智能手機內置加速度傳感器監測走跑運動能量消耗的研究

陳慶果 袁川 范江江 陳恩格

摘 要：為探討走跑運動中手機內置加速度傳感器原始信號的處理方法，在此基礎上建構走跑運動的能耗模型并對其測量準確性進行評估。方法：45名受試者分別同時佩戴3部智能手機、1個能耗監測儀和1套氣體代謝分析儀，在400 m田徑場上分別以4 、6 、8 和10 km/h的速度完成走跑運動各5 min。結果：在VM輸出上，手機（腰部）、手機（上臂）和手機（荷包）與GT3X的相關系數分別為0.963、0.952和0.941。在所建構模型中，除10 km/h跑速下手機（荷包）和GT3X預測值90%CI落在校標（K4b2）的等效區間外，其他均在等效區間內；在RMSE上，GT3X>手機（荷包）>手機（上臂）>手機（腰部）。3部手機在不同跑速下能耗預測值的ICC為0.872～0.975，均高度相關。各手機與GT3X在B-A圖上落在一致性限度區間以外的點的百分比均不高于5%。結論：設計的加速度信號預處理方法具有應用價值，所使用的智能手機能夠準確地預測走跑運動的能量消耗，并且腰部、上臂和荷包均是有效佩戴點。

關鍵詞：智能手機；加速度傳感器；走跑運動；能量消耗；測量

中圖分類號：G 804.2 學科代碼：040302 文獻標識碼：A

Abstract： Objective： The purpose of this work was to explore the processing approach on original signal from built-in accelerometer of smartphone， and develop EE predictive model of walking and running and evaluate on its accuracy of measurement. Methods： 45 subjects perform 20 minutes of filed walking at 4 km / h and 6 km / h and filed running at 8 km / h and 10km/h on the 400 meters track field. Three smart phones， an activity monitor and calorimetry analyzer were placed as recommended. Result： The correlation coefficient （VM） between phone （waist）， phone （upper arm） and mobile phones （purse） and GT3X is respectively 0.963， 0.952 and 0.941. Except for EE of phone （purse） and GT3X at 10km/h，90%CI for a mean of the estimates is respectively fell within a proposed equivalence zone of the measured MET from OM. Order of RMSE size is GT3X> phone （purse）> Phone （upper arm）> arm （waist）.ICC among each phone under every speed is highly relevant（0.872-0.975）. The percentage of points out of limits of agreement from each device was under 5%. Conclusion： The methods of preprocessing acceleration signal designed by the study had applicable value. Smartphones could accurately assess EE of walking and running and the position of waist， upper arm and purse are effectively wearing points.

Keywords： smartphone； accelerometer； walking and running； energy expenditure； assessment

近年來，快走、慢跑的參與者數量呈井噴式增長，健身走、跑中的能量消耗問題也備受關注，以加速度傳感器為基礎的運動能耗監測儀受到了越來越多健身者的青睞，相關產品如健身手環、健身手表等層出不窮，品牌型號更是紛繁復雜，其中美國Actigraph公司生產的系列產品在研究中被廣泛應用 [1]。但這些運動能耗監測設備在健身群體中很難大面積地普及，一是因為需要專門佩戴，耗費使用者額外的精力，二是因為價格不菲，普通健身者難以承擔；因此，測量的效益問題有待解決[2]。而智能手機快速的普及和性能的不斷完善為解決這一問題提供了新思路。

目前，加速度傳感器被普遍內置于智能手機中，手機已具備運動能耗監測產品的硬件條件，且不會給佩戴者造成任何的使用負擔和經濟壓力，是一種便于推廣普及的運動能耗監測設備。目前已有咕咚運動、樂動力等多款手機軟件可測量運動能耗，但這些軟件都是基于GPS（全球衛星定位系統）來獲取空間數據，進而獲取速度數據來推算運動能耗。受信號限制，該方法只能在室外使用，不便監控家務和工作體力活動，并且在走跑活動中也存在較大的測量誤差。明鑫等的研究表明國內的4款運動軟件預測值遠低于校標值[3]，國外也有類似的研究結果[4]，影響其測量準確性的因素主要是：1）不能反映對運動能耗較敏感的垂直軸情況；2）采樣頻率低。

現階段，基于智能手機內置加速度傳感器的體力活動研究還主要集中在人機智能化領域，以探究動作識別為主[5-6]，在健身走、跑的研究中也僅是集中在計步上，還缺乏對能耗測量的系統研究。雖然目前對運動能耗監測儀測量準確性的評估眾多，各種能耗模型也常見報告，但是原始加速度信號的處理方法是各品牌的商業機密；因此，有必要以智能手機內置加速度傳感器為基礎，探討健身走、跑的原始加速度信號處理過程，在此基礎上建構能耗模型，并對其進行測量準確性評估，為智能手機在健身實踐和科學研究中的應用奠定基礎。

1 研究對象與方法

1.1 研究對象

受試者為45名在校大學生，其中男性23名，女性22名，平均年齡21.7歲，見表1。所有受試者均肢體健康，無心血管疾病史，測試前24 h內無大強度體力活動。所有受試者均簽署知情同意書。

1.2 研究方法

1.2.1 測量方法

1）測量儀器。

受試者身高和體重采用恒康佳業HK-600身高體重儀測量，韓國VIVENTE-GOLD體成分儀測量其體脂率。

使用3部紅米note2手機作為測試手機，其內置的三軸加速度傳感型號為ACCELEROMETER，量程±2 g。選擇該型號手機是鑒于其正向研究結果具有良好的普適性。本研究編寫專門軟件收集手機加速度傳感器3個軸的原始數據，采樣頻率為75 Hz，所獲數據以CSV格式保存在手機中。測試后，將原始數據下載后歸類整理，利用SPSS軟件、minitab軟件和MATLAB軟件進行后期處理。

為便于測量準確性的橫向比較，使用美國產運動能耗監測儀Actigraph-GT3X（以下簡稱GT3X）同步監測健身走、跑的能量消耗，采樣頻率設為30 Hz，。使用配套的Actilife6.0軟件對GT3X進行重置及后期數據處理。

使用便攜式氣體代謝分析儀CosmedK4b2（以下簡稱K4b2）同步監測活動時的能量消耗，其測量結果在同類研究中被廣泛視為金標準[7]。為保障測量的精度，每日測試前均進行定標。測試時以某一分鐘的第1秒為起始時間按壓K4b2開始鍵以記錄數據，保證其與GT3X和智能手機數據的一致性。

2） 測試方案。

測試時每個受試者同時佩戴K4b2和3部智能手機以及1個GT3X。智能手機分別置于受試者的左側髖部髂棘處（運動腰帶固定）、左側上臂外上1/3處（Armband固定）和左側腹部荷包處。GT3X使用彈性腰帶置于受試者右側髖部、肚臍水平高度。

走跑測試分為4個階段，每個階段分別為5 min，速度依次為4 （慢走）、6 （快走）、8 （慢跑）和10 km/h（跑），間隔時間依據心率的恢復情況而定，1～5 min不等。

測試在標準400 m田徑場上進行，跑道上每隔5 m放置一個標志桶。測試時播放相應的音頻，4個階段的提示音時間間隔分別為4.50、3.00、2.25和1.80 s，測試音每響一次受試者走（跑）完一個標志桶（5 m），受試者在正式測試前會在工作人員的示范下熟悉節拍和速度。正式測試時根據標志物和節拍調整速度，有工作人員陪同騎行，對受試者進行實時提醒。

1.2.2 數據處理

自編程序在MATLAB7.0上運行以對手機加速度原始信號進行處理，過程如下：1）進行快速傅里葉變化觀察其主頻，根據主頻結果設置二階巴特沃茲帶通濾波器對信號進行濾波；2）進行修正處理以去除趨勢；3）將每軸的AC合成3軸的VM（vector magnitude， 矢量計數）。

本研究將45名受試者隨機分到建模組（30人）和驗證組（15人），并單獨建立相應的統計分析數據庫。在模型構建中，使用SPSS軟件對各跑速下手機、GT3X和K4b2的數據進行描述性統計，采用Pearson相關考察各加速度設備之間，以及與K4b2之間輸出結果的一致性。智能手機預測模型建立的程序和方法參考FREEDSON VM3 Combination（2011）聯合方程（以下簡稱VM3C）的研制。

在模型驗證中，使用MiniTAP軟件進行等效性檢驗，以判斷預測METs和實測METs測量結果的一致性，標準為：預測均值90%置信區間是否落入實測均值的等效區間（？滋±10%？滋）[8]。如果落入則接受備擇假設：上限<檢驗值/校標均值<下限，可認定2種測量方法等效；利用RMSE指標考察各加速度設備預準確性；利用ICC判斷智能手機能耗預測值之間的一致性；用Bland-Altman圖法進一步分析各加速度設備與效標的一致性。

2 研究結果

2.1 智能手機加速度傳感器信號的預處理

常見的人體能耗監測儀的輸出數據為count值，多數能耗預測模型也是以該數值為基礎建構而來；但該數值并不是加速度傳感器產生的原始數據，而是經過預處理后的數據，而處理過程是各廠商的商業機密，且處理的方法和流程均有所區別，震動盤上的實驗表明相同的活動各品牌的count值差異在300～3 000[9]。本研究借鑒相關研究成果，結合具體的使用條件對信號進行處理，將其分為濾波、修正和數據合成3個環節。

2.1.1 濾波

在體力活動監測中，濾波（wave filtering）的主要作用是將運動信號保留，將其他頻段噪聲和干擾排除，是提高測量精度的一項重要措施。本研究借鑒信號處理的常用方法，采用傅里葉轉換（FFT）技術從原始數據中得出頻譜信號，根據波峰觀察和先驗經驗確定主頻，從而確定濾波器帶通頻率。圖1顯示3部手機在不同速度走跑下，三軸上的主頻率基本都在5 Hz以內，同時為排除低頻信號（直流漂移、電傳感器老化和溫度變化等）的干擾，將帶通頻率設計為0.2～5.0 Hz，參考孫泊等[3]的濾波實踐，采用二階巴特沃茲帶通濾波器對三軸的原始加速度數據分別進行濾波。

2.1.2 數據的修正

鑒于智能手機在實際使用中的佩戴條件，運動軸和運動方向不能完全匹配，重力會產生分量影響各軸，參考SEKINE等[9]的建議，同時對3個軸過濾后的信號進行去趨勢處理以消除各軸上重力的影響，公式為：？字t'=？字t-■t-5～t ，處理前后對比如圖2所示。

2.1.3 數據的合成

加速度傳感器用于運動能耗監測時，其采樣頻率往往都不低于30 Hz，也就是說一個三軸加速度傳感器每秒就要生成不少于90個原始數據，長時間的監測會產生海量的數據，這就需要對數據預先進行合成。目前使用的計算指標有單位時間內的信號峰值、閾值計數、積分值、四分位差、峰度系數和偏度系數等，其中積分值最常使用。鑒于此，同時為克服信號雙向性帶來的積分消抵，本研究取絕對值后再計算積分。

在實際應用中，能耗儀能較為穩定地固定在身體的某一部分，避免產生相對運動，而手機的固定條件不如能耗儀，傳感器3個運動軸與運動方向不能完全匹配，會受到重力分量的影響，單一軸的AC數值表征活動會產生較大的誤差。鑒于此，本研究采用三軸的合成矢量計數（VM）：

VM=（AC2x+AC2y+AC2z）1/2

2.2 建模組走跑運動能耗和VM特征分析

從表2可知，不同速度走跑時GT3X和各手機的VM在數值上有較大差異，但變化趨勢基本相同，均與校標保持一致。進一步使用Pearson相關分析后發現GT3X與各手機之間相關系數均在0.9以上（見表3），這不但表明GT3X和手機原始信號提供高度相似的信息，GT3X中能耗方程建立的方法和條件適用于本研究所使用的手機，還說明了本研究加速度信號處理方法是合理的。

2.3 智能手機能耗方程的建構

最新版的Actilife6.0軟件中，共提供4個kcal能耗預測模型，王軍利的研究表明VM3C方程系統誤差較小[10]，最為適合我國年輕人的能耗算法方程。該方程是Sasaki方程[11]和Williams方程[12]的組合，分為2部分：

E/（kcal/min）=0.001 064×VM+0.087 512×BM-5.500 229 （VM≥2453）；

kcal/min=VM×0.000 019 1×BM（VM<2 453）。

圖3～5為各智能手機的VM、體質量和能耗的三維空間散點圖，各圖的散點均一定程度上存在著拐點現象，這也表明智能手機的能耗預測模型適宜于使用這種分段式方程。該方程建立思路為：1）建立METs的VM預測方程；2）以中等強度閾值3MET回代入方程求得相應的VM閾值；3）然后以該點分別構建低強度活動和中高強度活動預測方程。

2.3.1 METs預測方程與3MET-VM臨界點

由表4可知，各部智能手機的能耗預測模型中R2均高于0.9，且SEE較低，提示3個方程的擬合程度都較高。

根據3個方程可以推算出3METs對應的VM臨界點：手機（腰部）為86 counts/min、手機（上臂）為26 counts/min、手機（荷包）為120 counts/min。以上述切點為依據劃分活動為低強度活動和中高強度活動，并分別構建相應方程。

2.3.2 低強度體力活動能耗方程

VM3C聯合方程低強度體力活動的能耗預測公式為E/（kcal/min）=VM×0.0000191×BM。該公式是基于能量守恒的原理演算而來，并不是通過線性回歸建構的方程；因此，本研究依據GT3X與各智能手機VM的比值，分別建立各手機低強度區間的能耗模型，見表5。

2.3.3 中高強度體力活動能耗方程

參考VM3C聯合方程中高強度體力活動方程建立的流程，將BM（體重）變量引入到模型中，得到各智能手機的預測模型見表6，各方程決定系數R2=0.908～0.919，均高于0.9，且SEE較低，3個模型均具有較高的擬合度。

2.4 智能手機測量走跑運動能耗準確性的檢驗

判斷預測值和校標值的一致性，傳統的方法為配對樣本t檢驗，但差異無統計學意義的結果只能得到一個“沒有結論”的結論，不能冒然得出2組數據等效或無差異[13]；因此，本研究采用等效性檢驗中的可信區間法確定智能手機和GT3X的預測值與校標值（K4b2測量結果）之間的等效性，依據為：預測均值90%置信區間是否落入實測均值的等效區間（？滋±10%？滋）[8]。從表7可知，4、6 、8 km/h，各手機以及GT3X預測數值90%的置信區間均落入校標實測值的等效區間里，僅在10 km/h下，手機（荷包）和GT3X的測量與K4b2的測量不等效，90%置信區間分別為10.16～10.74、10.27～10.78落在了10.40～12.71的等效區間以外。從總的能耗上看，各加速度設備的置信區間也均落入等效區間里面，因此，基本可以認定各加速度設備與K4b2之間能耗測量具有等效性。

圖6顯示各跑速下手機與GT3X的均方根誤差（RMSE），整體上看，場地走的RMSE低于場地跑的RMSE。各加速度設備的RMSE均在10 km/h跑步中出現峰值。在各個速度上，手機（腰部）測量的RMSE均最小，分別為0.26、0.24、1.15和1.61，整體為0.81。而手機（荷包）隨著跑速的增加，其RMSE迅速增加，相比上一級速度增加的幅度分別為22.2%、149.1%和116.06%。從總能耗上看，各設備RMSE的排序為： GT3X>手機（荷包）>手機（上臂）>手機（腰部）。

組內相關系數（ICC）分析的結果顯示，手機（腰部）、手機（上臂）和手機（荷包）在不同速度下的能耗預測數值均高度相關。在以4、6 、8 和10 km/h的速度運動時，各手機能耗預測值之間的科隆巴赫系數分別為0.975、0.946、0.894和0.872，說明各智能手機能耗結果具有很好的一致性。

通過Bland-Altman法，本研究分別計算了3部手機及GT3X與氣體代謝分析儀測量值的一致性限度區間（limits of agreement， mean ±1.96 s），手機（腰部）為（-1.7，2.1），手機（上臂）為（-2.0，2.0），手機（荷包）為（-2.4，2.1）和GT3X為（-2.8，1.7），各設備分別有7個、8個、9個和9個點在一致性限度區間以外，占總點數的比例分別為3.89%、4.44%、5%和5%，均不高于5%的標準，表明其與氣體代謝分析儀的測量結果一致性好，與等效檢驗的結果相匹配。手機（荷包）和GT3X的測量值偏倚小于0，顯示整體上兩者略低估計能耗，而手機（腰部）的偏倚為0.2，又略微高估能耗，見表8。

3 分析與討論

3.1 智能手機與GT3X預測場地走跑能耗準確性的對比分析

按照等效性判斷標準，除了10 km/h跑速下手機（荷包）和GT3X的90%置信區間落在校標等效區間外，其他各跑速下，各手機及GT3X與K4b2的測量均等效。總的能量消耗上，各智能手機、GT3X與K4b2的測量均具有等效性，通過進一步分析測量誤差后發現，GT3X在各個階段均低估能量消耗，這與王歡等[14]和王軍利等[10]的研究結果是一致的，GT3X的濾波頻率為0.25～2.5 Hz。Uemura等[15]認為過窄的濾波頻率，影響其對于中高強度活動的測量；但不能認為頻率設置不合理，因為GT3X運動能耗儀用來監測日常的體力活動，走/跑活動只是一部分，濾波頻率的設置應兼顧各項活動，不能因某類活動能耗預測誤差大就調整濾波的頻率，應該從活動識別和能耗模型上入手，針對不同活動類型建立針對性的能耗方程[16]。

在10 km/h下，手機測量的RMSE出現峰值，低于實際能耗，也同GT3X一樣，存在著高強度活動測量時的“平臺”現象[17]，在走跑能耗監測中，未來可以借用Crouter混合模型的思路，建立曲線回歸模型，解決走跑能耗預測的“平臺”問題[18]。

但也應該認識到，GT3X使用的VM3C雖然說也是以不同速度走跑為運動方案建立的能耗模型，但其實驗對象、實驗方案有所不同；因此，并不能簡單地就通過等效性檢驗和RMSE分析就得出智能手機能耗監測準確性高于GT3X的結論， 還需要更多的研究去充實以得出概化性結論。本研究的結果只表明智能手機能夠準確測量走跑時的能量消耗，可以作為GT3X的補充應用到走跑類健身活動的指導和干預中。

3.2 不同部位智能手機測量結果的一致性分析

本研究中3部佩戴在不同部位的智能手機雖然說在輸出的VM上存在著顯著性的差異，但高度相關（P=0.962～0.984 ），表明不同部位的紅米note2手機提供高度相似的信息，在能耗監測上，3部手機也均可以準確地測量。這表明3個部位均可以用來佩戴手機監測能量消耗，這主要是因為：1）場地走跑運動中上下肢的擺動幅度與人體行進速度密切相關，有研究就對佩戴在大腿、腰部、上臂和踝關節的三軸加速度計進行比較后發現很難認為哪個部位佩戴更有優勢[19]；2）智能手機內置的傳感器為三軸傳感器，Jones等[20]的研究就表明佩戴位置對于三軸加速度計的影響要遠遠小于對于單軸加速度計的影響；3）本研究使用三軸的矢量合成計數，而不是其中某一軸的積分值，能夠部分解決因放置方式不同導致的敏感軸與運動方向不一致的問題。Chen等[21]就認為放置位置不同會導致三軸加速度計X、Y、Z 3個軸的偏轉，但并不會對合成的VM造成影響。本研究的結果表明智能手機可以根據使用者的習慣放置在上衣荷包里，而這更符合普通人的佩戴習慣，有助于長時間進行活動數據采集。此外，研究結果也支持跑步愛好者將手機使用Armband置于上臂處。

本研究的結果雖然顯示部位對測量準確性的影響小，但僅局限在監測走跑這一類活動，在監測其他非周期性運動或者靜力性活動時，佩戴部位卻很關鍵[22]，加速度計均推薦戴在離身體質心較近的部位[23-24]。Rosenberger等的研究表明count為積分值的回歸模型（一元回歸模型或者是基于動作識別的混合模型）預測活動能耗時，手腕部分的預測誤差顯著性高于髖部[25]，而Staudermayer等采用機器學習算法集合多個特征指標預測能耗表明腕部加速度計也能準確預測能耗[26]，另外一項研究[27]的結果也類似，這提示不同部位的加速度計需要有不同的特征指標，并組合不同的算法模型，這將是本領域研究的重點問題。

3.3 手機加速度傳感器原始信號的處理

研究者耳熟能詳的各個運動能耗監測儀輸出的count值，實際并不是每個軸的加速度具體數值，而是對原始信號過濾、修正和合成而來的，是原始信號時域特征的提取，并沒有實際的生物學意義。采樣頻率的設置是信號采集初始步驟，遵循Nyquist標準[28]：所設頻率至少為運動中人體各環節最大頻率的2倍。在運動中身體的加速度信號一般低于10 Hz，日常體力活動中身體質心處的運動頻率在0.3～3.5 Hz [29]，因此人體軀干的運動信息采集不應低于30 Hz [30]，GT3X的最低采樣頻率為30 Hz。目前各品牌智能手機內置的加速度傳感器的采樣頻率基本都可達到50 Hz，可以滿足體力活動能耗監測的需求。

濾波過程中設置帶通頻率是一個關鍵環節，有效設置可以減少高頻噪聲干擾的同時降低低頻噪音的影響，避免所獲信號失真，不能反映運動情況。在實踐中，帶通頻率設置太大時各種低頻或高頻噪音難以消除，太小時則會造成運動信號遺漏。各品牌能耗儀的帶通頻率的設置主要是以獲取的活動數據為基礎進行FFT頻譜分析，因此，獲取數據的活動項目不同，帶通區別有所差別，普遍在0.25～7 Hz [31]。本研究根據FFT頻譜分析的結果，結合具體的走跑特征確定手機的帶通頻率為0.2～5 Hz。而本研究后期的數據表明，智能手機VM的輸出也出現“平臺”現象[32-33]，提示帶通頻率可進行適當調整，但調整的幅度需要深入的探究，避免非此即彼納入更多的無關信號。

原始信號的合成是信號處理的最后環節，而不同品牌能耗監測儀提取的特征也不同，主要分為3類：1）閾值計數[34]；2）時閾峰值[35]；3）加速度積分值[36]。目前，加速度積分值的應用最普遍，但不同品牌對加速度積分的計算也有所區別，有的只利用單軸（垂直軸）數據，有的利用雙軸（垂直軸和矢狀軸）數據。Midorikawa等[33]認為三軸合成的VM可以全面地反映體力活動中身體的活動情況，此外，還可以克服因為設備放置方式不同而造成的信號差異問題[37]。在實際使用中，智能手機往往是根據使用者的習慣放置，放置條件具有較大的不確定性，因此，在信號合成的時候應使用三軸的數據合成VM來表征運動狀況。

3.4 智能手機和GT3X內置加速度傳感器的硬件基礎

本研究采用紅米note2智能手機，市面價格一般為800元，內置的傳感器型號是ACCELEROMETER，量程±2g、精度3.90E-3、功率為0.25 W，近似參數的傳感器市面價格10～20元，GT3X內置的傳感器量程±6g，但是從測量的準確性來說，更大的測量量程并沒有提高其測量的精度，這與人體走跑時候的加速度區間相關。Matthew等[38]的研究顯示走跑速度在1～5 m/s時人體骨盆處的加速度數值變化范圍為0.05～0.5g。本研究中即使跑速達到10 m/s，敏感軸的加速度數值也不超過1.5g，±2g量程能夠滿足測量場地走/跑的需要。GT3X內置傳感器的其他參數未見報告，但從總體上看，GT3X輸出的VM數值與各智能手機的高度相似（0.941～0.984），兩者原始信號提供高度一致的信息，并且也與K4b2的測量結果的一致程度相當，說明了智能手機內置加速度傳感器的配置能夠滿足體力活動測量的需要，此外，它不需要使用者單獨購買，不增加使用者額外的負擔，是一種低成本高準確性的運動能耗監測工具。

3.5 基于加速度傳感器的能耗方程分析

無論是智能手機還是運動能耗監測儀對運動能耗估算的準確性除了與內置的加速度傳感器的性能和原始數據的預處理的方法有關外，還與能量預測的方程密不可分，目前最為常見的模型建構方法是以校標為因變量，以count數值為自變量建立回歸方程。不僅不同能耗儀使用的方程不同，相同能耗儀也有多個方程可供選擇。例如GT3X軟件中就有8個METs和4個kcal的預測公式。不同的方程建立實驗條件也不同，有的建立在現實生活情景中[39]，有的以跑臺或場地走跑為實驗方案[40]；并且在實驗對象上，有的為兒童[41]，有的為成年人[42]。本研究采用VM3C方程的思路建構模型，該模型為分段模型，不同活動強度采用不同方程。該方程在國內外廣泛使用，具有相對較好的信效度，但該方程測量不同活動類型的準確性存在較大的差異。相關學者一致認為：沒有一個方程能夠有效地預測各種類型的體力活動，只有建立在特定活動基礎上的模型才可能有較高的效度[43]；因此，基于活動識別的能耗預測成為研究的熱點，該方法是對數據進行預處理提取出相應特征，使用分類器確定活動類型，從而調用相應的能耗預測模型來預測能耗。Mikkel等[44]和Marco等[45]認為在多類型活動的測試中，活動識別方法能夠顯著提高運動能耗的預測效度。

4 結論與建議

4.1 結論

本研究選取的智能手機測量場地走跑能耗采用濾波（0.5～5 Hz二階巴特沃茲帶通濾波）、數據修正（？字t'=？字t-t-5～t）、數據合成[VM=（AC2x+AC2y+AC2z）1/2 ]的加速度信號處理方法具有應用價值。以VM3C方程為模板建構的智能手機能耗模型能夠準確地測量本次研究驗證樣本的走跑活動能耗。腰部、上臂和荷包均是智能手機監測走跑能耗時的有效佩戴點。由于受測試樣本數量的限制，本研究成果的概化性還需后續研究進一步明確。

4.2 建議

本研究僅用一款手機作為測試設備，沒有對手機型號和品牌對測量結果的影響進行評估；其次，對手機在荷包中的固定條件進行了適當限定，要求手機放置在左側腹部的荷包中，并且能夠相對固定避免產生較大的相對運動，這與使用者的習慣有出入；最后，本研究的方程專門預測走跑類活動，預測其他類型體力活動能耗時效度勢必降低。

在以后的研究中，應該進一步豐富手機品牌的評測以得到概化性的結論，手機的選擇應該更多地集中在中低端配置的手機，應重視記錄原始數據的手機App，最好是專門設計可以自由修改關鍵參數的數據采集App。在能耗模型的輸入指標的選擇上，應該拓寬思路，輸入模型的count值除了用積分值代表外，還應探討其他時域或頻域指標的應用價值，特別是某些具有活動類型識別價值的指標，并且選擇的指標應能夠匹配所使用的模型；而在建立能耗評估模型時，應以多種類型的體力活動為方案，建構基于活動識別技術的能耗評估方程，特別是隨著機器算法的興起，應將諸如神經網絡模型、支持向量機模型等引入到該領域，進一步豐富該領域研究的同時切實提高能耗預測的準確性。

參考文獻：

[1] FREEDSON P，BOWLES H R，TROIANO R， et al. Assessment of physical activity using wearable monitors： recommendations for monitor calibration and use in the field[J]. Medicine and science in sports and exercise， 2012， 44（S1）：1.

[2] HEKLER E B，KLASNIJA P，TRAVER V， et al. Realizing effective behavioral management of health： The metamorphosis of behavioral science methods[J]. Pulse， IEEE， 2013， 4（5）：29.

[3]明鑫， 王斌. 手機運動軟件與 K4b2 測量步行運動能耗的比較研究[J]. 安徽體育科技， 2015， 36（3）：55.

[4] ZANDBERGEN P A，BARBEAU S J. Positional accuracy of assisted gps data from high-sensitivity gps-enabled mobile phones[J]. Journal of Navigation， 2011， 64（3）：381.

[5] MORILLO L M S，GONZALEZ-ABRIL L，RAMIREZ J A O， et al. Low energy physical activity recognition system on smartphones[J].Sensors， 2015， 15（3）：5163.

[6] SHOAIB M，BOSCH S，LNCEL O D，et al. Fusion of smartphone motion sensors for physical activity recognition[J]. Sensors， 2014， 14（6）：10146.

[7]湯強， 王香生， 盛蕾. 體力活動測量方法研究進展[J]. 體育與科學， 2008， 29（6）：79.

[8] NOLAN M， MITCHELL J R， DOYLE-BAKER P K. Validity of the Apple iPhoneR/iPod TouchR as an accelerometer-based physical activity monitor： a proof-of-concept study[J]. Journal of physical activity & health， 2014， 11（4）：759.

[9] SEKINE M， TAMURA T， OGAWA M， et al. Classification of acceleration waveform in a continuous walking record[C]//Austin： International Conference of the IEEE，1998：1523-1526.

[10]王軍利， 張冰， 賈麗雅， 等. Actigraph （GT3X）加速度計測量我國19-29歲人群身體活動能耗的效度研究[J]. 體育科學， 2012， 32（12）：71.

[11] SASAKI J E， JOHN D， FREEDSON P S. Validation and comparison of ActiGraph activity monitors[J].Journal of Science and Medicine in Sport， 2011， 14（5）：411.

[12] WILLIAMS R. Kcal estimates from activity counts using the Potential Energy Method[EB/OL].[2017-04-28].http：//actigraphcorp.com/research-database.

[13] 袁秉祥， 朱芳. 生物等效性檢驗的計算及計算程序[J]. 西安醫科大學學報， 2001， 22（2）：164.

[14]王歡， 王馨塘， 佟海青， 等. 三種加速度計測量多種身體活動的效度比較[J].體育科學， 2014， 34（5）：45.

[15] UEMURA H， KATSUURA-KAMANO S， Yamaguchi M， et al. Abundant daily non-sedentary activity is associated with reduced prevalence of metabolic syndrome and insulin resistance[J]. Journal of endocrinological investigation， 2013， 36（11）： 1069.

[16] ELLIS K， KERR J， GODBOLE S， et al. Hip and Wrist Accelerometer Algorithms for Free-Living Behavior Classification[J]. Medicine and science in sports and exercise， 2016， 48（5）：933.

[17] 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）：450.

[18] 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， 42（5）： 1029.

[19] BOUTEN C V， SAUREN A A， VERDUIN M， et al. Effects of placement and orientation of body-fixed accelerometers on the assessment of energy expenditure during walking[J]. Medical & Biological Engineering & Computing， 1997， 35（1）：50.

[20] JONES S L， WOOD K ，Thompson R，et al. Effect ofmonitor placement on output from three different accelerometers[J].Medicine & Science in Sports & Exercise， 1999（31）：142.

[21] CHEN K Y， SUN M. Improving energy expenditure estimation by using a triaxial accelerometer[J].Journal of Applied Physiology， 1997， 83（6）：2112.

[22] MATTHEWS C E， HAGSTR？MER M， POBER D M， et al. Best practices for using physical activity monitors in population-based research[J]. Medicine and science in sports and exercise， 2012， 44（1）：68.

[23] TROST S G， MCIVER K L， PATE R R. Conducting accelerometer-based activity assessments in field-based research[J]. Medicine and science in sports and exercise， 2005， 37（11）：531.

[24] YANG C C， HSU Y L. A review of accelerometry-based wearable motion detectors for physical activity monitoring[J]. Sensors， 2010， 10（8）：7772.

[25] ROSENBERGER M E， HASKELL W L， ALBINALI F， et al. Estimating activity and sedentary behavior from an accelerometer on the hip or wrist[J]. Medicine and science in sports and exercise， 2013， 45（5）：964.

[26] STAUDENMAYER J， HE S， HICKEY A， et al. Methods to estimate aspects of physical activity and sedentary behavior from high-frequency wrist accelerometer measurements[J]. Journal of Applied Physiology， 2015， 119（4）：396.

[27] MONTOYE A H K， PIVARNIK J M， MUDD L M， et al. Wrist-independent energy expenditure prediction models from raw accelerometer data[J].Physiological Measurement， 2016， 37（10）：1770.

[28] VELHO L， FRERY A， GOMES J. Signal Theory[M].London：Springer，2009：13-55.

[29] WELK G J. Use of accelerometry-based activity monitors to assess physical activity[J]. Physical activity assessments for health-related research， 2002：125.

[30] MATHIE M J，COSTER A C F，LOVELL N H， et al. Accelerometry： providing an integrated， practical method for long-term， ambulatory monitoring of human movement[J]. Physiological measurement， 2004， 25（2）：1.

[31] UITERWAAL M，GLERUM E B C，BUSSER H J， et al. Ambulatory monitoring of physical activity in working situations， a validation study[J]. Journal of medical engineering & technology， 1998， 22（4）：168.

[32] BRAGE S，WEDDERKOPP N，FRANKS P W， et al. Reexamination of validity and reliability of the CSA monitor in walking and running[J]. Medicine and Science in Sports and Exercise， 2003， 35（8）：1447.

[33] LEVINE J A，BAUKOL P A，WESTERP K P. Validation of the Tracmortriaxial accelerometer system for walking[J]. Medicine and Science in Sports and Exercise， 2001， 33（9）：1593.

[34] HEINZ E A，KUNZE K S，SULISTVO S， et al. Experimental evaluation of variations in primary features used for accelerometric context recognition[M].Heidelberg：Springer， 2003：252.

[35] VAN L K，GELLERSEN H W. Spine versus porcupine： A study in distributed wearable activity recognition[C]//Hiroshima：ISWC 2004， 2004：142-149.

[36] KIANI K，SNIJDERA C J，GELSEMA E S. Computerized analysis of daily life motor activity for ambulatory monitoring[J]. Technology and Health Care， 1997， 5（4）：307.

[37] RAVI N， DANDEKAR N， MYSORE P， et al. Activity recognition from accelerometer data[C]//Austin：AAAI，2005：1541.

[38] MATTHEW C E. Calibration of accelerometer output for adults[J]. Medicine and science in sports and exercise， 2005， 37（11）：512.

[39] CROUTER S E， CLOWERS K G， BASSETT D R. A novel method for using accelerometer data to predict energy expenditure[J]. Journal of applied physiology， 2006， 100（4）： 1324.

[40] NICHOLS J F， MORGAN C G， CHABOT L E， et al. Assessment of physical activity with the Computer Science and Applications， Inc.， accelerometer： laboratory versus field validation[J]. Research quarterly for exercise and sport， 2000， 71（1）：36.

[41] BJORNSON K F. Physical activity monitoring in children and youths[J]. Pediatric Physical Therapy， 2005， 17（1）： 37.

[42] WESTERTERP K R， PLASPUI G. Physical activity and human energy expenditure[J]. Current Opinion in Clinical Nutrition & Metabolic Care， 2004， 7（6）： 607.

[43] HOWE C A， STAUDENMAYER J W， FREEDSON P S. Accelerometer prediction of energy expenditure： vector magnitude versus vertical axis[J]. Med Sci Sports Exerc， 2009， 41（12）： 2199.

[44] SCHNELLER M B， PEDERSEN M T， GUPTA N， et al. Validation of five minimally obstructive methods to estimate physical activity energy expenditure in young adults in semi-standardized settings[J]. Sensors， 2015， 15（3）： 6133.

[45] ALTINI M， PENDERS J， VULLERS R， et al. Estimating Energy Expenditure Using Body-Worn Accelerometers： A Comparison of Methods， Sensors Number and Positioning[J]. Biomedical & Health Informatics IEEE Journal， 2015， 19（1）：219.