化：排行榜、 連續紀錄、徽章與社群分享。然而，Veriprajna 提出數位誘因的一條根本定律： 你無法遊戲化你無法驗證的事物。

沒有驗證的遊戲化只是成就的模擬。在企業 健康促進挑戰中，若員工 A 完成 100 次有效伏地挺身，而員工 B 為贏排行榜登錄 200 次 「自我回報」的伏地挺身，系統便懲罰了努力並 獎勵了不誠實。這摧毀平台的社會契約，導致 高表現者退出，以及資料完整性的「競次」。 ⁹

真正的遊戲化——能驅動行為改變與可持續經濟 模型的那種——需要物理為本的真實作為基石。使用者必須知道，唯一能 讓計數器增加的方式就是執行身體工作。這把使用者的焦點從 「玩弄系統」轉向「執行動作」，使數位誘因與身體 結果對齊。

2. 理論架構：從電腦視覺到 訊號處理

2.1 靜態電腦視覺的限制

要解決驗證危機，我們必須超越傳統電腦 視覺（CV）的限制。過去十年，CV 由物件偵測與 分類任務主導：在影像中辨識一隻貓，或把一幀標為「足球」。 卷積神經網路（CNN）在這些空間任務上極為出色。

然而，運動不是一種狀態；它是一個過程。它是由演化所定義的時序事件 幾何隨時間。一張手肘彎曲的靜態畫面什麼也沒告訴我們 關於伏地挺身的品質。他們正在下降嗎？正在推起嗎？他們是否已經 把該姿勢維持了 30 秒（等長支撐）還是 30 毫秒（一次 轉換）？他們是否因疲勞而顫抖？ ¹⁰

標準姿態估計函式庫——如 OpenPose、BlazePose 或 MoveNet——經常被 行銷為「AI 解決方案」。實際上，它們只是「感測器」。它們從影片串流擷取骨骼關節的 (x, y, z) 座標。這雖是關鍵的第一步，但原始 座標資料嘈雜、未經詮釋、且語意空洞。單靠姿態估計來 驗證健身，猶如把心電圖 （ECG）的原始電壓讀數交給外行人並要求診斷。感測器提供資料；智能 必須 詮釋訊號。 ¹²

2.2 人體動作作為週期訊號

Veriprajna 將人體活動辨識（HAR）重新框架，不是影像分類問題， 而是 數位訊號處理（DSP） 問題。

人體在執行重複運動時，功能如同一具機械振盪器。

●​ 深蹲： 髖關節的垂直位移（$y_{hip}$）描繪出正弦波 隨時間變化。

●​ 開合跳： 肩部外展的角速度描繪出週期 波形。

●​ 步態週期： 步行或跑步在下肢動力鏈上產生複雜、多諧波 訊號。

把動作當訊號處理，我們便解鎖訊號處理強大的數學 工具箱。我們可以分析：

1.​ 振幅： 位移的幅度（深蹲深度）。

2.​ 頻率： 重複速率（節奏／速度）。

3.​ 相位： 不同關節之間的協調（對稱性）。

4.​ 頻譜純度： 動作的平滑度（控制 vs. 顫抖）。

從「視覺」轉向「訊號」使客觀量化成為可能。我們不再 要求 AI「猜測」正在發生什麼運動；我們在量測波形的 物理。然而，原始 DSP 技術（如傅立葉變換）套用到野外嘈雜、非平穩的人體動作 訊號時相當脆弱。人們會改變速度； 鏡頭角度會偏移；會發生遮擋。這正是深度學習回到 方程式之處——不是作為影像分類器，而是作為時序訊號的學習器。 ¹⁴

3. Veriprajna 引擎：時序卷積 網路（TCNs）

3.1 循環神經網路（RNN）的失敗

多年來，處理序列資料（文字、音訊、時間序列）的標準架構 是循環神經網路（RNN）及其更穩定的變體：長短期 記憶（LSTM）網路與閘控循環單元（GRU）。這些網路 依序處理資料：輸出在時刻 $t$ 取決於輸入於時刻 $t$ 以及「隱藏 狀態」來自時刻 $t-1$.

儘管 LSTM 在 2014 年是突破，它們在根本上不適合現代健身驗證對 高保真、即時的需求，原因有三：

3.1.1 序列瓶頸（延遲）

因為 LSTM 必須逐步處理序列（馬可夫性質），它們無法被 平行化。要計算第 100 幀骨骼的狀態，網路必須依序 計算第 1 到第 99 幀。在行動裝置上執行的即時應用（邊緣 運算）中，這種序列處理造成不可接受的延遲，並對仰賴平行矩陣運算的 GPU 加速形成瓶頸。 ¹⁰

3.1.2 梯度消失（記憶）

LSTM 難以在長序列上保留資訊。雖然「遺忘閘」被 設計來緩解此問題，實務上 LSTM 往往無法捕捉跨越 數千幀的依賴。一組 5 分鐘的瑜伽或一組 50 次伏地挺身會產生超出標準 LSTM 有效記憶視窗的時序 序列。這導致「漂移」， 模型在到達組末時已忘記組初的上下文。 ¹¹

3.1.3 運算成本

維持並更新 LSTM 複雜的隱藏狀態需要可觀的記憶體 頻寬。對 Veriprajna 的企業客戶——可能正在處理數千條 並行串流——LSTM 在規模上的運算成本令人卻步。 ¹⁶

3.2 TCN 優勢：未來的架構

Veriprajna 採用 時序卷積網路（TCNs） 。TCN 把革命了影像辨識的卷積 架構（CNN）改寫並應用到時間域。 此架構為 HAR 任務提供在數學上優於 RNN 的替代方案。

3.2.1 因果卷積

在標準影像 CNN 中，濾波器會看目標像素四周的像素（未來與過去／左 與右）。在健身驗證脈絡中，我們不能看未來——必須在該次 反覆發生時驗證。TCN 採用 因果卷積，意即輸出在時刻 $t$ 是 僅與來自時刻 $t$ 及更早的元素做卷積。沒有從未來洩漏到 過去的資訊。此嚴格因果性確保我們的驗證引擎在數學上誠實 並能進行即時串流推論。 ¹⁷

3.2.2 膨脹卷積與指數感受野

TCN 的定義特徵是 膨脹卷積 。標準卷積具有固定 視野。要看見很長的歷史，你需要深到不可能的網路。膨脹 卷積引入間距因子（$d$）於核點之間。

膨脹因子 $d$ 隨網路層深度指數增長（$d = 2^i$ 對於層 $i$）。

●​ 第 1 層（$d=1$）： 濾波器看見相鄰時間步。

●​ 第 2 層（$d=2$）： 濾波器跳過一步，看見更寬範圍。

●​ 第 3 層（$d=4$）： 濾波器跳過三步。

●​ 第 10 層（$d=512$）： 濾波器捕捉巨大的歷史視窗。

此架構讓 TCN 擁有隨深度指數增長的 感受野。 網路能同時關注單一幀的 即時物理 （例如：「膝蓋外翻此刻是否正在塌陷？」）以及 長期時序上下文 （例如：「此動作的週期性是否與已建立的疲勞曲線 在過去 3 分鐘一致？」）。 ¹⁹

3.2.3 平行性與訓練穩定性

因為 TCN 使用卷積，所有時間步的運算可以 平行執行（前提是訓練時輸入序列可用，或推論時已 緩衝）。這使訓練時間比 LSTM 快上數個數量級。此外， TCN 避免爆炸／消失梯度問題，因為反向傳播路徑是 穿過固定深度的網路，而非沿時間展開。 ¹⁰

3.3 比較效能分析

驗證 TCN 方法優於 LSTM 之 HAR 脈絡的研究，突顯出清晰的 效能差距：

特徵	LSTM / GRU	Veriprajna TCN	對 驗證
平行性	序列（慢）	平行（快）	TCN 使能 即時 邊緣上的驗證 裝置。
感受野	受梯度 流限制	彈性／ 指數	TCN 偵測 長期疲勞與 動作劣化。

記憶體佔用	高（閘狀態）	低（濾波器權重）	TCN 更便宜 於企業 規模運行。
梯度穩定性	消失／爆炸 g	穩定 （類 ResNet）	TCN 更 對訓練穩健 在多樣 資料集上。
時序 解析度	逐幀	階層式	TCN 捕捉 多尺度 動態（微觀與 宏觀）。

表 1：人體活動辨識之序列建模方法的架構 比較。 ¹⁰

4. 真實的度量：分析訊號

TCN 提供引擎，但 Veriprajna 的價值在於它所執行的特定 生物辨識訊號 分析 。我們不只分類活動；我們將其解構為組成 物理。

4.1 以自相似性進行類別無關的反覆計數

傳統健身應用使用「啟發式」或特定分類器來計數（例如「伏地挺身 計數器」模型）。這很脆弱；每種運動變體都要訓練新模型。 Veriprajna 採用 類別無關 方法，使用 時序自相似 矩陣（TSMs） 。 ²¹

4.1.1 反覆的機制

1.​ 嵌入投影： TCN 將骨骼姿態序列映射到 較低維的潛在空間。

2.​ 矩陣建構： 我們計算相似度（歐氏距離或餘弦相似度） 在第 $i$ 幀與第 $j$ 幀之間，針對所有 $i, j$。

3.​ 模式辨識： 重複動作在 TSM 中產生獨特紋理——線條屬於 高相似度且平行於主對角線。

○​ 這些線條之間的 距離 對應一次反覆的週期（持續時間）。

○​ 線條的 強度 對應反覆的保真度（有多相似 第 2 次相對於第 1 次？）。

4.​ 積分： TCN 為每一幀預測週期長度與週期性機率。 將這些機率對時間積分，我們得出精確計數，其 對中斷、速度變化與非標準動作形式都穩健。 ²³

這讓 Veriprajna 能驗證 任何 週期動作——壺鈴擺盪、划船、開合 跳，或專門的復健動作——而無需該動作的特定「分類器」。 它偵測的是 反覆的物理 本身。 ²²

4.2 品質評分：動作形式的物理

計數必要但不足夠。使用者可以做 50 次活動範圍僅 1 吋的「伏地挺身」 。為解決此問題，Veriprajna 從運動學訊號計算 品質分數，其源自訊號 性質。

4.2.1 振幅閾值（「深度」度量）

我們分離關鍵關節的軌跡（例如深蹲中的髖、伏地挺身中的胸）。我們套用 最小－最大峰值偵測 演算法於 TCN 濾波後的訊號。

●​ 邏輯： 僅當正規化振幅 $A_{norm}$ 超過一項 生物力學閾值 $\theta$。

●​ 範例： 對於深蹲， $y_{hip}$ 必須從 $y_{standing}$ 至 $y_{knee}$。若 訊號拐點出現在 $y_{knee}$之上，TCN 即將該次反覆標記為「不足的 深度」。這不是意見；這是位移的量測。 ²⁵

4.2.2 對數無量綱急動度（「控制」度量）

平滑度是熟練動作控制的標誌。在訊號處理中，急動度是三階 位置導數（加速度的變化率）。

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

高急動度值表示顫抖、不穩定，或用動量來「作弊」該 動作。Veriprajna 計算對數無量綱急動度（LDLJ），此度量會正規化 速度與振幅。

●​ 應用： 高 LDLJ 分數表示使用者正在掙扎，或以不良控制完成該次反覆 爆發性地。這是企業情境中傷害風險的關鍵預測因子，在 健康促進與復健場域。 ¹⁵

4.2.3 對稱分析（「平衡」度量）

利用人體骨骼的雙側性質，我們比較訊號能量與相位，針對 左、右肢體。

●​ 不對稱指數： $AI = \frac{|E_L - E_R|}{0.5(E_L + E_R)}$

●​ 使用情境： 識別深蹲時偏用單腿的使用者，這往往是 傷害前兆或復健未完成的指標。此度量不可能 自我回報；必須被量測。 ²⁷

5. 工程化「體能工作證明」

5.1 定義此資產類別

我們為數位經濟提出新概念：體能工作證明（PoPW） 。在 區塊鏈技術中，「工作量證明」的價值來自運算 能量（電力）的消耗。PoPW 的價值來自 人體代謝能量 的消耗， 並由物理為本的 AI 驗證。

此資產類別把「一次訓練」從轉瞬事件轉成可驗證紀錄。一筆 「Veriprajna 已驗證反覆」是包含以下內容的資料封包：

1.​ 時間戳與地理位置。

2.​ 骨骼關鍵點雜湊。

3.​ TCN 信心分數。

4.​ 運動學遙測（深度、速度、急動度）。

此封包不可變且可稽核。它是未來健康經濟的通貨。 ²⁸

5.2 系統架構

Veriprajna 為隱私優先、低延遲的企業部署而設計。

5.2.1 邊緣優先方法

我們不把影片串流到雲端。串流影片（數 GB 資料）昂貴、緩慢，且是 隱私惡夢。

1.​ 裝置端感測： 行動裝置執行輕量姿態估計器（例如 MoveNet Thunder）於神經處理單元（NPU）上。這 只 擷取骨骼座標 （數 KB 資料）。

2.​ 隱私屏障： 影片幀立即被丟棄，在座標 擷取之後。像素資料永不離開使用者裝置。

3.​ 雲端 TCN 分析： 座標串流——匿名且純粹 運動學——被送至 Veriprajna 雲端引擎（或於裝置端處理，針對高階 手機）。

4.​ TCN 推論： TCN 分析座標串流的週期性與品質。

5.​ 回饋迴路： 結果在毫秒級返回使用者（「再低一點」、「好的 反覆」）。

此架構從設計上確保 GDPR/HIPAA 合規，因為「生物辨識資料」（影片 臉）從不被儲存或傳輸。 ³⁰

6. 經濟影響與企業使用情境

從「感覺」轉向「物理」在關鍵產業解鎖數十億價值。

6.1 保險革命：動態核保

保險業目前侷限於靜態風險評估。一名 30 歲男性被 依總體表定價，而非其個人健康。

●​ 「感覺」現狀： 保險人為健身房會籍提供折扣（其驗證的是 位置而非努力）或步數（其驗證的是裝置移動而非出力）。

●​ Veriprajna 解法： 互動式風險評估。 保戶可以執行一場 2 分鐘「功能性動作篩檢」（5 次深蹲、5 次弓箭步、平衡支撐），透過 保險人的應用。

●​ 價值： TCN 為使用者的穩定性、活動範圍與對稱性評分。此資料 與跌倒風險（高齡者）及一般代謝健康強烈相關。保險人可以 依 已驗證的功能能力 動態調整保費，降低理賠 支出並吸引較低風險客戶。 ³²

6.2 企業健康促進：消除「作弊者紅利」

企業健康促進是一個有詐欺問題的 $60 billion 產業。公司為 得不到的成果付費。

●​ 「感覺」現狀： 員工搖手機以達到步數目標並申領 健康儲蓄帳戶（HSA）提撥。雇主支付獎勵卻得不到 生產力增益。

●​ Veriprajna 解法： 獎勵綁定 已驗證活躍分鐘 。進入門檻對 詐欺而言變成身體努力。要在 Veriprajna 上偽造伏地挺身，你實際上 得打造看起來像人的機器人——或者乾脆做伏地挺身。

●​ 價值： 行銷 ROI 變得可觸及。健康促進預算有效對準實際 健康改善。 ³⁵

6.3 數位物理治療（遠距復健）

肌肉骨骼（MSK）疾患是雇主的頂尖成本驅動因素。遠距復健解決了 近用問題，但未能解決遵從問題。

●​ 「感覺」現狀： 病患被指派居家運動。遵從度是 自我回報且出了名地低（經常 <50%）。病患以不良形式做運動， 延後復原。

●​ Veriprajna 解法： TCN 充當 AI 物理治療師 。它監測 特定關節角度（例如「膝屈曲 < 90 度」），由臨床醫師所處方。

●​ 價值： 臨床醫師收到 已驗證 遵從度與品質趨勢的儀表板。他們 可在資料顯示病患掙扎時介入，而非等到 下一次預約。此「遠距治療監測」（RTM）現為可報銷的 CPT 代碼（在美國），為使用已驗證技術的提供者創造直接收入流。 ³⁶

6.4 「Move-to-Earn」的救贖

試圖將健身代幣化的 Web3 專案失敗了，因為它們依賴 GPS，而 GPS 容易被欺騙。

●​ Veriprajna 解法： 我們為身體努力提供 預言機 。代幣鑄造 由 TCN 驗證把關。這創造可持續經濟，其中代幣供給 受使用者群體的身體能力所上限。 ³⁷

7. 比較分析：Veriprajna 對照業界

為協助決策者，我們提供 Veriprajna 與替代 市場方案的直接比較。

特徵	LLM 包裝層 (ChatGPT/Cla ude)	基礎 電腦 視覺 (OpenPose/Vi sionKit)	舊式 AI (LSTM/RNN)	Veriprajna (TCN + 訊號 處理)
核心功能	文字 生成／ 對話	關節 偵測 （感測）	序列 預測	物理 驗證
驗證 方法	無（信任 使用者輸入）	無（原始 座標）	History-Depen dent 狀態	因果訊號 分析
即時 能力	低（雲端 延遲）	高	低（序列 處理）	高（平行 處理）
計數 準確度	N/A	啟發式 （閾值）	中等 （漂移問題）	高 (週期性 引擎）
詐欺 抗性	零	低（容易 偽造）	中等	高 (生物辨識/Ph

Col1	Col2	Col3	Col4	ysics)
經濟 效用	內容 傳遞	資料 蒐集	基礎追蹤	可稽核 資產 創造

表 2：Veriprajna 相對於當前市場替代方案的策略定位。

8. 結論：健康的不可變帳本

人工智慧融入人類健康不可避免，但其當前 軌跡有缺陷。我們正在打造生成看似合理文字的系統，而非驗證 物理真實。我們正在打造被動消耗注意力的「影片播放器」，而非 量測努力的主動稽核者。

Veriprajna 代表必要的矯正。我們主張，在身體 健康領域，物理是唯一重要的 API。

透過以嚴謹數學取代主觀自我回報與脆弱啟發式 時序卷積網路框架，我們正在創造新的信任標準。我們 使保險人能核保現實、雇主能獎勵努力、病患能帶著 信心復原。

我們邀請具前瞻性的企業加入，共建「物理」經濟。時候已到， 停止遊戲化感覺，開始驗證工作。

9. 未來路線圖：通往生物辨識主權之路

當我們望向眼前地平線之外，Veriprajna 正在開發下一世代的 物理 AI 技術：

1.​ 混合 TCN-Transformer 架構： 雖然 TCN 在時序 驗證上更優越，Transformer 擅長語意上下文。我們正在研究混合模型 由 TCN 處理高頻訊號驗證（「物理」），而 輕量 Transformer 詮釋全域上下文（「環境」），讓 系統理解訓練 在何處 發生（健身房 vs. 家中），以進一步 脈絡化風險輪廓。 ³⁸

2.​ 裝置端個人化（少樣本學習）： 未來的 TCN 將採用 元學習，在僅數次反覆後適配使用者特定的生物力學。這 創造動作的「生物辨識指紋」——意味系統最終會拒絕 一次有效伏地挺身，若它判定 你 並未做該動作，進一步保護「體能 工作證明」對抗帳號共用。 ⁴⁰

3.​ 「Veriprajna 標準」： 我們旨在建立數位健身資料的 ISO 等級 標準。正如 HTTPS 保衛了網路，Veriprajna Protocol 將保衛 身體努力資料的傳輸，使其能無縫且無需信任地 在應用、保險人與醫療提供者之間流動。

未來不只智慧；它是已驗證的。

參考文獻

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

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

3. The privacy nightmare of modern fitness apps: Why is "local-only" so rare? Reddit，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， https://www.researchgate.net/publication/277331055_Gaming_the_Quantified_Self

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

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

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

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

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

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

13. Artificial Intelligence in Fitness: Pose Estimation and Movement Correction | Cureus Journals | Article，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， https://www.mdpi.com/1424-8220/25/18/5765

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

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

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

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

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

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

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

25. Quality Evaluation Algorithm for Chest Compressions Based on OpenPose Model，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， https://pmc.ncbi.nlm.nih.gov/articles/PMC8814310/

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

29. SOLLONG: A New Application of the DEPIN Data Concept - Beardsley Farmers Elevator，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， https://actuary.org/wp-content/uploads/2022/10/IB-BigData-10-22.pdf

35. Common Mistakes Corporate Health Programs Make With Wearable Devices WellSteps，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， https://pmc.ncbi.nlm.nih.gov/articles/PMC12193033/

37. StepN: Move-to-Earn without the Ponzi | HTX Square，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， 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，於 2025年12月11日查閱， https://jemsc.qom.ac.ir/article_3653.html

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