基于深度学习的红外热成像揭示跑步过程中可重复的整体与个体制温反应

观察身体的升温过程

当我们去跑步时，身体在悄然同时处理多项任务：驱动肌肉、输送氧气并排出多余热量。本研究探索了一种实时观察这种平衡的新方法——通过热成像相机和人工智能来追踪跑者皮肤在运动过程中的温度变化。研究表明，对腿部进行简单、非接触的热成像既能揭示大多数跑者共有的模式，也能发现与个体表现能力相关的细微个性差异。

在跑步时给热量拍照

研究者在受控实验室中招募了十一名健康、耐力训练背景的年轻成年人。每位受试者在两天内完成了三次跑步机跑步。每次跑步的总体工作量相同，但强度模式不同：一次为恒定强度，一次从恒定切换到间歇，第三次则相反。在受试者跑步过程中，团队记录了心率、呼吸、核心体温（采用体内及体外传感器）、感知用力、汗液损失，以及关键的——通过放置在跑步机后方的高分辨率红外相机记录的小腿热图。

让人工智能解读热图

研究团队没有人工手动勾勒热图区域，而是采用深度学习（一种人工智能技术）自动识别小腿并区分不同类型的血管区域。系统从每一帧中计算出若干皮肤温度指标：小腿平均温度、无明显血管区域的温度、以及小动脉和浅表静脉区域的温度。它还测量了“熵”——一个描述皮肤表面温度模式变异性的统计量。这些测量与心率、呼吸和核心温度数据同步，生成了涵盖热身、主要跑步阶段和恢复期的详细时间序列。

共同的热模式与个体签名

在三次跑步中，各种皮肤温度指标随跑步强度的变化而升降，尽管绝对数值存在差异。覆盖小动脉的区域与心率和耗氧量之间的关联尤为明显，尤其在高强度间歇和恢复期，提示这些区域对身体工作强度及停止运动后散热速度是敏感的指标。这些血管区域的熵在热身期间与核心体温同步变化，反映出身体升温时热量如何在皮肤上扩散。与此同时，也存在显著的个体差异。在部分跑者——尤其是那些亚最大速率跑步能力更高者——无血管区皮肤温度与核心体温呈相反方向变化，导致深部体热与较凉薄皮肤之间出现更大的差距。这些差距很可能反映出更有效的血流调节，有助于在保持核心体温稳定的同时将热量散出。

不同日子间的读数可靠性

一个关键问题是这些热学测量是否足够稳定，可以超出单次测试而具实用性。研究发现，无血管区皮肤温度的变化，尤其在热身、间歇和恢复期间，在同一受试者跨三次跑步中高度可重复，即便负荷的顺序和模式发生变化。群体层面的模式也较为一致。当比较某些连续跑段且这些跑段前面紧接着不同类型负荷时，可靠性有所下降，表明近期运动历史会短暂地重塑皮肤血流与温度。总体而言，在受控房间条件下，自动化分析提供了稳健、可重复的信号。

对运动员与健康监测的意义

这些发现表明，智能化的热图分析可以同时捕捉人在跑步过程中共同的体温调节方式与与个体维持亚最大速度能力相关的个性化特征。深度学习将一连串热图转换为与心率、呼吸和核心体温数据一致的稳定数值。未来，这类非接触式监测可能帮助教练与临床医师追踪内部负荷、早期发现过热征兆，或根据跑者散热效率而非仅凭峰值体能来定制训练。

引用: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

关键词: 红外热成像, 运动生理学, 深度学习, 体温调节, 跑步表现