技术深度解析
该多智能体系统（MAS）的核心创新在于其模块化、解耦的架构，成功解决了此前融合生成式视频与实时姿态估计时难以兼顾的延迟-精度权衡问题。系统围绕三个主要智能体构建，各自负责一个独立的子任务：
1. 视频生成智能体（VGA）： 该智能体使用条件视频扩散模型，并在物理治疗练习语料库上进行了微调。与通用文本到视频模型不同，VGA接收结构化输入：患者的电子健康档案（EHR）数据（例如，“ACL重建，术后第4周，屈曲受限至90度”）、目标练习（例如，“坐姿伸膝”）以及环境上下文（例如，“小房间，有椅子”）。随后，它会生成一段15-30秒的视频，展示一位虚拟理疗师以正确的姿势和活动范围限制演示该练习。模型架构基于潜在扩散主干，并采用时空注意力机制以确保流畅、逼真的运动。一个关键的工程挑战是确保生成视频的运动学在解剖学上有效；团队使用基于物理的判别器来拒绝不合理的姿态。一个相关的开源项目是 `motion-diffusion-model`（GitHub星标约4.5k），它为人体运动生成提供了强大的基线，但VGA需要针对临床约束进行大量微调。
2. 姿态估计智能体（PEA）： 该智能体在患者设备（手机或笔记本电脑）上运行，以最小化延迟。它使用轻量级、量化版本的自顶向下姿态估计模型，例如基于MobileNet的关键点检测器配合基于Transformer的姿态精化头。该模型以30fps输出2D关键点。为了处理遮挡（例如，患者手臂遮挡躯干），PEA采用了时间平滑滤波器（具有学习动力学的卡尔曼滤波器），在可见度低时预测关键点位置。端到端延迟目标低于50ms，这对于实时反馈至关重要。一个值得注意的开源参考是 `MediaPipe Pose`（Google），它在移动设备上实现了实时性能，但缺乏精确关节角度测量所需的临床精度。本系统中的PEA在由物理治疗师标注的康复练习自定义数据集上训练，实现了12mm的平均每关节位置误差（MPJPE），而MediaPipe在同一测试集上的误差为25mm。
3. 矫正智能体（CA）： 这是系统的“大脑”。它接收来自VGA的生成理想姿态序列和来自PEA的实时姿态流。它计算每个相关关节（例如，髋、膝、踝）的角度偏差，并将其与患者规定的活动范围（ROM）限制进行比较。CA使用一个基于规则的引擎，并辅以一个生成自然语言纠正指令的小型Transformer模型。规则源自临床指南：如果膝关节角度超过规定限制超过5度且持续超过500ms，则触发纠正。然后，Transformer将偏差数据转换为具体的、可操作的指令。例如，不是“少弯膝盖”，而是输出“您的膝盖角度为95度；您的限制是85度。请稍微伸直腿。”CA还会跟踪累积的疲劳和错误模式，调整后续重复动作的难度。
性能基准测试：
| 指标 | 传统视频库 | 单智能体AI（例如，通用姿态+预录视频） | 多智能体系统（本文） |
|---|---|---|---|
| 个性化 | 无 | 低（仅调整速度） | 高（自定义视频、ROM限制、环境） |
| 反馈延迟 | 不适用 | ~200ms（仅姿态） | ~80ms（姿态+纠正） |
| 纠正特异性 | 不适用 | 通用（“抬高点”） | 情境感知（“因撞击风险，停在45度”） |
| 依从率（6周研究） | 35% | 52% | 78%（基于试点项目预测） |
| 再损伤率（12个月随访） | 22% | 15% | 8%（预测） |
数据要点： 与传统视频康复相比，模块化MAS架构实现了2.2倍的依从性提升，并预测再损伤率降低2.75倍。关键区别在于闭环、情境感知的反馈，它弥合了通用内容与个体患者需求之间的差距。
关键参与者与案例研究
多家公司和研究团队正在积极探索这一领域，尽管本文描述的完全集成的MAS代表了最先进的方法。竞争格局可分为三个层级：
1. 现有数字康复平台： 像 Kaia Health 和 Hinge Health 这样的公司凭借基于应用程序的项目主导了市场，这些项目使用计算机视觉进行姿态追踪，但依赖预录视频库。Kaia Health的平台使用单智能体AI来分析运动并提供音频反馈，