最后三次的动作，和前面不是同一个动作
假设一位用户在做一组十次的深蹲，前六次动作基本稳定。到第八次，下蹲变慢了；第九次，深度比之前浅；第十次，身体重心明显偏向右侧。系统这时如果按原计划，把下一组的重量或次数继续往上加，用户很可能会带着变形的动作继续训练。
疲劳带来的问题不只是“累”，而是动作质量的下降。动作质量一旦下降，同样的训练量对身体的负荷方式就变了，效果和风险都会随之改变。所以数字教练面对疲劳时，真正要回答的问题是：这个用户此刻的动作，还值不值得继续重复？
疲劳的几类可观测信号
数字教练没有办法直接“感觉”用户累不累，只能通过间接信号来推断。常见的信号有几类：
- 速度变化。 每次动作的下降或上升时间逐渐变长，尤其是向心阶段明显减慢，往往与发力能力下降有关。
- 幅度变化。 动作深度、抬起高度或摆动范围逐次缩小，说明用户可能在无意识地缩短动作。
- 左右不对称。 两侧关节角度、重心位置或发力时间出现差异，并且逐次加重。
- 轨迹稳定性。 动作路径变得更抖动、更不一致，关键点的波动增大。
- 心率等生理信号。 如果用户佩戴了手表或胸带，心率与恢复趋势可以作为辅助参考，但要结合设备数据质量来看，不同设备的可靠程度不同，融合的思路可以参考穿戴设备数据融合。
- 用户自评。 简单的主观感受问题，例如“这一组感觉如何”，其实是很有价值的信号，与客观数据互相补充。
单一信号容易误判。一个信号变化更可能是噪声或个体习惯，多个信号同时朝同一方向变化，才更值得当作疲劳的证据。学术上也有一项针对大学足球运动员的研究，发现多传感器融合的方法在疲劳预测上优于单一指标，其中主观wellness评分、急慢性负荷比和晨间HRV都是较重要的特征。这项研究的结论仅限于该类人群下的疲劳预测，不能直接推广到所有人和所有设备，但它支持一个思路：疲劳判断适合综合多类信息，并结合个人的基线。
个体基线比绝对阈值更重要
同样是“速度下降”，对不同的人含义并不一样。有人天生动作节奏慢，有人前几次快、后几次自然减速。用一个统一的固定阈值去判断“是不是疲劳”，很容易对某些人过度敏感，对另一些人反应迟钝。
更合理的做法是以用户自己的基线为参照：这个人在状态较好的时候，各项指标的正常波动范围是多少，当前的变化相对于他的日常水平偏离了多少。示意来说，假设某用户前几次的下降时间相对稳定，第八次开始相对自身的平均值明显拉长，同时幅度也变浅，这两个信号叠加，才足以触发“疑似疲劳”的判断。基线需要一定量的训练记录才能建立，在数据不够的冷启动阶段，系统应当使用更保守的默认规则，并明确说明判断的确定程度较低。
四种可选策略
检测到疲劳迹象后，数字教练可以有几种应对方式，强度从低到高依次是：
| 策略 | 含义 | 适合的情形 |
|---|---|---|
| 降级 | 换成更简单的动作变式，或降低负重、幅度 | 动作轻度变形，但用户仍有余力 |
| 减量 | 减少剩余的次数或组数 | 疲劳信号明显，但还没有安全隐患 |
| 休息 | 延长组间休息，再评估是否继续 | 多个信号同时出现，恢复后可能改善 |
| 结束 | 提前终止这一项或整个训练 | 动作严重变形、出现风险迹象或用户不适 |
“继续加难度”不在这张表里，这是刻意的：在检测到疲劳与变形之后，系统不应该把加难度当作默认选项。如果用户明确表示状态很好，并且动作质量没有下降，那么加难度是合理的；但那是基于质量判断做出的决定，而不是无视信号地按计划推进。
一个示意的判断顺序
- 第一步，看动作质量。是否出现明显的形态偏离，比如背部形态异常、膝盖明显内扣。这类问题优先级最高，直接倾向“结束或休息”。
- 第二步，看疲劳信号是否叠加。速度、幅度、对称性中有几项同时变差，并且连续几次没有恢复。
- 第三步，看用户状态。心率是否明显偏高、自评是否偏累，如果有设备数据，把数据质量也一并考虑。
- 第四步，选择最保守但仍然有意义的策略。能降级就不结束，能减量就不硬撑，让用户尽可能以质量较好的动作完成训练目标。
这个顺序里有一个关键点：质量优先于数量。多做两次变形的动作，对训练的价值往往不如少做两次干净的动作。这也和每次只优先纠正最重要的问题的思路一致，系统在疲劳状态下要处理的不是更多的技术细节，而是当下最需要的那一件事。
降级具体怎么降
“降级”不是一个笼统的词，落到具体动作上可以有不同的调整方式，系统应当根据动作类型和疲劳部位来选择：
- 降低外部负荷：减轻重量、缩短时间或降低速度，保持动作结构不变。
- 缩小动作范围：把深度或幅度限制在用户此刻能稳定控制的范围内，宁可浅一点也要稳。
- 换成更简单的变式：例如从负重深蹲换成徒手深蹲，从双腿动作换成有支撑的动作。
- 改变节奏：加长每次动作之间的停顿，让用户在每次重复之间有恢复的余地。
- 调整目标：把“完成十次”改成“完成能保持动作质量的次数”，让质量成为完成标准。
这些调整应当告知用户原因，而不是悄悄修改，例如说明“后几次的深度和左右平衡有变化，这一组先做到这里”。用户理解了原因，才会逐渐建立对自己身体状态的觉察，也更愿意接受系统的调整。
说话方式也要跟着变
疲劳状态下，反馈的语气和内容也要调整。用户已经很吃力的时候，继续给出多条技术纠正，只会增加负担。更合适的做法是把反馈从“纠正技术”转向“调整强度”，例如建议放慢节奏、再做一次就结束、这一组先停在这里。具体在什么时机、通过什么通道提示，可以参考反馈时机一文的讨论。
同样，数字人的表现也应当配合变化：语气平和，少用催促的措辞，避免制造“必须完成”的压力。近期也有研究原型尝试用实时疲劳检测触发虚拟形象的反馈，这类方向说明状态感知正在成为反馈系统的一部分，但仍然处在探索阶段。
边界与安全
还有几点需要明确的局限：
- 疲劳信号来自摄像头和可选的穿戴设备，识别质量受机位、光线和数据质量影响，判断可能出错。
- 个体差异很大，系统只能给出保守的建议，最终决定权应当留给用户。
- 对有既往伤病、特殊健康状况的用户，通用的自适应策略未必合适，建议在专业人员指导下训练。
回到最初的问题：疲劳后动作变形，数字教练应该加难度还是降级？答案取决于动作质量，而不是训练计划本身。系统的职责是在计划和身体之间加一层判断，让训练在动作可控的范围内进行，而不是把用户推向变形之后仍然继续的局面。
