本项目通过引入多智能体强化学习，创造了一款竞争人类的机器人选手 - Fencing Game，评估了机器人选手的能力和用户体验，用户研究发现它能够持续创造具有挑战性和愉悦性的交互，能有效增加人体心率，被绝大多数受试者认为是有趣且能提升锻炼质量的系统。

Feb, 2022

我们设计和实施了一个基于人工智能的平台，通过图神经网络推荐系统和佩戴式健身设备的精细健康行为数据，实现了对新加坡 84,764 位个体在 12 周内进行个性化和情境化的推送。统计验证表明，接收到优化的人工智能日常提醒的目标群体的日常体力活动，例如步数增加了 6.17% ($p = 3.09 imes10^{-4}$)，每周中度至高强度体力活动时间增加了 7.61% ($p = 1.16 imes10^{-2}$)，与未接收任何提醒的对照组相比，呈现出显著改善。此外，这些提醒被广泛接受，13.1% 的提醒被打开（开启率），其中 11.7% 的提醒被评为有用，1.9% 的提醒被评为无用，从而显示出人口级参与度的显著提高。

Jan, 2024

本文介绍一种数据驱动的 6 阶段方法，用于建立具有同情心的人工智能（EAI），该方法可从原始聊天日志数据中检测关键情感状态，识别常见的序列和情感调节策略，并将其推广以使其适用于干预系统，应用于 (严肃) 视频游戏之中。

Feb, 2023

提出了基于多智能体生成对抗模仿学习的新方法，可以模拟多个基于物理的角色之间的互动与动作，并保留内在风格，通过训练使每个角色模仿与其相关的互动技巧。已通过拳击和全身武术等两种不同战斗风格进行了测试。

Nov, 2023

本研究发展了一种强化学习算法，用于连续学习并改进快速干预应用程序中的治疗策略，并在 HeartSteps V2 中使用，以决定每天是否提供特定于上下文的活动建议。

Sep, 2019

提出了一种名为 MAAIG 的新的应用框架，可以为每个帧生成嵌入向量，以用户提供的运动动作视频为基础，然后将这些嵌入向量与每个帧的 3D 骨架相关联，并进一步输入预训练的 T5 模型，最终利用这些信息生成具体的运动指导，类似于专业教练的方式提供潜在问题的识别和实时指导，帮助用户提高运动技能，避免受伤。

Nov, 2023

本研究使用多智能体协同学习模型，在模拟环境中训练了一组虚拟的足球运动员，研究并展示了在不同时间尺度上，采用不同层次抽象的行为表征下，机器人团队的协作行为出现的现象与优势。

May, 2021

本文介绍了将人工和计算智能技术应用于游戏研究，以用于物理治疗的一种途径。我们提供了一个原型研究的概述，重点讨论了运动传感器输入设备和虚拟现实设备在康复运动障碍治疗中的应用问题。 我们强调，程序内容生成和玩家建模的进步可以通过改善康复方案的质量和测量患者的表现推动该领域的发展。

Apr, 2018

通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变，本文提出了一个算法流程，可以实时检测和纠正运动技术问题，并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实时推荐系统将帮助锻炼者纠正潜在的错误，使得自我练习成为可行的同时降低锻炼伤害的风险。

Oct, 2023

通过改进可穿戴设备对乒乓球运动的识别和分析，本文实现了对乒乓球运动员运动技能的模式识别和评估，采用特征工程构建运动特征，在维度降低后为不同模型识别鉴定运动技能，结果表明，相较于传统的卷积神经网络，本文提出的基于特征的 BP 神经网络在乒乓球运动员运动技能识别中具有更高的识别准确性和更强的泛化能力。

Sep, 2023