基于智能手機內(nèi)置加速度傳感器的日常體力活動監(jiān)測研究

陳慶果，袁 川，陳恩格，范江江

?

基于智能手機內(nèi)置加速度傳感器的日常體力活動監(jiān)測研究

陳慶果，袁 川，陳恩格，范江江

目的：探究智能手機內(nèi)置加速度傳感器測量人體活動原始信號的處理方法，并把其輸出結(jié)果與ActiGraph進行比對，評估其準確性。方法：研究分為實驗室測試(研究1)和日常生活測試(研究2)。在研究1中，50名受測者佩戴2部紅米NOTE2、1部三星NOTE3和1個ActiGraph-GT3X完成4類10項活動，每項活動5 min，加上間歇時間全程約65 min，以其原始數(shù)據(jù)進行濾波、修正和合成，并在此基礎上分析其與ActiGraph VM的一致性及劃分體力活動強度的準確性。在研究2中，26名受試者連續(xù)攜帶ActiGraph和紅米NOTE2手機共4天(2個工作日+2個休息日)，分析兩類設備測量每日各類強度活動時間的一致性。結(jié)果：研究1中，智能手機與ActiGraph VM高度相關(ρ=0.87～0.92)；紅米NOTE2(荷包)、三星NOTE3(腰部)和紅米NOTE2(腰部)之間的相關系數(shù)分別為0.942和0.989；以ActiGraph為校標，三星NOTE3(腰部)、紅米NOTE2(荷包)和紅米NOTE2(腰部)的RMSA分別為:470.2、700.4和506.9，紅米(腰部)的測量誤差最大；手機和ActiGraph在界定各活動強度類型的準確率上差異小。研究2顯示，在每日VPA、MPA和LPA時間上，ActiGraph和手機的相關系數(shù)分別為 0.819，0.762和0.669。Bland-Altman圖顯示，VPA的平均差為-2.8 min/天,MPA為-5.2 min/天、LPA為22.5 min/天。結(jié)論： 在VM以及每日LPA、MPA與VPA時間的測量上，手機與ActiGraph的結(jié)果一致性好，兩類設備原始數(shù)據(jù)提供高度相似的信息，研究所采用的手機可以作為ActiGraph的補充應用于體力活動干預和運動健身實踐中。

體力活動;加速度傳感器;智能手機;測量

1 前言

體力活動不足是冠心病、肥胖等慢性疾病的重要致病因素之一，體力活動的監(jiān)測與干預是增強體質(zhì)、預防相關慢性病的重要手段，測量體力活動能量消耗(以下簡稱“PAEE”)的成本效益一直是相關領域的研究熱點[14]。加速度計因能相對客觀、準確、連續(xù)測量身體活動情況而備受研究者的青睞，尤其是ActiGraph系列產(chǎn)品，其測量的信效度得到了國內(nèi)、外眾多研究者的實證。在國外，Louise等[18]在實驗室環(huán)境下采用雙標水法評估GT3X(ActiGraph新一代產(chǎn)品)的準確性，其r2高達0.88，而間接測熱法的結(jié)果也表明了其測量的高準確性；在日常生活情景下的評估也得出了類似的結(jié)論[35]；在兒童群體[13,16]和老年群體[20]中的應用同樣獲得認可。因此，該設備已在北美地區(qū)廣泛應用于流行病學調(diào)查、體質(zhì)監(jiān)測和運動健康干預領域[9,10]。而在國內(nèi)，王軍利等[4]的研究也表明其有較好的測量效度，且在國內(nèi)也被廣泛應用到群體研究中。但該設備也存在著局限性，主要是價格不菲，且需要專門去佩戴，會給佩戴者增加額外的經(jīng)濟和精神上的負擔，不利于長時間大樣本的監(jiān)測和體質(zhì)健康干預。

隨著智能手機的快速普及，目前全球智能手機用戶已超過20億，其中，中國高居榜首，用戶已高達6.2億。智能手機的性能不斷完善，加速度傳感器被普遍內(nèi)置，運算速度和儲存能力不斷提升，已經(jīng)具備ActiGrph產(chǎn)品的硬件條件 ，且不會給穿戴者增加額外的負擔，被認為是一種潛在的高成本效益的體力活動捕捉設備。雖然，目前有多款智能手機軟件可監(jiān)測運動，但都主要是運用全球衛(wèi)星定位系統(tǒng)(以下簡稱“GPS”)，通過獲取運動距離、時間來計算速度，從而推算能量消耗，該方法只能在室外監(jiān)測，測量誤差大。國內(nèi)的4款APP預測值遠低于K4b2所測得的能耗值[2]，國外的研究結(jié)果也類似[40]，其在評估能量消耗上有明顯的缺陷，其主要原因是不能反映運動能耗最為敏感的垂直軸的情況以及采樣頻率受限。

目前，基于智能手機內(nèi)置加速度傳感器的體力活動研究集中，在電子信息工程領域，主要是利用神經(jīng)網(wǎng)絡模型進行動作類型的識別[26，32]，還缺乏對能耗測量的系統(tǒng)研究。雖然，目前對運動能耗監(jiān)測儀(加速度計)測量準確性的評估研究眾多，各種基于COUNT數(shù)值的能耗推算模型常見于各報告中，但原始加速度信號的過濾、修正以及COUNT的算法，仍然是各品牌的商業(yè)機密，面對同一活動，各品牌的COUNT差異在300～3 000之間[10]，故無法直接將加速度計的成果應用到智能手機上。因此，有必要探討手機加速度信號的處理以及COUNT數(shù)值的算法，并與測量準確性得到公認的ActiGraph-GT3X(以下簡稱“ActiGraph”)的COUNT結(jié)果和體力活動能耗分類表進行比較，對其在實驗室情景和自然生活情景下測量的準確性進行初步的研究，探討不同佩戴部位、不同型號手機測量的一致性，以期為相關后續(xù)研究提供基礎與依據(jù)。

2 研究對象與方法

為了更為全面地研究智能手機的體力活動測量，本研究共分為兩個部分。第1部分測試在實驗室內(nèi)進行，每個受試者需完成規(guī)定的各項體力活動，每個活動5 min，總計持續(xù)時間約為70 min，測試中每個受試者需佩戴3部智能手機和1個ActiGraph；第2部分測試則在自由生活狀態(tài)下進行，受試者在連續(xù)4天時間里(2個休息日+2個工作日)攜帶1個紅米NOTE2手機和1個ActiGraph。

2.1 研究1：實驗室測試

2.1.1 測試對象

受試者為50名在校大學生(男生25名，女生25名)，所有人員身體健康，上、下肢均無疾病史，且其在測試前1天無大強度的體力活動，測試前簽署知情同意書，正式測試在餐后1 h后進行。

2.1.2 測量儀器

選擇2部紅米NOTE2和1部三星NOTE3手機作為測試手機，其內(nèi)置加速度傳感器參數(shù)見表2,這樣既能夠進行相同手機(2部紅米NOTE2)不同佩戴部位之間的比較，又能夠?qū)ν慌宕鞑课?腰部)的不同型號手機進行比較。

本研究自編加速度傳感器原始數(shù)據(jù)采集軟件，該軟件能夠設置采樣頻率，同時記錄3個軸的加速度原始數(shù)據(jù)并以CSV格式保存在手機中。測試時，將1部紅米NOTE2置于受試者左側(cè)荷包處；1部三星NOTE3和1部紅米NOTE2重疊放置，通過自制彈性腰帶固定于受試者左側(cè)髖部。本次測試將三星NOTE3手機的采樣頻率設為50 Hz，紅米NOTE2手機為75 Hz。測試后，將原始數(shù)據(jù)下載歸檔，利用MATLAB軟件和SPSS軟件進行后期處理。

使用美國產(chǎn)ActiGraph加速度計同步監(jiān)測受試者體力活動情況，該設備重量0.27 g,內(nèi)存16 MB，采樣范圍為0.25～2.5 g,其測量的信效度已被國內(nèi)外大量研究所證實，并且被廣泛應用，因此，把其測量結(jié)果作為參照標準。測試中統(tǒng)一將ActiGraph用彈性腰帶固定在受試者右側(cè)髖部、肚臍水平的高度、ActiGraph的重置及后期數(shù)據(jù)處理等工作在配套的Actilife 6.0軟件中進行。

表 1 研究1受試者人體測量特征Table 1 The Anthropometry Characteristics of Participant (n=50)

表 2 本研究手機內(nèi)置加速度傳感器技術(shù)參數(shù)Table 2 Parameters of Built in Acceleration Sensor from Smart Phone

2.1.3 測試方案

提前2天與受試者預約測試時間并告知著裝、飲食等相關注意事項；測試當天使用恒康家業(yè)HK-600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。

正式測試時受試者需依次完成4類10項活動，分別為：靜止類(靜坐、原地站立、電腦打字)、生活方式類(掃地、整理書桌)、騎行類(功率車70 rpm、功率車100 rpm)和走跑類(慢走2.5 mph、快走4 mph、慢跑5 mph)，每項活動時間為5 min，各項活動之間間隔時間依據(jù)心率恢復情況而定(1～5 min)，每項活動取其中第2～4 min的數(shù)據(jù)進行分析[12]，前3類測試在實驗室內(nèi)布置的生活情景中進行(圖1)。靜坐和站立時，受試者自我選擇舒適的坐姿和站姿，身體放松。打字時，受試者要將預設好的紙質(zhì)文檔上的內(nèi)容轉(zhuǎn)變?yōu)殡娮游臋n，打字速度自行控制。掃地時，工作人員事先將碎紙屑撒在地面上，受試者模擬平時掃地的狀態(tài)進行清掃。整理書桌時，工作人員把70本編好號的書籍完全打亂后平鋪在2.4 m×1.0 m的條桌上，受試者需按照編號重新將書歸置好。功率車使用Ergometer 900,功率為：男性，受試者體重×0.980；女性，受試者體重×0.784[30]。

圖 1 靜止類、生活方式類、騎行類測試項目測試場地示意圖Figure 1. the Test Scenarios of First Three Categories

走跑測試在標準400 m跑道上進行(圖2)，每 5 m放置一個標志桶。測試時播放相應的音頻，節(jié)拍每響一次受試者走(跑)完5 m，速度根據(jù)節(jié)拍和標志物進行調(diào)整，受試者在正式測試前會在工作人員的示范下熟悉節(jié)拍和速度。正式測試時，有工作人員騎行陪同對受試者進行實時提醒。

圖 2 走跑類項目測試場地圖Figure 2. the Test Scenarios of Walking and Jogging

2.1.4 數(shù)據(jù)處理與統(tǒng)計分析

對手機加速度信號處理采用MATLAB 7.0編程計算，首先，對每個軸的原始加速度信號進行傅立葉變化(FFT)決定其帶通頻率，利用二階巴特沃茲帶通濾波器濾波后進行修正(去趨勢)處理，其后計算每分鐘積分數(shù)(Activity count,以下簡稱“AC”)，最后將3個軸的AC合成總的矢量計數(shù)值(以下簡稱“VM”)，數(shù)據(jù)處理過程見3.1.1。

由于合成VM的前期原始數(shù)據(jù)預處理和計算公式的差異，ActiGraph與智能手機在VM數(shù)值上有較大差異，不適宜采用ICC反映各手機與ActiGraph之間的一致性，又鑒于數(shù)據(jù)分布非正態(tài)，故采用Spearman等級相關反映一致性，判斷標準為:0～0.19為微弱相關、0.2～0.39低度相關、0.4～0.59中度相關、0.6～0.79為顯著相關和0.8～1.0為高度相關[23]。本研究中智能手機與ActiGraph之間模型的建構(gòu)與測量效度的判斷采用留一交叉驗證法，將每一個樣本作為測試樣本，其他n-1個樣本作為訓練樣本，得到n個測試結(jié)果、用n個結(jié)果的平均值來建構(gòu)模型和衡量模型的性能。同時將向劍峰等[5]建立的ActiGraph的矢量計數(shù)臨界點轉(zhuǎn)換為各個智能手機的臨界點，然后把各類活動歸類為小強度體力活動(LPA)、中等強度體力活動(MPA)和大強度體力活動(VPA)，與依據(jù)體力活動能量消耗編碼表[6]得到的強度分類進行比對，判斷其歸類的準確性。統(tǒng)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。

2.2 研究2：日常生活測試

2.2.1 測試對象

受試者為26名在校大學生(男生13名，女生13名)，均身體健康，其在測試前接受相關設備的操作使用培訓，明確設備的穿戴規(guī)范，掌握手機軟件的使用。

表 3 研究2受試者人體測量特征

年齡(歲)身高(cm)體重(kg)男性22．6±1．8175．3±7．767．5±7．5女性22．1±2．7164．7±3．051．4±3．8

2.2.2 測試方案

測試前對所有受試者進行培訓。正式測試時，受試者右側(cè)腰部佩戴ActiGraph(佩戴要求同測試1)，上衣靠近腹部的荷包放置紅米NOTE2智能手機，連續(xù)佩戴4天(2個工作日+2個休息日，睡眠外其他時間均需佩戴)，測試期間每天上午8：00鬧鐘提醒佩戴。智能手機采樣頻率調(diào)為30 Hz,與ActiGraph采樣頻率一致。

2.2.3 數(shù)據(jù)處理與統(tǒng)計分析

測試后把手機和ActiGraph數(shù)據(jù)下載進行數(shù)據(jù)篩查，每小時中如出現(xiàn)連續(xù)60個零值數(shù)據(jù)則視為無效，每天有效時間不足10 h視為無效天數(shù)， 無效天數(shù)的數(shù)據(jù)不進入到數(shù)據(jù)分析程序。

采用MATLAB 7.0對手機數(shù)據(jù)計算合成每分鐘COUNT數(shù)值，采用Actlife 6.0將ActiGraph測得的原始數(shù)據(jù)轉(zhuǎn)換為以“1 min”為采樣時間的數(shù)據(jù)，利用手機強度界值和加速度強度界值分別對各自儀器測得的活動進行強度分類，最后計算出各設備每日中各類強度活動總時間。利用SPSS 22.0中的斯皮爾曼相關來分析手機和ActiGraph測量的各類強度活動總時間一致性，使用Bland-Altman法比較每日中手機測量和ActiGraph測量之間的差異。

3 研究結(jié)果

3.1 實驗室測試結(jié)果

3.1.1 智能手機加速度信號處理和數(shù)據(jù)合成

智能手機信號處理包括濾波、修正和數(shù)據(jù)合成3個環(huán)節(jié)。

1.濾波

濾波(Wave filtering)是將信號中期望頻段信號保留，將其他頻段噪聲和干擾及特定波段頻率濾除的操作，是抑制和防止干擾的一項重要措施。首先，采用傅立葉轉(zhuǎn)換(FFT)技術(shù)將加速度時域信號轉(zhuǎn)變?yōu)轭l譜信號，根據(jù)波峰觀察主要頻率，同時結(jié)合先驗知識確定加速度信號所處頻率確定帶通濾波器的濾波頻段，圖3表明，3臺手機X、Y、Z 3個數(shù)軸主頻率基本都在10 Hz以內(nèi)，同時考慮到一般傳感器都有直流漂移，直流分量較大，并且為抑制壓電傳感器老化和溫度變化等低頻信號的干擾，將帶通頻率設計為0.2～10 Hz，參考孫泊等[3]的研究實踐和具體的數(shù)據(jù)特征，采樣采用二階巴特沃茲帶通濾波器對X、Y、Z 3軸的原始加速度數(shù)據(jù)進行濾波。

圖 3 智能手機內(nèi)置加速度傳感器運動頻譜分析圖Figure 3. Spectrum Analysis on Movement Signal of Built-in Acceleration Sensor

2.數(shù)據(jù)的修正

為了去除重力趨勢的作用，同時考慮手機攜帶的固定問題——重力會產(chǎn)生分量影響各軸，因此，同時對3個軸過濾后的加速度數(shù)據(jù)進行去趨勢處理以消除重力分量的影響[31],公式為：Xt′=Xt-Xt-5-t，處理前、后對比見圖4。

圖 4 加速度信號去趨勢前、后對比圖Figure 4. Before after Comparison on Detrendency of Acceleration Signal

3.數(shù)據(jù)的合成

加速度傳感器會產(chǎn)生海量數(shù)據(jù)，數(shù)據(jù)的合成也就是AC的計算必不可少，常用的計算指標有單位時間以內(nèi)的積分值、信號峰值和閾值計數(shù)等。但目前最為常用的是計算積分值。鑒于絕大部分加速度傳感器的原始信號均是雙向的，原始數(shù)據(jù)有正負，因此，先取絕對值后再計算積分。

由于在實際生活中手機通常被放置在荷包里面，固定條件不如能耗儀，傳感器的運動軸與實際運動情況不能有效匹配，同時重力的分量往往對各軸均有影響。因此，不能采用單一軸的AC數(shù)值表征活動情況，需對3軸的數(shù)據(jù)進行合成矢量計數(shù)(VM)：

3.1.2 各設備測量活動的矢量計數(shù)的相關性分析

表4的結(jié)果表明，加速度VM和3部手機VM之間在不同項目上的變化趨勢基本一致。在VM算法相同的3個手機中，紅米NOTE2(荷包)在所有活動中VM均高于其他兩部手機，通過配對樣本t檢驗表明差異均具有非常顯著性；而紅米NOTE2(腰部)和三星NOTE3(腰部)之間的VM差異均不具有統(tǒng)計學意義。斯皮爾曼相關檢驗的結(jié)果表明(表5)，在ActiGraph和3個智能手機之間存在著高度相關(ρ=0.872～0.927);紅米NOTE2(荷包)、三星NOTE3(腰部)和紅米NOTE2(腰部)之間的相關系數(shù)分別為0.946和0.989，也均屬于高度相關。

表 4 活動矢量計數(shù)的描述性統(tǒng)計Table 4 Descriptive Statistics of Movement VM

表 5 各設備測量的矢量計數(shù)值相關性Table 5 Correlations of Raw ActiGraph and Raw Phone

注：*代表高度顯著性水平。

3.1.3 以ActiGraph為校標的3部智能手機交叉驗證結(jié)果

通過留一法交叉驗證的方法分別建立三星NOTE3(腰部)、紅米NOTE2(荷包)、紅米NOTE2(腰部)與ActiGraph的回歸方程，其具體過程為將每一個樣本作為測試樣本，其他49個樣本作為訓練樣本，得到50個測試結(jié)果、用50個結(jié)果的平均值來建構(gòu)模型和衡量模型的性能。其實際值與預測值之間的平均差值分別為267.7、383.2和279.0，RMSE分別為470.2、700.4和506.9(圖5)，ActiGraph VM的預測準確性中三星NOTE3(腰部)最高，其次是紅米NOTE2(腰部)和紅米NOTE2(荷包)，表明智能手機的型號對預測準確性的影響要小于佩戴部位的影響。

圖 5 不同智能手機預測ActiGraph的 矢量計數(shù)值準確性比較(實驗室測試)柱狀圖Figure 5. Comparison of Predictive Accuracy of Different Smart Phone

在留一法交叉驗證構(gòu)建的回歸模型中，非標準化回歸系數(shù)和截距為留一法交叉驗證中所有模型的平均值，在此基礎上輸入ActiGraph的強度界值(小強度為2 505，大強度為5 905)推算各個智能手機的VM界值。

3.1.4 各設備對體力活動強度分類的正確率

依據(jù)表6的界值將各類型的活動分為小強度體力活動、中等強度體力活動和大強度體力活動。同時使用3METs、6METs的分類標準，依據(jù)2010版體力活動能量消耗編碼表中的MET值，將本測試中各類活動也分為低、中、高 3種類型，以此分類結(jié)果為標準判斷手機分類的準確性。由表7可知，對于靜息類的活動，手機歸類的準確性幾乎為100%，而對于自行車騎行，除紅米NOTE2(荷包)手機外，其他兩部手機的歸類準確性為0%,但同時ActiGraph的歸類準確性也為0%。在掃地活動上，ActiGraph準確率高出3部手機30.3%～37.3%，但整體的準確率較低。而在慢走和快走活動中，ActiGraph略高于其他3部智能手機，且所有設備分類準確率均高于90%(表7)。

表 6 智能手機回歸模型及各強度切點值Table 6 Regression Equations and Cut-points for Each Intensity Level of Physical Activity

注：截距和非標準化回歸系數(shù)為留一法交叉驗證中所有模型的平均值。

表 7 各設備對活動強度分類的正確率Table 7 Correct Classification of Activity Intensity Level for Each Device(%)

3.2 日常生活測試結(jié)果

通過對數(shù)據(jù)進行整理后獲取有效天數(shù)89天，將其納入統(tǒng)計分析中。由表8可知，在每日大強度體力活動時間的測量上，智能手機和ActiGraph結(jié)果之間高度相關(VPA：ρ=0.819,P=0.000;MPA：)，在中等強度和小強度上，兩者之間顯著相關(ρ=0.762,P=0.000；LPA：ρ=0.665,P=0.000)。

表 8 各強度等級活動時間上ActiGraph與紅米NOTE2(荷包)的相關性(日常生活)Table 8 Spearman Correlations between ActiGraph and HongMi Smart Phone(pocket) on the Minutes of Each Intensity Level

圖 6 每天大強度體力活動時間一致性評價的 Bland-Altman圖(ActiGraph和智能手機)Figure 6. Bland-Altman Plot Comparing Estimated Minutes of VPA Per day between the Phone and ActiGraph(free-living study)

圖 7 每天中等強度體力活動時間一致性評價的 Bland-Altman圖(ActiGraph和智能手機)Figure 7. Bland-Altman Plot Comparing Estimated Minutes of MPA Per day between the Phone and ActiGraph(free-living study)

圖 8 每天小強度體力活動時間一致性評價的 Bland-Altman圖(ActiGraph和智能手機)Figure 8. Bland-Altman Plot Comparing Estimated Minutes of LPA Per day between the Phone and ActiGraph(free-living study)

4 分析討論

4.1 不同佩戴部位測量結(jié)果的分析

本研究顯示，無論智能手機被置于髖部還是荷包中其測量結(jié)果均可接受，表明相同的手機佩戴在上衣荷包和腰部對VM測量結(jié)果的影響有限，其中主要的原因可能是：

1)佩戴部位都能夠代表身體的質(zhì)心部位；2)本研究使用VM代表COUNT，而不是3軸加速度計中某1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，這與侯倉健等[1]在活動識別研究中的處理方式類似。本研究的結(jié)果與Jones等[17]和Welk等[38]的研究結(jié)果相似，其研究認為，放置位置對單軸加速度計的輸出結(jié)果有明顯影響，對多軸加速度計無顯著影響。但在此基礎上，Powell等對此問題進行了進一步探究，結(jié)果表明，在小強度活動中，佩戴部位對加速度計輸出的COUNT值無影響，但在大強度活動中影響逐漸增加。本研究的結(jié)果表明，智能手機可以根據(jù)使用者的習慣用專用腰帶置于腰間，或者放置在上衣荷包里。放在荷包中，更符合普通人的佩戴習慣，有助于長時間進行活動數(shù)據(jù)采集。未來的研究中需要進一步豐富佩戴的部位，比如是跑步愛好者喜歡將手機綁置在上臂處或者將智能手環(huán)(例如Fitbit，Jawbone)佩戴在手腕位置，同時應進一步探討不同測量部位結(jié)果差異是否主要來自大強度體力活動。

4.2 不同設備測量結(jié)果的分析

本研究中佩戴在腰部的紅米NOTE2、三星NOTE3手機均與ActiGraph測量結(jié)果高度相關，這不僅表明不同設備的原始信號提供高度相似的信息，還提示基于ActiGraph的體力活動強度分類以及能耗計算模型等同樣適用于智能手機，并且能夠獲取相似的測量結(jié)果；目前，ActiGraph軟件中自帶有8個能耗推算公式，以后這些方程的建構(gòu)方法和適用條件均可嫁接到后期智能手機能耗評測的研究上。本研究選擇的紅米NOTE2屬于低價位手機，其傳感器和其他硬件的性能水平屬于中低端，雖然本研究顯示，在相同佩戴部位下其測量結(jié)果與三星NOTE3手機具有高度一致性，但并不能得出普適性的結(jié)論。在未來的研究中還應將更多價位、更多配置水平的手機納入到評測中，為結(jié)論的概化提供依據(jù)。

4.3 體力活動類型劃分方法的分析

本研究采用強度切點的方法劃分體力活動，而不是最新的基于神經(jīng)網(wǎng)絡或者機器學習的活動類型識別法[21、29]，雖然前者在測量準確性上并無優(yōu)勢，但卻在體力活動與健康量-效關系的研究中廣泛應用[8]，并且在國內(nèi)、外的體力活動指南中均強調(diào)活動的強度，而不是活動的類型[27]。采用強度劃分的方法更具有實用性，其不僅可以直接與各體力活動指南相對應，而且還能主動匹配國內(nèi)、外的相關研究。本研究的結(jié)果顯示，在小強度體力活動、中等強度體力活動和大強度體力活動時間的估算上，手機和ActiGraph具有一致性，而后者測量的各強度體力活動時間與健康效應之間的聯(lián)系已經(jīng)得到大量流行病學研究的實證支持，表明，手機也同樣可以應用到流行病學的研究和運動與健康干預實踐中。同時，手機測量無需在精力和費用上增加佩戴者的額外負擔，并且數(shù)據(jù)能夠進行遠程實時的交互傳遞，更利于大量人群體力活動監(jiān)控和干預。

4.4 手機加速度傳感器采樣頻率設置和濾波分析

本研究手機的采樣頻率的設置主要考慮運動信息的捕捉，根據(jù)Nyquist標準[37]采樣頻率必須為人體運動各部位最大頻率的兩倍，如該標準不滿足則快速運動的信息無法準確采集。Welk等[39]的研究表明，身體的加速度信號一般低于10 Hz；在人體質(zhì)心處的日常體力活動運動頻率在0.3～3.5 Hz之間。然而，遠離身體質(zhì)心的上肢在特定運動中頻率高達25 Hz，而腳跟落地跑步時足部的頻率瞬時峰值可達60 Hz。一般來說，人體軀干的運動信息采集不低于30 Hz,但當用于步態(tài)研究、跑步峰值加速度監(jiān)測等時采樣頻率應該更高[24]。

濾波過程中有效帶通頻率的設置，可以降低傳感器老化或者漂移產(chǎn)生的低頻(小于0.1 Hz)影響，減弱電子或電器等高頻噪音(大于60 Hz),從而使得輸出的信號更接近于人體真正的運動信號。帶通太寬時，與運動無關的噪音(例如溫度漂移、駕駛機動車干擾等)難以有效去除，而帶通太窄時真正的運動信號又會被遺漏。目前，運動能耗檢測儀的帶通濾波頻率一般在0.25～7 Hz之間[34]，本研究根據(jù)FFT頻譜分析結(jié)果，結(jié)合先驗知識確定手機的帶通頻率為0.2～10 Hz之間。而在該帶通頻段下，是否也存在像部分能耗儀那樣的小強度不敏感[33]和極大強度容易出現(xiàn)“平臺”[7，22]的問題，需要后續(xù)研究深入探討。

4.5 加速度傳感器原始數(shù)據(jù)的合成和提取

人體能耗監(jiān)測儀輸出的數(shù)值并不是每個軸的加速度具體數(shù)值，而是熟知的COUNT值，實為原始信號時域特征的提取，并沒有生物學上的實際含義。而不同品牌能耗監(jiān)測儀提取的時域特征也不盡相同，總結(jié)起來共分為：1)閾值計數(shù)單位時間超過某一數(shù)值的次數(shù)[14]；2)單位時間加速度信號峰值[36]；3)單位時間加速度積分值[19]，而加速度積分的應用最為廣泛，本研究沿用此指標。但即使采用加速度積分這一指標，不同品牌能耗儀納入計算的運動軸也不同，有的只采用ACZ的數(shù)據(jù)合成COUNT值來預測走跑時的能耗，有的利用ACZ和ACH合成VM。Midorikawa等認為，VM可以全面地反映體力活動中身體的活動情況[25]，并且在智能手機的數(shù)據(jù)處理中取3個軸的VM可以解決因為設備放置方式不同而造成的信號差異問題[28]。因此，在放置條件的不確定性較大的情況下，智能手機數(shù)據(jù)的合成不應取單一數(shù)軸的值來表征整個活動情況。

4.6 本研究的局限

本研究以ActiGraph為校標，盡管該設備測量的準確性已得到大量實證研究的支持，但其測量結(jié)果并非“金標準”。因此，在本研究中不能根據(jù)B-A圖差值的置信區(qū)間簡單地判斷誤差的來源來自智能手機，更不能說明智能手機測量能量消耗的誤差究竟有多大。未來的研究應該以間接測熱法的結(jié)果為基礎建構(gòu)相關能耗模型直接評測其測量的誤差。

本研究的另外一個不足之處是對手機在荷包中的固定條件進行了限定，要求受試者將手機放置在右側(cè)腰部的荷包中，并且該荷包的大小適中，能夠固定手機避免產(chǎn)生過大的相對運動，而這有悖于一般使用者的使用習慣。因此，在未來研究中，應該進一步探究不同固定條件，不同放置位置對智能手機VM的影響，探究智能手機在運動能耗監(jiān)測中的使用條件，為其普及應用提供依據(jù)。

5 結(jié)論

本研究顯示，在VM值以及每日小強度、中等強度與大強度體力活動時間的測量上，兩款智能手機與ActiGraph的結(jié)果高度一致，并且手機型號和佩戴部位對測量的影響有限，這表明，本研究所選用品牌和型號的智能手機可以作為ActiGraph的替代品用于體力活動干預和流行病學的研究中。未來應進一步豐富智能手機佩戴部位和手機品牌的評測，并在此基礎上進一步建構(gòu)基于智能手機COUNT值的能耗模型。

[1]侯倉健,陳嶺,呂明琪,等.基于加速度傳感器的放置方式和位置無關運動識別[J].計算機科學,2014,41(10):76-79.

[2]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):55-58.

[3]孫泊,劉宇,莊濤,等.基于腰部加速度計的行走能耗建模實驗研究[J].體育科學,2013,(4):36-41.

[4]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):71-77.

[5]向劍鋒,李之俊.應用ActiGraph三軸加速度傳感器矢量計數(shù)監(jiān)測日常體力活動的研究[J].體育科學,2013,33(11)：75-83.

[6]AINSWORTH B,EHASKELL W L,HERRMANN S D.Compendium of phsycial actcvity[EB/OB].[2016-4-5].http://sites.google.com/site/compendiumofphysicalactivities.

[7]BRAGE S,WEDDERKOPP N,FRANKS P W,etal.Reexamination of validity and reliability of the CSA monitor in walking and running[J].Med Sci Sports Exe,2003,35(8):1447-1454.

[8]BUMAN M P,HEKLER E B,HASKELL W L,etal.Objective light-intensity physical activity associations with rated health in older adults[J].Am J Epidemiol,2010,172(10):1155-1165.

[9]COPELAND J L,ESLIGER D W.Accelerometer assessment of physical activity in active,healthy older adults[J].Aging Phys Act,2009,17(1):17-30.

[10]CRAEMER M,DE DECKER E,SANTOS-LOZANO A,etal.Validity of the Omron pedometer and the actiraph step count function in preschoolers[J].J Sci Med Sport,2015,18(3):289-293.

[11]FREEDSON P,BOWLES H R,TROIANO R,etal.Assessment of physical activity using wearable monitors:recommendations for monitor calibration and use in the field[J].Med Sci Sports Exe,2012,44(1):1-4.

[12]FREEDSON P S,MELANSON E,SIRARD J.Calibration of the computer science and applications,Inc.accelerometer[J].Med Sci Sports Exe,1998,30(5):777-781.

[13]HANGGI J M,PHILLIPS L R S,ROWLANDS A V.Validation of the ACTIGRAPH in children and comparison with the GT1M ActiGraph[J].J Sci Med Sport,2013,16(1):40-44.

[14]HEINZ E A,KUNZE K S,SULISTVO S,etal.Experimental Evaluation of Variations in Primary Features Used for Accelerometric Context Recognition[M].Ambient Intelligence.Springer Berlin Heidelberg,2003:252-263.

[15]HEKLER E B,KLASNIJA P,TRAVER V,etal.Realizing effective behavioral management of health:The metamorphosis of behavioral science methods[J].Pulse,IEEE,2013,4(5):29-34.

[16]JANSSEN X,CLIFF D P,REILLY J J,etal.Predictive validity and classification accuracy of ActiGraph energy expenditure equations and cut-points in young children[J].PloS one,2013,8(11):e79124.

[17]JONES S L,WOOD K,THOMPSON R,etal.Effect of monitor placement on output from three different accelerometers[J].Med Sci Sports Exe,1999,31(5):S142.

[18]KELLY L A,MCMILLAN D G E,ANDERSON A,etal.Validity of actigraphs uniaxial and triaxial accelerometers for assessment of physical activity in adults in laboratory conditions[J].BMC Medical Physics,2013,13(1):5.DOI:10.1186/1756-6649-13-5..

[19]KIANI K,SNIJDERA C J,GELSEMA E S.Computerized analysis of daily life motor activity for ambulatory monitoring[J].Technol Health Care,1997,5(4):307-318.

[20]KOCHERSBERGER G,MCCONNELL E,KUCHIBHATLA M N,etal.The reliability,validity,and stability of a measure of physical activity in the elderly[J].Arch Phys Med Rehab,1996,77(8):793-795.

[21]LAU S L,DAVID K.Movement recognition using the accelerometer in smartphones[C]//Future Network and Mobile Summit,2010,IEEE,2010:1-9.

[22]LEVINE J A,BAUKOL P A,WESTERP K P.Validation of the Tracmor triaxial accelerometer system for walking[J].Med Sci Sports Exe,2001,33(9):1593-1597.

[23]MARTELLA R C,NELSON J R,MORGAN R L,etal.Understanding and Interpreting Educational Research[M].Guilford Press,2013:166.

[24]MATHIE M J,COSTER A C F,LOVELL N H,etal.Accelerometry:providing an integrated,practical method for long-term,ambulatory monitoring of human movement[J].Physiolo Meas,2004,25(2):R1.

[25]MIDORIKAWA T,TANAKA S,KANEKO K,etal.Evaluation of low-intensity physical activity by triaxial accelerometry[J].Obesity,2007,15(12):3031-3038.

[26]MORILLO L M S,GONZALEZ-ABRIL L,RAMIREZ J A O,etal.Low energy physical activity recognition system on smartphones[J].Sensors,2015,15(3):5163-5196.

[27]PHYSICAL ACTIVITY GUIDELINES ADVISORY COMMITTEE.Physical activity guidelines advisory committee report,2008[R].Washington,DC:US Department of Health and Human Services,2008:A1-H14.

[28]RAVI N,DANDEKAR N,MYSORE P,etal.Activity recognition from accelerometer data[C]//AAAI,2005: 1541-1546.

[29]SAPONAS T,LESTER J,FROEHLICH J,etal.ilearn on the iphone:Real-time human activity classification on commodity mobile phones[J].University of Washington CSE Tech Report UW-CSE-08-04-02,2008:1-4.

[30]SCJNELLER M B,PEDERSEN M T,GUPTA N,etal.Validation of five minimally obstructive methods to estimate physical activity energy expenditure in young adults in semi-standardized settings[J].Sensors,2015,15(3),6133-6151.

[31]]SEKINE M,TAMURA T.etal.Classification of acceleration waveform in a continuous walking record[A].Engineering in Medicine and Biology Society,In 20th Annual,1998,3:1523-1526.

[32]SHOAIB M,BOSCH S,LNCEL O D,etal.Fusion of smartphone motion sensors for physical activity recognition[J].Sensors,2014,14(6):10146-10176.

[33]SWARTZ A M,STRATH S J,BASSETT D R,etal.Estimation of energy expenditure using CSA accelerometers at hip and wrist sites[J].Med Sci Sports Exe,2000,32(Suppl):450-456.

[34]UITERWAAL M,GLERUM E B C,BUSSER H J,etal.Ambulatory monitoring of physical activity in working situations,a validation study[J].J Med Eng Technol,1998,22(4):168-172.

[35]VANHELST J,MILULOVIC J,BUI-XUAN G,etal.Comparison of two ActiGraph accelerometer generations in the assessment of physical activity in free living conditions[J].BMC Res Notes,2012,5(1):187.

[36]VAN L 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):142-149.

[37]VELHO L,FRERY A,GOMES J.Signal Theory[M].Image Processing for Computer Graphics and Vision:London Springer,2009:13-55.

[38]WELK G J.Principles of design and analyses for the calibration of accelerometry-based activity monitors[J].Med Sci Sports Exe,2005,37(11 Suppl):501-511.

[39]WELK G J.Use of accelerometry-based activity monitors to assess physical activity[J].Phys Activi Assessments Health-related Res,2002:125-141.

[40]ZANDBERGEN P A,BARBEAU S J.Positional accuracy of assisted gps data from high-sensitivity gps-enabled mobile phones[J].J Navigation,2011,64(3):381-399.

Assessment of Daily Physical Activity Using Built in Accelerometer of Smart Phone

CHEN Qing-guo,YUAN Chuan,CHEN En-ge,FAN Jiang-jiang

Objective:In order to make a foundation for future work,the purpose of this work was to explore the processing approach on original signal from built-in accelerometer of smart phone,compare its output to ActiGraph’s,and make a assessment on its accuracy.Methods:A laboratory(study 1) and a free-living(study 2) protocol were conducted.In study 1,50 participants engaged in prescribed activities including 10 items of 4 categories over a 65-minutes period wearing simultaneously wore two Redmi note2,one Sumsung note3 and ActiGraph-GT3X.Based on raw signal being filtered,modified and synthesized,this research make a analysis on consistency between each devices and their classification accuracy on intensity of physical activity.In Study 2,26 participants wored ActiGraph and Redmi NOTE2 during 4 days(2 days+2 rest days),which its data is used to analyzed on consistency of result on time per day of each intensity level of physical activity.Result:In study 1,correlations between the ActiGraph and the 3 phones were very strong(ρ=0.87～0.92).The correlation coefficient between Redmi(pocket),Sumsung(waist),between Redmi(waist) were Respectively 0.942 and 0.989; Regarded output of ActiGraph as standard,Samsung(waist),Redmi(pocket) and Redmi(waist) of RMSA were 470.2,700.4 and 506.9,measurement error from Redmi(waist) was largest;The differences between 3 phones and ActiGraph on defining accuracy of each type of activity intensity was small.Within the study 2,results suggested on daily time of VPA,MPA and LPA,the correlation coefficient were respectively 0.819.0.762 and 0.669.Results from Bland-Altman plots suggested close mean absolute estimates of VPA(mean difference=-2.8 min),MPA(mean difference=-5.2 min) and VPA(mean difference=-22.5 min).Conclusion:On VM and daily LPA,MPA and VPA time,consistency between phones and ActiGraph was good,which infer that two devices can provide similar information from raw signals,and that phones used in this research can provide an acceptable alternative to an ActiGraph for being applied to intervention for physical activity and research on Epidemiology.

physicalactivity;accelerometer;smartphone;assessment

1002-9826(2016)06-0128-09

10.16470/j.csst.201606020

2016-05-09；

2016-07-27

“十二五”國家科技支撐計劃資助項目(2012BAK-21B00)；四川師范大學實驗技術(shù)與管理重點項目(SYJS2015-09)。

陳慶果(1981-)，男，四川瀘州人，副教授，博士，碩士研究生導師，主要研究方向為體質(zhì)測量與評價，E-mail：79311530@qq.com；袁川(1993-)，男，湖南株洲人，在讀碩士研究生，主要研究方向為體質(zhì)測量與評價，E-mail：251123523@qq.com。

四川師范大學 體育學院，四川 成都 610066 Sichuan Normal University,Chengdu 610066，China.

G804.6

A