加速度計測量體力活動的算法研究進展

范江江，陳慶果

?

·運動人體科學·

加速度計測量體力活動的算法研究進展

范江江，陳慶果

近年來，由于加速度傳感器設備、算法體系的快速發展，它被廣泛應用在體力活動（Physical activity PA）研究中，以感應、記錄、存儲機體活動原始數據信號，采用不同算法處理數據信號進而評估機體的能量消耗。為了客觀準確評價體力活動能量消耗（physical activity energyexpenditure PAEE），對原始數據信號進行濾波處理、改變counts值切點、回歸分析以及動作識別等不同方法計算PAEE監測體力活動。結合多種分析方法處理counts值，促進了體力活動研究的發展，欲更準確評價PAEE需要從多個獨立的分析方法向多種方法的協同分析轉變。采用文獻資料法，對加速度傳感器的發展和不同的算法進行比較綜述，以期為后續的研究提供參考。

加速度傳感器；PAEE；算法；活動識別；進展

隨著社會的發展科技的進步，機械化程度的迅速增加，極大的方便了人們的日常生活，與體力活動（PA）相關的日常活動明顯減少。1992年，體力活動不足被美國心臟協會（American Heart Association）列為心臟病的第4大可改變危險因子；2002年，體力活動不足被WHO列為發達國家人口死亡的十大原因之一，每年由于體力活動缺乏而死亡的人數大概為190萬［1］。有規律適宜的體力活動，能夠降低Ⅱ型糖尿病、心血管疾病以及骨質疏松等慢性疾病的發病率，能夠降低成年人的早期死亡率20%-30%［2-3］，適量的體力活動能夠促進兒童的生長發育，維持能量代謝平衡，還有利于兒童的心理健康［4］，減緩老年人生理機能的衰退，對心理健康等方面也有不可取代的作用［5］。為了客觀準確測評體力活動能量消耗，指導科學健身，需要科學、有效、精確的體力活動測量方法。目前在眾多體力活動的測量方法中，加速度計的測量結果表現出客觀、準確、實用、可靠等諸多優勢，被廣泛使用在流行病學、運動干預、體力活動研究和人們日常健康管理中。

1980s基于重力感應設備的PA監測器首次應用在體育科研中［6］，1 990s加速度傳感器的種類和數量快速增長［7］。早期，雖然加速度傳感器在PA研究中廣泛使用，但存在測量技術的局限性、儀器成本高昂、信效度檢驗困難等問題，至2 000s加速度傳感器的使用（例如能量消耗預測方程推算、體力活動水平分類、信效度研究等）也存在眾多爭議［8］。以IDEEA為代表的五軸加速度計，還有在實驗室條件下將氣壓計和三軸加速度計結合使用，可以精確測量身體重心的變化［9］。加速度傳感器由單軸發展到多軸及加速度傳感器和其他設備的聯合使用，促進了加速度傳感器的發展，加速度傳感器小巧輕攜及其強大的存儲能力，可準確采集自由活動者數天的數據，引起了廣大PA研究者濃烈的興趣，所以使用加速度傳感器測量體力活動的研究快速增長。

1　加速度傳感器硬件設備的發展

隨著電子技術的發展，加速度傳感器和其它微電子技術有了很大進步，加速度傳感器的內存迅速擴大而成本降低，采樣頻率也增加到了100Hz，下載速度有了很大的提高（7天采集的0.5G）［10］。現在便攜式加速度傳感器具有采樣頻率高、內存和電池容量大、加速度范圍廣、體積小、質量輕、能耗低等優點，同時研究人員也可以在開發商特定計算數據的基礎上，從原始加速度信號獲得更多的信息［11］。隨著壓敏電阻和電容式加速度傳感器技術的日益成熟，通過原始信號的靜態雙流（直流電或直流信號）可以測出肢體角度推斷身體位置［12］。目前的硬件設備可以捕捉、存儲和下載大量的原始加速度信號，這些數據對PAEE的計算有積極作用，同時也對數據的處理和后期分析帶來了較大困難；研究者和開發人員需要采用其他學科的交叉知識應對數據存儲、大數據計算和數據分析的難題。

2　基于count值的算法的研究進展

2.1基于count值的算法體系

Count值是加速度傳感器通過內置的特定指標體系選取和計算的數值，是從加速度傳感器輸出的原始結果被稱作counts，它本身不具有真實的物理或生理學意義，各測量儀器count值的計算方式各不相同，比如常見的有加速度信號與坐標軸圍成的所有面積和［13］、加速度信號達到某一標準的次數［14］和加速度信號達到某一標準線產生峰值的次數［15］等等，因此count值的意義是根據特定的計算方式得到的。目前研究中常使用加速度信號與坐標軸圍成的面積這一指標。

2.2基于count值評估的能耗的方法

加速度傳感器產生的海量原始數據不便于計算分析，需先將數據按照一定方式進行集約。基于counts值計算PAEE是目前最常使用的方法，眾多研究都是基于counts值來建構計算模型，但原始加速度信號的過濾、修正和conuts的算法選擇都不相同，針對同一活動計算數據差異大，各品牌的count數值在300-3000之間［16］，而在此基礎上的計算模型區別大，不同類型的加速度計面對同一活動的數據也無法直接比較。

雖然硬件監控技術有很大的進步，但目前的許多研究仍是基于早期的分析方法，如用線性回歸預測能量消耗、回歸分析等確定不同活動強度的切點。國內外研究人員和學者對基于count值的原始數據和能量消耗的模型進行了較深的研究，采用回歸分析的方法對于各運動類型的人群建立了相應的能耗方程［17-18］，由于不同加速度計原始信號選取的指標不同，導致輸出的count值也不一致，所以建立的能耗模型各有差異，使同一PA產生了不同活動切點，這些不同的能耗方程和切點給PA研究帶來了很大的困難［19-20］，目前采用counts值作為標準輸出是限制加速度傳感器技術的主要因素，使不同設備采集的數據公開透明，對統計分析模型進行有效性研究和統一校準，可提高對PAEE評價的客觀性。

雖然大多數校準后的分析方程評估平均PAEE的效度比較好（正常健康成人和學生），但是對于個人和不同類型活動準確的評估能量消耗存在較大的誤差［21］，個人運動能耗較大的測量誤差阻礙了加速度計在測量有較高要求 （飲食和體力活動干預）研究中的應用［22］；采用多重、交叉檢驗的新模型可以提高數據分析的準確度，這種模型需要建立在開放、資源共享的平臺上，學術界、開發商、科研部門互相協作尋找處理大量數據和相關傳感器（例如陀螺儀、心率表）數據的方式，這些系統的特點是對原始信號數據使用完全透明可定制化的分析方式處理。對原始數據信號分析方法的有效性研究，將會建立更準確、客觀的分析模型。

在數據分析時，發現體力活動的特征決定回歸模型的斜率和截距的變化，但是單一的回歸模型無法滿足所有的活動類型，因此用運動強度（活動計數）代表能量消耗這樣的輸出結果是不準確的，并且，系統無法識別不涉及全身的身體活動和身體重心變化不明顯的運動（自行車運動），會導致或高或低的能耗估計誤差，所以這種算法的開發應該考慮到機體質心對不同運動強度能耗的影響［23］。毫不奇怪，關于使用哪種加速度傳感器、佩戴的位置、如何計算原始數據都存在很大的爭論。現在的技術進步需要建立在過去經驗的基礎上，利用原始加速度信號數據的潛在優勢，用新方法分析高分辨率的數據，能夠促進設備和算法的發展及體力活動的研究。

目前的難題是如何把加速度信號準確的轉化為數值，客觀的測評不同類型的PAEE，原始數據的分析模型和統計算法仍在不斷發展中，研究人員和軟件開發商在繼續檢驗和優化多維算法；科研人員也設想用大數據的分析方法來分析原始數據信號，這些難題的解決需要交叉學科的知識和新研究方法的綜合使用。

近年來研究者對高分辨率、海量原始加速度信號的捕獲、存儲和傳輸以及建立恰當的能耗計算模型進行了深入的研究，對PAEE的研究最顯著的變化是，從傳統的基于counts值的回歸分析方法向動作識別的方法轉變，并對以人工神經網絡系統（Artificial neutral network）為代表的機械識別方式有了更深的研究，建立了更復雜的統計分析模型［24］。在建立能耗模型的過程中，研究人員發現PAEE不是唯一的結果變量，還可以提取與PAEE相關的原始信號數據。由于這些技術的發展，加速度傳感器廣泛使用在體質監測組群研究中，研究者對海量數據進行特異化處理，促進了加速度傳感器信號處理技術和算法體系的發展。

3　基于活動識別的能耗評估方法

3.1運動方式識別的原理

運動方式識別是指在僅有運動數據的條件下，通過對數據進行科學的分析，獲知體育運動類型的方式［25］。目前，人們經常使用視頻技術和便攜式設備技術進行人體運動姿態識別。基于視頻技術的動作識別方式是從視頻序列中提取能夠反映人體動作的信息（如：模型參數、形狀信息、運動信息以及方向信息等）進行人體動作匹配、判斷當前體運動的類別并進行分類；基于便攜式設備技術的動作識別是先使用各種傳感器采集人體在運動過程中產生的數據，經預處理采集到的數據、提取出特征項，最后使用分類器分類和識別人體當前的運動姿態［26，28-29］。分類器的原理分為基于模板和運動狀態轉移兩種方式，基于模板的分類方法一般會預先定義人體動作的模板（2D/3D均可），然后通過比較從視頻序列中建立的人體動作表示信息與人體動作模板之間的相似度，選擇距離測試樣本最近的模板所代表的動作類別作為最終分類結果；基于狀態轉移的分類方法一般將每個靜態的人體動作或姿勢作為一個狀態節點，隨著人體的運動，這些狀態節點通過時間關系可以聯合起來表示一個完整的人體動作和行為。這種方法特別適用于復雜的人體動作識別中。便攜式設備進行動作識別的原理是單片機控制傳感器采集人體當前運動姿態的數據，并將采集到的數據直接存儲到微控制器自帶的內存中，然后通過系統協議將數據上傳到上位機進行數據預處理，進行基于時域、頻域方法的數據分析［27］。

最近幾年，伴隨人機交互等技術的快速發展，在競技體育、康復治療、體感游戲等各個方面，人體運動動作識別技術得到了普遍應用。目前在動作識別方面人們普遍認可的有固定閾值和基于參考模式的分類方法，前者是通過相關動作的閾值區分人體活動狀態，此類閾值是經過多次反復試驗得出的；后者是根據活動時的樣本與模板樣本的相關程度來區別人體活動狀態［28］。人體日常活動的識別和運動能耗對指導運動健身有著很大的意義，這種動作的識別和運動能耗的檢測可以通過間接或直接的方法監測，隨著各種算法和硬件手段的提高，直接監測成了大家更為關注的方法。例如Kiani等［29］提出了應用模糊控制、神經網絡或者統計學等算法進行活動類型的識別和運動能耗的檢測，神經網絡，應用于人體的活動類型識別，可以準確區分人體的日常活動類型，但是它的算法都需要在系統的MCU上實現，復雜度較高的算法（小波分析）在MCU上實現的難度較大。

3.2根據加速度特征值識別運動方式的能耗

新算法體系的開發是基于識別身體活動表現出的信號特征，確定預先定義組或群體活動類型，根據某種活動方式使用各自特定類型的算法模型，測評身體活動能量消耗［30-34］。這些新算法體系的發展促進了與其它使用加速度信號特征預測能量消耗的機械識別方式的發展［35］，例如使用加速度數據信號特征確定METs和身體活動類型的人工神經網絡系統的發展［30-36］，然而這些方法也受限于以計數為基礎的估算方法，它們不能解釋說明在不同的活動中加速度特征值和能量消耗之間的特殊關聯性［37］。最常用的身體活動識別方式如下：

1）用METs量表確定活動類型的能量消耗：根據大量本研究確定的《體力活動綱要》中每個組群的身體活動所對應的METs量表［38-39］，首先通過信號識別確定身體活動類型，再根據量表確定METs值進而計算能量消耗［40］，文獻［41］引入人體形態指標（BMI）和其他靜態指標（安靜時的心率）確定不同個體動作識別模型，提高了能量消耗評價的準確性。

2）用加速度特征值估算能量消耗：為每種特定類型的活動方式建立回歸方程［33］；同時也把基于counts值進行能耗評估的方法應用到多組群中建立回歸模型；使用加速度計的特征變量和人體測量特征作為獨立的變量建立回歸模型［35］，這些方法的使用促進了PAEE測量的準確性。

Bonomi等［34］研究發現基于MET look up的方法評估活動的能量消耗明顯優于使用單個加速度計counts值的方法。F. Albinali［32］等建立了加速度計估算日常活動中安靜狀態下的能量消耗評價方法的模型［38］，引入安靜時的心率，METs量表評估能量消耗比基于counts值的方法評估能耗準確性高了15%。研究者也建議結合兩種方式評測能量消耗，METs量表評估靜態時能耗，加速度計counts值評估運動類活動，兩種方法的聯合使用評估能量消耗準確性更高。

3.3加速度特征值的影響因素

身體不同部位的加速度counts的可比性和準確性對PA研究產生了很大影響。例如，來自臀部和手腕的單軸加速度記錄的counts和PAEE的相關性較低［42］，但是最近的一些研究表明利用三軸加速度計counts縮小了手腕和臀部數據的差距［43-44］，并且能區分久坐行為、家務、散步、跑等不同類型的活動［45］。從2003年起，美國將Actigraph加速度傳感器用在美國國家營養和健康調查（NHANES）中監測PAEE，NHANES中的評價系統首次選擇非優勢手評定睡眠質量及對腕部設備效度進行研究［46］，但是手腕部并沒有被認為是PA研究的標準部位。因此，早期的腕部加速度計校準研究沒有確定左手或右手腕（主導或非慣用）對體力活動監測［37-39］，所以，選用優勢或非優勢手監測PAEE仍是一個有待驗證的問題，很多研究者在PA領域用機械識別、統計學方法開始探索腕部加速度信號的轉換公式并進行體力活動方式分類。為了更準確地對運動能耗進行監測，可以根據受試者特征、運動項目活動類型等因素來選擇最合理的采樣間隔、佩戴的時間及位置。

4　發展趨勢

本文對相關的加速度傳感器的算法進行了綜述，通過大量研究證明，對原始加速度信號的處理方法達成共識將有利于PAEE的監測，促進PA領域的發展。不同設備的結果不能直接比較因此存在很多不同的算法，加強對原始加速度數據捕獲的研究，有希望對來自同一研究的不同設備的counts值進行直接比較，促進特定設備的counts值切點研究，提高PAEE監測的透明性、客觀性、準確性。注重對網絡程序、數據校準研究或其他數據收集的標準化處理、選擇機械識別潛在的信號特征的方法和算法體系的開發，將有利于加快加速度計算法的發展。

在硬件方面，對于運動中的能量消耗能夠通過顯示屏幕，告知攜帶者當前運動的累計時間、距離、速度和卡路里數值，并能檢測位置信息和運動步伐，提供高精度的速度與距離數據，可以實時監測各種狀態下的PAEE，反饋當前運動信息，指導科學運動健身。加速度傳感器將逐步用來監測個人和組群的PA模式，最終，促進儀器設備測量與健康相關的運動指導方針的發展，能夠較易的對日常PA的推薦量進行有效的追蹤和控制，因此用戶對加速度信號的分析提出了更高要求，所以需要通過協同一致的方法分析加速度數據，這樣彼此間的數據才具有直接比較性。

［1］Durstine J L，Gordon B，Wang Z，et al.Chronic disease and the link to physical activity［J］.Journal of Sport and Health Science，2013（1）.

［2］White J，Jago R.Fat distribution，physical activity and cardiovascular risk among adolescent girls［J］.Nutrition，Metabolism and Cardiovascular Diseases，2013，23（3）:189-195

［3］Lau XC，Chong KH，Poh BK，et al.Chapter Tw。Physical Activity，Fitness and the Energy Cost of Activities:Implications for Obesity in Children and Adolescents in the Tropics［M］//JEYAKUMAR H.Advances in Food and Nutrition Research；Academic Press.2013:49-101

［4］Foy CG，Vitolins MZ，Case LD，et al.Incorporating prosocial behavior to promote physical activity in older adults:Rationale and design of the Program for Active Aging and CommunityEngagement （PACE）［J］.Contemporary Clinical Trials，2013，36（1）:284-297.

［5］Cheng S-J，Yu H-K，Chen Y-C，et al.Physical Activity and Risk of Cardiovascular Disease Among Older Adults［J］.International Journal of Gerontology，2013，7（3）:133-136

［6］Montoye H J，Washburn R，Servais S，et al.Estimation of energy expenditure by a portable accelerometer［J］.Medicine and Science in Sports and Exercise，1982，15（5）:403-407.

［7］Chen K Y，Bassett D R.The technology of accelerometry-based activity monitors:current and future［J］.Medicine and science in sports and exercise，2005，37（11）:S490.

［8］Troiano R P.A timely meeting:objective measurement of physical activity［J］.Medicine and Science in Sports and Exercise，2005，37 （11）:S487.

［9］陸姣姣，邱俊.加速度計在能量消耗預測中的應用研究綜述［J］.南京體育學院學報:自然科學版，2014（4）.

［10］Troiano R P，McClain J J，Brychta R J，et al.Evolution of accelerometer methods for physical activity research［J］.British journal of sports medicine，2014:bjsports-2014-093546.

［11］Chen K Y，Janz K F，Zhu W，et al.Re-defining the roles of sensors in objective physical activity monitoring［J］.Medicine and science in sports and exercise，2012，44:S13.-23

［12］Rowlands A V，Olds T S，Hillsdon M，et al.Assessing sedentary behavior with the GENEActiv:introducing the sedentary sphere ［D］.Lippincott Williams&Wilkins，2013.

［13］Kiani K，Snijders C J，Gelsema E S.Computerized analysis of daily life motor activity for ambulatory monitoring［J］.Technology and Health Care，1997（4）.

［14］Heinz E A，Kunze K S，Sulistyo S，et al.Experimental evaluation of variations in primary features used for accelerometric context recognition［M］//Ambient Intelligence.Springer Berlin Heidelberg，2003.

［15］Van Laerhoven K，Gellersen H W.Spine versus porcupine:A study in distributed wearable activity recognition［C］//Wearable Computers，2004.ISWC 2004 Eighth International Symposium on.IEEE，2004（1）.

［16］De Craemer M，De Decker E，Santos-Lozano A，et al.Validity of the Omron pedometer and the actigraph step count function in preschoolers［J］.Journal of Science and Medicine in Sport，2015 （3）.

［17］湯強，盛蕾，朱衛紅.體力活動研究中加速度計的應用［J］.體育科學，2009（1）.

［18］戴劍松，孫 飆.體力活動測量方法綜述［J］.體育科學，2005（9）.

［19］Matthew C E.Calibration of accelerometer output for adults［J］. Medicine and science in sports and exercise，2005（37）.

［20］Rothney M P，Schaefer E V，Neumann M M，et al.Validity of physical activity intensity predictions by ActiGraph，Actical，and RT3 accelerometers［J］.Obesity，2008（8）.

［21］Plasqui G，Bonomi A G，Westerterp K R.Daily physical activity assessment with accelerometers:new insights and validation studies ［J］.Obesity Reviews，2013（6）. Munguia Tapia E.Using machine learning for real-time activity recognition and estimation of energy expenditure［D］.Massachusetts Institute of Technology，2008.

［22］Welk G J.Principles of design and analyses for the calibration of accelerometry-based activity monitors［J］.Medicine and science in sports and exercise，2005，37（11 Suppl）:S501-11.

［23］Crouter S E，Kuffel E，Haas J D，et al.A refined 2-regression model for the ActiGraph accelerometer［J］.Medicine and science in sports and exercise，2010（5）.

［24］Liu S，Gao R，Freedson P.Computational methods for estimating energy expenditure in human physical activities［J］.Medicine and science in sports and exercise，2012（11）.

［25］王兆其，張勇東，夏時洪.體育訓練三維人體運動模擬與視頻分析系統［J］.計算機研究與發展，2015（2）.

［26］張昕陽.運動方式識別和能量消耗模型的研究［D］.上海:華東師范大學，2015.

［27］黃仁，田豐，田維興.基于加速度傳感器的運動模式識別［J］. Computer Engineering And Applications，2015（6）.

［28］蘇婷.傳感器信息集成在人體運動姿態捕獲與識別中的應用［D］.哈爾濱:哈爾濱理工大學，2015.

［29］Kiani K，Snijders C J，Gelsema E S.Computerized analysis of daily life motor activity for ambulatory monitoring［J］.Technology and health care:official journal of the European Society for Engineering and Medicine，1997，5（4）:307-318.

［30］Altini M，Penders J，Amft O.Energy expenditure estimation using wearable sensors:a new methodology for activity-specific models ［C］//Proceedings of the conference on Wireless Health.ACM，2012:1.

［31］Albinali F，Intille S，Haskell W，et al.Using wearable activity type detection to improve physical activity energy expenditure estimation ［C］//Proceedings of the 12th ACM international conference on U-biquitous computing.ACM，2010.

［32］Tapia E M.Using machine learning for real-time activity recognition and estimation of energy expenditure［D］.Massachusetts Institute of Technology，2008.

［33］Bonomi A G，Plasqui G，Goris A H C，et al.Improving assessment of daily energy expenditure by identifying types of physical activity with a single accelerometer［J］.Journal of Applied Physiology，2009 （3）.

［34］Hees V T，Lummel R C，Westerterp K R.Estimating Activity-related Energy Expenditure Under Sedentary Conditions Using a Triaxial Seismic Accelerometer［J］.Obesity，2009（6）.

［35］Freedson P S，Lyden K，Kozey-Keadle S，et al.Evaluation of artificial neural network algorithms for predicting METs and activity type from accelerometer data:validation on an independent sample ［J］.Journal of Applied Physiology，2011（6）.

［36］Rothney M P，Neumann M，Béziat A，et al.An artificial neural network model of energy expenditure using nonintegrated accelerationsignals［J］.Journal of applied physiology，2007（4）.

［37］Bonomi A G，Plasqui G.“Divide and conquer”:assessing energy expenditure following physical activity type classification［J］.Journal of applied physiology，2012（5）.

［38］Ainsworth B E，Haskell W L，Whitt M C，et al.Compendium of physical activities:an update of activity codes and MET intensities ［J］.Medicine and science in sports and exercise，2000，32（9；SUPP/1）:S498-S504.

［39］Ainsworth B E，Haskell W L，Whitt M C，et al.Compendium of physical activities:an update of activity codes and MET intensities ［J］.Medicine and science in sports and exercise，2000，32（9；SUPP/1）:S498-S504.

［40］Bonomi A G，Plasqui G，Goris A H C，et al.Improving assessment of daily energy expenditure by identifying types of physical activity with a single accelerometer［J］.Journal of Applied Physiology，2009 （3）.

［41］IARC Working Group on the Evaluation of Carcinogenic Risks to Humans，World Health Organization，International Agency for Research on Cancer.Non-ionizing Radiation:Static and extremely low-frequency（ELF）electric and magnetic fields［M］.World Health Organization，2002.

［42］Swartz A M，Strath S J，Bassett D R，et al.Estimation of energy expenditure using CSA accelerometers at hip and wrist sites［J］. Medicine and Science in Sports and Exercise，2000，32（9；SUPP/ 1）:S450-S456.

［43］Phillips L R S，Parfitt G，Rowlands A V.Calibration of the GENEA accelerometer for assessment of physical activity intensity in children［J］.Journal of Science and Medicine in Sport，2013（2）.

［44］Esliger D W，Rowlands A V，Hurst T L，et al.Validation of the GENEA Accelerometer［J］.2011.

［45］Zhang S，Rowlands A V，Murray P，et al.Physical activity classification using the GENEA wrist-worn accelerometer［D］.Lippincott Williams and Wilkins，2012.

［46］Pate R R，Pratt M，Blair S N，et al.Physical activity and public health:a recommendation from the Centers for Disease Control and Prevention and the American College of Sports Medicine［J］.Jama，1995（5）.

Study of the Calculating Methods on Physical Activities with Acceleration

FAN Jiangjiang，CHEN Qingguo

With the development of acceleration sensory and the calculation methods，the researchers widely apply these new means to the study of physical activities.The energy expenditure of physical activity is evaluated by the original data signals，which primarily is reacted，recorded and stored by the equipment，and then handled according to the different calculation methods.In order to get the objective and accurate result of the energy expenditure of physical activity，many kinds of methods such as signal filtering processing，changes the value of count point-cut，regression analysis，action recognition of translation，are all conducted.The development of research on physical activity is based on a lot of ways to deal with the counts.Moreover，the ways of analysis must be changed from the unconnected condition to the integration，which is good for evaluating the APPE exactly.The paper depicts the development of the acceleration sensor and makes a comparison on the different calculating methods，which provides a reference for the follow-up research.

accelerometer；PAEE；logistics；activity-specific；evolution

G80-05

A

1003-983X（2016）07-0595-04

2016-05-13

范江江（1991-），男，甘肅莊浪人，在讀碩士，研究方向：體力活動測量與評價.

四川師范大學體育學院，四川成都610068 Physical Education College，Sichuan Normal University，Chengdu Sichuan，610068