佩戴部位對加速度計能耗監測準確性的影響：算法的調節效應

陳慶果，李 翔

《“健康中國2030”規劃綱要》的實施和全民健身上升為國家戰略把科學健身提到了新的高度，隨著“互聯網+”和大數據熱潮的到來，運動類可穿戴設備呈井噴式的出現，各種品牌、各種型號的運動手環、運動手表和運動能耗監測儀層出不窮。但從體力活動測量的原理上看，這些儀器大部分都屬于加速度計范疇，均是利用加速度傳感器捕捉的客觀原始加速度數據來監測運動狀況。

在學界，加速度計能耗監測的研究由來已久，早在20世紀80年代初，Montoye等（1983）和Wong等（1981）就進行了一系列開創性的研究，把原始數據合成count值，再將其代入回歸方程建立計算模型，成為能耗預測領域的經典算法。后來不斷有學者通過豐富建模數據特征、完善count指標體系和利用硬件提升效益等手段不斷優化回歸模型。近年來，隨著機器學習算法的興起，為了充分挖掘原始數據蘊含的豐富信息提高預測的準確性，不斷有學者將不同的機器學習算法引入到能耗預測中，Staudenmayer等（2009，2015）先后將神經網絡模型應用到髖部加速度計 和腕部加速度計中，研究結果均表明，機器學習算法在非周期性活動的準確性上明顯優于傳統的以count值為基礎的線性模型，Rothney等（2007）和Trost等（2012）針對髖部加速度計的研究也得出相似的結論。但在此領域的研究中，鮮見對不同部位之間兩類算法差異的系統比較，缺少對算法效應的整體考量。

針對不同佩戴部位的現有研究也存在同樣的不足，例如，在線性回歸預測能耗的相關研究中，髖部因其靠近身體的質心而被視為理想的佩戴位置，部分研究結果顯示，相比大腿和腕部，髖部線性模型的預測精度顯著提高（Preece et al.，2016），但仍然沒法準確的預測非周期性活動的能耗（Hendelman et al.，2000）。Swarts等（2000）采用腕部－髖部的混合模型提高非周期性活動的預測準確性，Crouter等（2015）應用分段回歸模型的研究卻表明，腕部也能準確地預測運動能耗。目前對機器學習算法的探究結果則相對較少，Ellis等（2014）引入隨機森林模型，髖部和腕部模型的RMSE分別為1.09 METs和1.00 METs，算法的部位特征不顯著，對神經網絡模型的研究也顯示相似的結果（Montoye et al.，2015，2016），目前來看，還需更多的實證依據以形成概化性的結論。

綜上所述，當前的研究主要是探討單一算法不同部位間預測準確性的差異，或是單一部位間不同算法的差異，鮮見系統探討佩戴部位和算法之間可能存在的交互效應，算法能否降低佩戴部位對預測準確性的影響也不得而知。本研究旨在通過對部位效應、算法效應及其之間的交互效應進行系統探究，明晰佩戴部位對能耗監測的影響效力，探究算法的應用價值。

1 研究對象與方法

1.1 研究對象

在告知測試內容和健康問詢后，經受試者同意確定42人的測試名單（表1）。所有受試者無運動禁忌癥，測試前24 h無大強度體力活動，測試均在餐后1 h進行，測試前簽署知情同意書。

表1 佩戴部位對加速度計能耗監測準確性測試受試者基本信息Table 1 TheAnthropometryCharacteristicsofParticipant

1.2 測量儀器

本研究采用3個美國產Actigraph-GT3X+（以下簡稱GT3X+）收集人體活動中不同部位的加速度信息，GT3X+是目前應用最為廣泛的3軸加速度計，重量約為27 g，對加速度原始數據的采樣頻率可以達到100 Hz，內存容量為250 MB。測試前利用Actilife6.0軟件進行校對、信息錄入和采樣頻率設置（30 Hz），然后使用相應長度的彈性綁帶固定在受試者右側髖部（右側髂脊處）、右側大腿處（大腿前正中線上1/3處）和右側手腕處（腕橫紋處）。每天測試完成后，將數據保存為*.GT3X格式，以便導出加速度原始數據。

能量消耗的標準測量采用意大利產的CosmedK4b2便攜式氣體代謝分析儀（以下簡稱K4b2），該儀器采用每口氣呼氣法進行測量，準確性得到廣泛驗證，被視為金標準。為保障測量精度，整個測試前更換氧電池，每天測試均對儀器進行預熱和定標。測試中，為確保GT3X+和K4b2的數據同步，測試人員在每一分鐘第一秒按壓儀器主機上的Enter鍵開始正式記錄數據，并使用心率帶同步監控受試者心率，以此確定活動之間的間隔時間。每天測試完成后，將數據保存為*.xpo格式，后期再轉制為周期為30 s的數據庫。

采用恒康佳業HK-6000身高體重儀測量受試者身高和體重，使用韓國VIVENTE-GOLD體成分儀測量體脂率。

1.3 測量方案

活動方案由4類20項體力活動構成（表2），分別為5項靜息類活動、6項走跑活動、5項生活方式活動和4項體育活動，每項活動的時間為5 min（跳繩除外），活動之間的時間間隔視心率的恢復狀況而定，一般為1～5 min。實驗方案基本囊括日常體力活動的主要類型和項目，兼顧項目的周期特征、肢體特征和強度特征。

表2 佩戴部位對加速度計能耗監測準確性測試項目Table 2 List of Physical Activies

整個測試分兩個階段進行，第1階段進行形態學指標測量、靜息類項目和走跑類運動的測試；第2階段包括5項生活方式活動和4項體育活動測試。

靜息活動和生活方式活動在實驗室模擬的生活情景中進行，要求受試者按照日常狀態完成活動。走跑活動（除自由走跑）在德國h/p/cosmos公司生產的Pular跑臺上進行。體育活動中乒乓球和羽毛球采用多球練習的方式，受試者不撿球；跳繩和籃球運動均要求受試者按自己節奏進行。

所有測試共需120～140 min，溫度控制在18℃～25℃，相對濕度在50%～60%。

1.4 原始數據的處理與指標的合成

研究將建立一般線性回歸模型和神經網絡模型，因模型數據要求不同，將前期導出的*.GT3X文件轉換為*.CSV的原始文件后，分別進行不同的數據預處理和特征指標的提取，數據處理的時間周期為30 s，每個項目第一個和最后一個30 s的數據不納入統計口徑。

線性回歸模型的輸入指標為count值，雖然GT3X+的配套軟件actlife6.11可直接導出，但因數據處理的過程是其商業機密，未見相關文獻報告。為提高數據處理結果的普適性，本研究未直接使用軟件導出的count值，而是參考相關研究成果自行合成，數據處理分為3個階段：1）濾波：濾除噪聲頻段和干擾及特定波段頻率，參考孫泊等（2013）的研究，采用二階巴特沃茲0.2～10 HZ帶通濾波器對X、Y、Z三軸的原始加速度數據進行濾波；2）數據的修正：為了去除重力趨勢對各軸的作用，同時對3個軸過濾后的加速度數據進行去趨勢處理，公式為特征指標的提取：由于原始信號均是雙向的，先取絕對值后再計算積分，同時考慮到加速度計佩戴在不同部位，會出現傳感器的運動軸與實際運動情況不能有效匹配（Schaefer et al.，2014），故采用三軸的數據合成矢量計數（vector magnitude，VM），公式為來表征count值。

神經網絡模型特征指標的提取中，為降低模型的運算負擔，同時鑒于Migueles等（2017） 的研究顯示，頻閾指標在提高能耗預測準確性的作用有限，本研究僅選取時域類指標，直接從原始數據中（未濾波）提取每個軸每30 s中的9個指標：M、SD、Min、Max、P10、P25、P50、P75 和P90，3個軸共計27個指標，前4個指標的選取依據Montoye等（2015）的研究成果，后5個指標來自Staudenmayer（2009）的研究。

1.5 數據統計和分析

采用MATLAB7.0對數據進行預處理和指標的合成，形成每30 s的各種特征指標（過程見1.4），然后從K4b2導出*.xpo文件，并轉換獲取METs/30數據庫，與加速度特征指標按照時間點一一對應形成數據庫。

使用Matlab7.0軟件進行6次留一交叉驗證分析，分別建立髖部、手腕和大腿的神經網絡模型和線性回歸模型（共計6個模型），并輸出相應的預測值。留一交叉驗證分析以每個受試者為單位，在42名受試者中，每輪留1個個體數據作驗證，其他41個個體數據建模，總共輪換進行42輪，得到42個測試結果，用參數的平均值來表征模型。該方法相對于傳統的holdout檢驗（將數據分為兩組，一組建模和一組驗證），可以從有限的數據中獲得盡可能多的有效信息，避免陷入局部的極值（范永東，2013）。

采用均方根誤差（root-mean-square error，RMSE）指標來判斷模型預測準確性，公式為：

以個體為單位來計算該指標，并作為檢驗變量，采用SPSS22.0軟件運用雙因素重復測量方差分析進行佩戴部位和算法交互效應的分析，以及相同模型不同部位之間的比較和相同部位不同模型之間的比較。

使用MiniTAP軟件進行等效性檢驗，以判斷各模型預測METs和實測METs測量結果的等效性，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（μ±10% μ）（Nolan et al.，2014），如果落入則接受備擇假設：下限＜檢驗值/校標均值＜上限，可認定兩種測量方法等效。

統計分析中顯著性水平定義為P＜0.05，高度顯著性水平定義為P＜0.01。

2 研究結果

2.1 加速度計能耗方程的建構

2.1.1 不同佩戴部位線性回歸方程的建構

手腕、髖部和大腿的線性回歸模型見表3，R2分別是0.428、0.702和0.659，SEE分別為1.922、1.415和1.472。髖部模型的斜率最大、腕部模型的截距最大。

表3 不同部位佩戴加速度計能耗測量的一般線性回歸模型Table 3 List of Linear Regression Model of Different Wearing Sites

2.1.2 不同佩戴部位神經網絡模型的建構

在對數據采用標準公式Y=（X-Xmin）/（Xmax-Xmin）進行歸一化處理后，將輸入層和輸出層指標數帶入吳昌友（2007）介紹的公式（n為輸入層指標數、為輸出層指標數），確定各個部位神經網絡模型的隱層節點數為10個，采用動量-學習率自動調整算法，初始動量取值范圍0.2～0.9，學習率范圍0.01～0.2，訓練網絡的最大誤差設定0.001。將1 000次作為停止訓練的標準。通過對網絡結構和參數的多次調整和比較，各模型的平均參數見表4。

2.2 模型在各活動項目上預測準確性的分析

從表5可知，各模型的METs預測值隨項目變化的趨勢與實測值基本一致，但從同一活動項目預測值的變異上看，不同部位的神經網絡模型變異較小，預測的結果較為一致，而線性模型中部位之間的變異較大，尤其是在走的項目和上肢活動為主的項目中。提示，部位對預測準確性的影響可能受到算法的調節，需要進一步使用兩因素重復測量的方差分析進行檢驗。

表4 不同部位佩戴加速度計能耗測量的神經網絡模型Table 4 List of Neural Network Model of Different Wearing Sites

表5 不同部位佩戴加速度計的不同能耗預測模型的預測值和實測值Table 5 Predictive Value and Measured Value of Different Models of Energy Expenditure

結合圖1可知，相對各部位線性回歸模型的散點，神經網絡模型各部位的散點均較靠近參考線，通過對平均百分誤差（BIAS）的計算，髖部、大腿和手腕3個部位中分別有7個、5個和6個項目的BIAS在±5%以內，在線性回歸模型中，這一數值分別為3個、4個和0個。而BIAS在±20%之外的項目數量，線性模型也多于神經網絡模型。

2.3 佩戴部位與算法的交互效應分析

本研究中佩戴部位和算法都是類別變量，檢驗變量為RMSE，按照溫忠麒等（2012）的建議，結合數據獲取的被試特征，采用雙因素重復測量的方差分析進行交互效應的檢驗。

2.3.1 交互效應檢驗

表6為球形檢驗的結果，交互項的Mauchly'sW=0.923，P=0.201＞0.05，檢驗變量滿足球形檢驗假設，適合進行球形檢驗，不采用Greenhouse&Geisser方法進行校正。

表6 交互項球型檢驗Table 6 Sphericity Test of Interaction Items

圖1 各模型預測值和實測值之間散點圖Figure 1. Scatter Plot between Estimated and Measured Values of Each Models

從表7可以看出，算法和部位的交互項存在著統計學意義，F（1、41）=5.376，P=0.006，表明算法與部位存在著交互效應，算法是部位對測量準確性影響的調節變量。

表7 算法*部位交互效應檢驗Table 7 Interaction Test Table from Algorithms*Sites

2.3.2 不同佩戴部位兩種算法測量準確性的多重比較

在交互效應確認的情況下，應進一步明晰各自變量的單獨效應，先逐一分析不同部位兩種算法的差異。Bonferroni多重比較的結果顯示（圖2、表8）：在髖部，神經網絡模型的RMSE=1.29，線性回歸模型為1.31，兩者之間平均差值僅為0.018，不存在統計學意義（P=0.293），在大腿和手腕，兩種算法的差值增加，分別為0.204和0.279，均存在非常顯著性差異（P=0.001和P=0.000）。

表8 不同佩戴位置中兩種算法測量準確性的檢驗Table 8 Test of Accuracy of Two Algorithms in Different Wearing Sites

圖2 不同佩戴部位中兩種算法的測量準確性對比Figure 2. Comparison of Measurement Accuracy of Two Algorithms in Different WearingSites

2.3.3 不同算法中不同佩戴部位測量準確性的多重比較

繼續探究佩戴部位的單獨效應，分別在兩種算法內進行重復測量方差分析。Bonferroni多重比較結果顯示（表9）：在線性回歸模型中，髖部與大腿、髖部與手腕和大腿與手腕之間預測準確性的差異具有統計學意義，兩者之間的差值分別為-0.245、-0.402和-0.152，P值分別為0.000，0.000和0.015；在神經網絡模型中，僅有髖部和腕部之間的差異存在統計學意義，而髖部與大腿、手腕與大腿之間的差值均不存在統計學意義（P=0.380和P=0.201），這也進一步表明了神經網絡模型可以降低佩戴部位所產生的測量誤差。

2.4 各模型的等效性校驗

從表10可知，髖部的神經網絡模型和線性回歸模型以及大腿的神經網絡模型預測數值90%置信區間分別為3.81～4.30、3.69～4.27和3.75～4.29，均落在了3.61～4.41的等效區間，可以認定，整體而言上述3個模型預測值與K4b2校標值測量之間具有等效性。

表9 兩種算法中不同佩戴部位之間的測量準確性檢驗Table 9 Accuracy between Different Wearing Sitesin Two Kinds of Algorithms

表10 各模型預測值與校標的等效性檢驗Table 10 Equivalence Test Table of Model Predictions and Criterion

3 分析與討論

3.1 實驗方案的分析

在日常體力活動能耗測量的研究中，學者們普遍摒棄了早期以Freedson方程為代表的走跑運動實驗方案（Hendelman et al.，2000），認為走跑方案難以準確反映日常體力活動的特征，其建構的方程不能準確測量日常生活中的非走跑類活動（Leenders et al.，2006），實驗方案的制定必須是走跑方案與非走跑方案的結合（朱琳 等，2012）。在此基礎上，部分學者在研究中將靜息類的體力活動融入到活動方案中，認為靜息類的活動雖然梅脫值低，但在日常活動中占據較長時間，不能因其引入方案會影響方程對走跑和非走跑運動的預測準確性而視而不見（Chen et al.，2005）。此外，還有學者認為，在設計活動方案時應該考慮上下肢的運動特征。綜上，本研究認為，在進行加速度計預測日常體力活動的能耗研究中，實驗方案應是被預測人員日常生活的縮影，在構建時應考慮被試者因素、肢體活動特征因素和活動強度因素，綜合搭配，選擇適應種類和數量的體力活動，保證方案的代表性。

本研究的實驗方案由5種靜息類活動、6種走跑類運動，5種生活方式類活動和4種體育活動構成，基本囊括該群體日常體力活動的主要類型和項目，又兼顧了活動的肢體特征和強度特征。坐姿玩手機、坐姿打字和坐姿看書均涉及少量上肢肢體活動，而疊衣服、整理書桌主要是站姿狀態下較大幅度的上肢活動，掃地拖地及所有的體育項目均是上、下肢活動兼有的非周期性活動，所有的走跑類活動為上、下肢活動兼有的周期性活動。本方案有6個活動屬于小強度的體力活動（＜3 METs），8個活動屬于中等強度體力活動（3～5.9 METs），6個活動屬于大強度體力活動（≥6 METs），活動方案基本滿足強度特征。

雖有研究表明，在走跑運動中，隨著坡度的增加，基于回歸模型的加速度計能耗預測誤差加大，但是鑒于坡道環境下的走跑在日常走跑下占據較大比重，同時考慮到機器學習算法的普適性檢驗，遂將坡度走跑納入實驗方案中。

3.2 不同算法能耗預測準確性差異的部位效應分析

本研究結果顯示，在髖部，神經網絡模型和一般線性模型的RMSE分別為1.29 METs和1.31 METs，兩者之間的差異無統計學意義，該研究結果得到部分其他研究的支持。Montoye等（2017a）的研究顯示，在RMSE指標上髖部神經網絡模型僅比線性回歸模型高3%，差異不具統計學意義；Freedson等（2011）采用獨立樣本數據進行評估，結果顯示，兩種模型的RMSE分別為1.90 MET和2.07 METs，差值也較小。在對能量消耗（energy expenditure，EE）的預測上，研究結果也相似（Rothney et al.，2007）。而Staudenmayer等（2009）用已有模型與神經網絡模型進行比較時，結果卻顯示，神經網絡模型的RMSE為1.22 METs，大幅低于Swarts模型（1.77 METs）和Freedson模型（2.09 METs）。在該研究中，對于已有模型，采用的是完全獨立的樣本數據進行預測，這是導致其預測精度下降的主要原因。總體來看，在同類型數據樣本中進行的對比研究，神經網絡模型對髖部能耗預測的精度提高的作用有限。Freedsons等（2011）認為，建模數據中包含的活動特征信息有限是造成神經網絡模型預測精度難以大幅提高的主要原因。該解釋只是部分原因，而在非獨立樣本數據中出現，相似結果，提示，回歸模型輸入的特征指標可能在髖部這一佩戴位置已經涵蓋絕大部分的運動信息，這也可能是造成兩種算法預測精度差異不明顯的主要原因。

在腕部能耗預測中，本研究結果顯示，神經網絡模型與線性回歸模型預測準確性存在顯著性的差異，Staudenmayer等（2015）使用高頻數據得出的結果與本研究相似。目前來看，腕部線性回歸算法預測精度低已經形成共識，Montoye等（1983）、Swartz等（2000）和Chen等（2003）的研究顯示，其預測值和實測值的相關系數分別為0.36、0.18和0.70。而神經網絡模型在腕部加速度計中的預測效力逐漸得到實證支持（Montoye et al.，2015），這主要是因為手腕處的運動信息特征豐富，傳統線性回歸模型輸入指標count數值難以表征，造成信息大量流失，影響預測的精度和準確性。

目前對腿部加速度計預測準確性的研究相對較少，一項研究對比神經網絡模型和線性回歸模型結果顯示，兩個模型的RMSE相差高達0.67 METs（Montoye et al.，2017b），大大超過本研究兩模型的差距（0.204 METs），究其主要原因，可能與統計分析技術有關，該研究中線性模型使用的是已有模型，這就造成獨立樣本數據和非獨立樣本數據的錯位比較。

綜上所述，似乎存在這樣一個現象：越接近身體質心的位置，算法對加速度計預測準確性的影響就越小，或者說，佩戴部位的運動特征越豐富，算法的作用就越大，未來還需大量的實證研究對此形成概化性的結論。

3.3 算法調節佩戴部位對能耗預測準確性影響的效應分析

本研究結果顯示，線性模型在髖部、大腿和手腕部位的RMSE分別為1.31 METs、1.56 METs和1.71 METs，且兩兩之間的差異存在統計學意義。實際上，佩戴部位對線性模型影響的研究由來已久，早在20世紀初Swarts等（2000）就考量了線性回歸模型在髖部和手腕測量的準確性，結果顯示，兩個部位的加速度計預測的決策系數僅為0.317和0.033，雖然兩個部位預測差異較大，但整體都低，究其原因，主要是硬件技術限制，使用的單軸加速度計很難捕捉豐富的運動信息。Chen等（2003）的研究采用能量代謝房的測試結果作為效標檢驗髖部和手腕的回歸模型，結果顯示，實測值和預測值的相關系數分別為0.9和0.7，因其測試的均是周期性的走跑活動，所以測量的準確性也主要反映的是在走跑活動中的準確性，該研究結果與Hildebrand等（2014）對走跑活動研究的結果相似。此外，Rosenberge等（2013）的研究也表明，兩個部位能耗預測準確性存在顯著性差異。目前對腿部能耗預測的研究相對較少，Puyau等（2002）采集兒童戶外活動的數據進行分析后顯示，腿部與髖部都能準確的預測走跑為主的活動能耗，這與本研究的結果有一定的出入，其主要原因還是與活動方案的設計有關，本研究的活動方案運動特征豐富，包含了上肢運動為主的活動，這勢必會影響線性模型在腿部應用的準確性。

與線性模型部位之間的預測差異相比，神經網絡模型預測的結果截然不同。本研究結果顯示，僅髖部和手腕之間的差異存在統計學意義，且RMSE的差值也僅為0.14 METs，而大腿與髖部和手腕之間均不存在顯著性差異。Montoye等（2017a）的研究顯示，使用神經網絡模型預測時大腿和髖部之間無顯著性差異，且均顯著性低于手腕部，這與本研究結果略有差異，體現在大腿和手腕的差異性上；Strath等（2015）利用時間序列模型預測的結果顯示，髖部、踝關節和手腕的RMSE分別為1.05 METs、1.06 METs和1.03 METs，兩兩之間的差異均無顯著性，該研究各個部位的預測誤差均低于本研究，尤其是在手腕關節處；Ellis（2014）使用隨機森林算法的髖部RMSE為1.18 METs，手腕為1.29 METs，且兩者之間的差異也無統計學意義。

整體上看，機器學習算法中影響預測準確性的部位特征沒有一般線性模型明顯，線性模型不同部位之間預測準確性的差異更大，這也印證了算法能夠減少佩戴部位對加速度計測量準確性的影響，與本研究的交互效應檢驗的結果是一致的。究其原因：1）因為其充分利用原始數據，將其合成為反映原始信息的眾多指標，不像傳統的線性回歸模型，受算法限制只能將原始數據合成單一的count值，不能充分挖掘原始數據中蘊含的豐富信息；2）因為該算法具有“智能”特征，能夠自主學習，依據現有數據優化算法，充分利用數據中蘊含的豐富信息。

3.4 計算模型輸入指標的探討

線性回歸模型中輸入的指標稱為counts，通常是用單位時間內的積分值來表征，即加速度值與X軸圍成的面積，亦有研究采用SVMBrandes et al.，2012）和SVM的校正指標（Hildebrand et al.，2014），少量研究還嘗試使用過MAD指標（Bastian et al.，2015；V?h?-Ypy? et al.，2015）。對髖部加速度計的研究表明，積分值與能耗具有緊密的關聯關系。但本研究結果表明，在大腿和手腕位置，積分值并不是合適的輸入指標。未來應進一步研究是否有更為匹配相關佩戴部位的單一輸入指標，探究是否具有低多重共線性的多元回歸指標體系。

機器學習算法的輸入指標體中一類是時域指標，一類是頻域指標。時域指標因其提取簡單、含義清晰而受青睞，并且有研究認為，頻域指標適合應用于活動分類上，而在能量消耗預測上價值有限（Preece et al.，2009）。因此，本研究選擇每個軸9個時域指標，共計27個指標作為輸入指標，從預測的準確性上看，該指標群是滿足應用需要的。目前，對指標的篩選和數量的確認缺乏明確的標準，少數研究采用試湊的方法對此進行研究，Kates等（2016）認為，對于活動類型識別的任務，更多特征指標的輸入能夠提高機器學習模型的準確性；而對于能耗預測的任務，特征指標的數量對預測準確性的影響具有邊際效應，Montoye等（2015）的研究結果支持了這一結論。但上述研究對于不同指標組合的確認具有較大的主觀性，如何客觀地篩選指標是未來研究應該解決的問題。

3.5 本研究的局限

本研究中的受試者并沒有包括超重肥胖群體，年齡段也均為18～29歲年輕人，所建立的模型跨樣本的信、效度還有待后續研究；在研究方案上，所有活動均在實驗室情境下以清單的形式執行，雖然活動項目眾多，基本反映該群體日常體力活動狀況，且各強度兼而有之，但還是與日常生活的實際情況有一定出入，未來在條件允許和技術成熟的情況下，應注重在自由生活情景下進行能量準確性的考察，進一步提高方程預測的外部效度。

4 結論與建議

算法是佩戴部位對加速度計能耗預測準確性影響的調節變量，神經網絡模型可以降低佩戴部位對預測準確性產生的影響，未來應進一步加強佩戴部位算法識別和多部位通用機器學習算法模型的探討，提高加速度計應用的便利性和測量的準確性。

從能耗監測的準確性上看，3個部位中髖部是最佳的佩戴位置，其次是大腿，最后是手腕；在髖部使用線性回歸模型和神經網絡模型，在大腿應用神經網絡模型，能較準確地監測活動能耗，具有應用的價值；腕部和大腿不宜運用線性回歸模型，腕部神經網絡模型的運用應進一步探討。