佩戴部位對(duì)加速度計(jì)能耗監(jiān)測(cè)準(zhǔn)確性的影響：算法的調(diào)節(jié)效應(yīng)

陳慶果，李 翔

《“健康中國2030”規(guī)劃綱要》的實(shí)施和全民健身上升為國家戰(zhàn)略把科學(xué)健身提到了新的高度，隨著“互聯(lián)網(wǎng)+”和大數(shù)據(jù)熱潮的到來，運(yùn)動(dòng)類可穿戴設(shè)備呈井噴式的出現(xiàn)，各種品牌、各種型號(hào)的運(yùn)動(dòng)手環(huán)、運(yùn)動(dòng)手表和運(yùn)動(dòng)能耗監(jiān)測(cè)儀層出不窮。但從體力活動(dòng)測(cè)量的原理上看，這些儀器大部分都屬于加速度計(jì)范疇，均是利用加速度傳感器捕捉的客觀原始加速度數(shù)據(jù)來監(jiān)測(cè)運(yùn)動(dòng)狀況。

在學(xué)界，加速度計(jì)能耗監(jiān)測(cè)的研究由來已久，早在20世紀(jì)80年代初，Montoye等（1983）和Wong等（1981）就進(jìn)行了一系列開創(chuàng)性的研究，把原始數(shù)據(jù)合成count值，再將其代入回歸方程建立計(jì)算模型，成為能耗預(yù)測(cè)領(lǐng)域的經(jīng)典算法。后來不斷有學(xué)者通過豐富建模數(shù)據(jù)特征、完善count指標(biāo)體系和利用硬件提升效益等手段不斷優(yōu)化回歸模型。近年來，隨著機(jī)器學(xué)習(xí)算法的興起，為了充分挖掘原始數(shù)據(jù)蘊(yùn)含的豐富信息提高預(yù)測(cè)的準(zhǔn)確性，不斷有學(xué)者將不同的機(jī)器學(xué)習(xí)算法引入到能耗預(yù)測(cè)中，Staudenmayer等（2009，2015）先后將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到髖部加速度計(jì) 和腕部加速度計(jì)中，研究結(jié)果均表明，機(jī)器學(xué)習(xí)算法在非周期性活動(dòng)的準(zhǔn)確性上明顯優(yōu)于傳統(tǒng)的以count值為基礎(chǔ)的線性模型，Rothney等（2007）和Trost等（2012）針對(duì)髖部加速度計(jì)的研究也得出相似的結(jié)論。但在此領(lǐng)域的研究中，鮮見對(duì)不同部位之間兩類算法差異的系統(tǒng)比較，缺少對(duì)算法效應(yīng)的整體考量。

針對(duì)不同佩戴部位的現(xiàn)有研究也存在同樣的不足，例如，在線性回歸預(yù)測(cè)能耗的相關(guān)研究中，髖部因其靠近身體的質(zhì)心而被視為理想的佩戴位置，部分研究結(jié)果顯示，相比大腿和腕部，髖部線性模型的預(yù)測(cè)精度顯著提高（Preece et al.，2016），但仍然沒法準(zhǔn)確的預(yù)測(cè)非周期性活動(dòng)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(dòng)的預(yù)測(cè)準(zhǔn)確性，Crouter等（2015）應(yīng)用分段回歸模型的研究卻表明，腕部也能準(zhǔn)確地預(yù)測(cè)運(yùn)動(dòng)能耗。目前對(duì)機(jī)器學(xué)習(xí)算法的探究結(jié)果則相對(duì)較少，Ellis等（2014）引入隨機(jī)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(duì)神經(jīng)網(wǎng)絡(luò)模型的研究也顯示相似的結(jié)果（Montoye et al.，2015，2016），目前來看，還需更多的實(shí)證依據(jù)以形成概化性的結(jié)論。

綜上所述，當(dāng)前的研究主要是探討單一算法不同部位間預(yù)測(cè)準(zhǔn)確性的差異，或是單一部位間不同算法的差異，鮮見系統(tǒng)探討佩戴部位和算法之間可能存在的交互效應(yīng)，算法能否降低佩戴部位對(duì)預(yù)測(cè)準(zhǔn)確性的影響也不得而知。本研究旨在通過對(duì)部位效應(yīng)、算法效應(yīng)及其之間的交互效應(yīng)進(jìn)行系統(tǒng)探究，明晰佩戴部位對(duì)能耗監(jiān)測(cè)的影響效力，探究算法的應(yīng)用價(jià)值。

1 研究對(duì)象與方法

1.1 研究對(duì)象

在告知測(cè)試內(nèi)容和健康問詢后，經(jīng)受試者同意確定42人的測(cè)試名單（表1）。所有受試者無運(yùn)動(dòng)禁忌癥，測(cè)試前24 h無大強(qiáng)度體力活動(dòng)，測(cè)試均在餐后1 h進(jìn)行，測(cè)試前簽署知情同意書。

表1 佩戴部位對(duì)加速度計(jì)能耗監(jiān)測(cè)準(zhǔn)確性測(cè)試受試者基本信息Table 1 TheAnthropometryCharacteristicsofParticipant

1.2 測(cè)量儀器

本研究采用3個(gè)美國產(chǎn)Actigraph-GT3X+（以下簡稱GT3X+）收集人體活動(dòng)中不同部位的加速度信息，GT3X+是目前應(yīng)用最為廣泛的3軸加速度計(jì)，重量約為27 g，對(duì)加速度原始數(shù)據(jù)的采樣頻率可以達(dá)到100 Hz，內(nèi)存容量為250 MB。測(cè)試前利用Actilife6.0軟件進(jìn)行校對(duì)、信息錄入和采樣頻率設(shè)置（30 Hz），然后使用相應(yīng)長度的彈性綁帶固定在受試者右側(cè)髖部（右側(cè)髂脊處）、右側(cè)大腿處（大腿前正中線上1/3處）和右側(cè)手腕處（腕橫紋處）。每天測(cè)試完成后，將數(shù)據(jù)保存為*.GT3X格式，以便導(dǎo)出加速度原始數(shù)據(jù)。

能量消耗的標(biāo)準(zhǔn)測(cè)量采用意大利產(chǎn)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(jìn)行測(cè)量，準(zhǔn)確性得到廣泛驗(yàn)證，被視為金標(biāo)準(zhǔn)。為保障測(cè)量精度，整個(gè)測(cè)試前更換氧電池，每天測(cè)試均對(duì)儀器進(jìn)行預(yù)熱和定標(biāo)。測(cè)試中，為確保GT3X+和K4b2的數(shù)據(jù)同步，測(cè)試人員在每一分鐘第一秒按壓儀器主機(jī)上的Enter鍵開始正式記錄數(shù)據(jù)，并使用心率帶同步監(jiān)控受試者心率，以此確定活動(dòng)之間的間隔時(shí)間。每天測(cè)試完成后，將數(shù)據(jù)保存為*.xpo格式，后期再轉(zhuǎn)制為周期為30 s的數(shù)據(jù)庫。

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

1.3 測(cè)量方案

活動(dòng)方案由4類20項(xiàng)體力活動(dòng)構(gòu)成（表2），分別為5項(xiàng)靜息類活動(dòng)、6項(xiàng)走跑活動(dòng)、5項(xiàng)生活方式活動(dòng)和4項(xiàng)體育活動(dòng)，每項(xiàng)活動(dòng)的時(shí)間為5 min（跳繩除外），活動(dòng)之間的時(shí)間間隔視心率的恢復(fù)狀況而定，一般為1～5 min。實(shí)驗(yàn)方案基本囊括日常體力活動(dòng)的主要類型和項(xiàng)目，兼顧項(xiàng)目的周期特征、肢體特征和強(qiáng)度特征。

表2 佩戴部位對(duì)加速度計(jì)能耗監(jiān)測(cè)準(zhǔn)確性測(cè)試項(xiàng)目Table 2 List of Physical Activies

整個(gè)測(cè)試分兩個(gè)階段進(jìn)行，第1階段進(jìn)行形態(tài)學(xué)指標(biāo)測(cè)量、靜息類項(xiàng)目和走跑類運(yùn)動(dòng)的測(cè)試；第2階段包括5項(xiàng)生活方式活動(dòng)和4項(xiàng)體育活動(dòng)測(cè)試。

靜息活動(dòng)和生活方式活動(dòng)在實(shí)驗(yàn)室模擬的生活情景中進(jìn)行，要求受試者按照日常狀態(tài)完成活動(dòng)。走跑活動(dòng)（除自由走跑）在德國h/p/cosmos公司生產(chǎn)的Pular跑臺(tái)上進(jìn)行。體育活動(dòng)中乒乓球和羽毛球采用多球練習(xí)的方式，受試者不撿球；跳繩和籃球運(yùn)動(dòng)均要求受試者按自己節(jié)奏進(jìn)行。

所有測(cè)試共需120～140 min，溫度控制在18℃～25℃，相對(duì)濕度在50%～60%。

1.4 原始數(shù)據(jù)的處理與指標(biāo)的合成

研究將建立一般線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型，因模型數(shù)據(jù)要求不同，將前期導(dǎo)出的*.GT3X文件轉(zhuǎn)換為*.CSV的原始文件后，分別進(jìn)行不同的數(shù)據(jù)預(yù)處理和特征指標(biāo)的提取，數(shù)據(jù)處理的時(shí)間周期為30 s，每個(gè)項(xiàng)目第一個(gè)和最后一個(gè)30 s的數(shù)據(jù)不納入統(tǒng)計(jì)口徑。

線性回歸模型的輸入指標(biāo)為count值，雖然GT3X+的配套軟件actlife6.11可直接導(dǎo)出，但因數(shù)據(jù)處理的過程是其商業(yè)機(jī)密，未見相關(guān)文獻(xiàn)報(bào)告。為提高數(shù)據(jù)處理結(jié)果的普適性，本研究未直接使用軟件導(dǎo)出的count值，而是參考相關(guān)研究成果自行合成，數(shù)據(jù)處理分為3個(gè)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(duì)X、Y、Z三軸的原始加速度數(shù)據(jù)進(jìn)行濾波；2）數(shù)據(jù)的修正：為了去除重力趨勢(shì)對(duì)各軸的作用，同時(shí)對(duì)3個(gè)軸過濾后的加速度數(shù)據(jù)進(jìn)行去趨勢(shì)處理，公式為特征指標(biāo)的提?。河捎谠夹盘?hào)均是雙向的，先取絕對(duì)值后再計(jì)算積分，同時(shí)考慮到加速度計(jì)佩戴在不同部位，會(huì)出現(xiàn)傳感器的運(yùn)動(dòng)軸與實(shí)際運(yùn)動(dòng)情況不能有效匹配（Schaefer et al.，2014），故采用三軸的數(shù)據(jù)合成矢量計(jì)數(shù)（vector magnitude，VM），公式為來表征count值。

神經(jīng)網(wǎng)絡(luò)模型特征指標(biāo)的提取中，為降低模型的運(yùn)算負(fù)擔(dān)，同時(shí)鑒于Migueles等（2017） 的研究顯示，頻閾指標(biāo)在提高能耗預(yù)測(cè)準(zhǔn)確性的作用有限，本研究僅選取時(shí)域類指標(biāo)，直接從原始數(shù)據(jù)中（未濾波）提取每個(gè)軸每30 s中的9個(gè)指標(biāo)：M、SD、Min、Max、P10、P25、P50、P75 和P90，3個(gè)軸共計(jì)27個(gè)指標(biāo)，前4個(gè)指標(biāo)的選取依據(jù)Montoye等（2015）的研究成果，后5個(gè)指標(biāo)來自Staudenmayer（2009）的研究。

1.5 數(shù)據(jù)統(tǒng)計(jì)和分析

采用MATLAB7.0對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和指標(biāo)的合成，形成每30 s的各種特征指標(biāo)（過程見1.4），然后從K4b2導(dǎo)出*.xpo文件，并轉(zhuǎn)換獲取METs/30數(shù)據(jù)庫，與加速度特征指標(biāo)按照時(shí)間點(diǎn)一一對(duì)應(yīng)形成數(shù)據(jù)庫。

使用Matlab7.0軟件進(jìn)行6次留一交叉驗(yàn)證分析，分別建立髖部、手腕和大腿的神經(jīng)網(wǎng)絡(luò)模型和線性回歸模型（共計(jì)6個(gè)模型），并輸出相應(yīng)的預(yù)測(cè)值。留一交叉驗(yàn)證分析以每個(gè)受試者為單位，在42名受試者中，每輪留1個(gè)個(gè)體數(shù)據(jù)作驗(yàn)證，其他41個(gè)個(gè)體數(shù)據(jù)建模，總共輪換進(jìn)行42輪，得到42個(gè)測(cè)試結(jié)果，用參數(shù)的平均值來表征模型。該方法相對(duì)于傳統(tǒng)的holdout檢驗(yàn)（將數(shù)據(jù)分為兩組，一組建模和一組驗(yàn)證），可以從有限的數(shù)據(jù)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(biāo)來判斷模型預(yù)測(cè)準(zhǔn)確性，公式為：

以個(gè)體為單位來計(jì)算該指標(biāo)，并作為檢驗(yàn)變量，采用SPSS22.0軟件運(yùn)用雙因素重復(fù)測(cè)量方差分析進(jìn)行佩戴部位和算法交互效應(yīng)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(jìn)行等效性檢驗(yàn)，以判斷各模型預(yù)測(cè)METs和實(shí)測(cè)METs測(cè)量結(jié)果的等效性，標(biāo)準(zhǔn)為：預(yù)測(cè)均值90%置信區(qū)間是否落入實(shí)測(cè)均值的等效區(qū)間（μ±10% μ）（Nolan et al.，2014），如果落入則接受備擇假設(shè)：下限＜檢驗(yàn)值/校標(biāo)均值＜上限，可認(rèn)定兩種測(cè)量方法等效。

統(tǒng)計(jì)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(jié)果

2.1 加速度計(jì)能耗方程的建構(gòu)

2.1.1 不同佩戴部位線性回歸方程的建構(gòu)

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(jì)能耗測(cè)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(jīng)網(wǎng)絡(luò)模型的建構(gòu)

在對(duì)數(shù)據(jù)采用標(biāo)準(zhǔn)公式Y(jié)=（X-Xmin）/（Xmax-Xmin）進(jìn)行歸一化處理后，將輸入層和輸出層指標(biāo)數(shù)帶入?yún)遣眩?007）介紹的公式（n為輸入層指標(biāo)數(shù)、為輸出層指標(biāo)數(shù)），確定各個(gè)部位神經(jīng)網(wǎng)絡(luò)模型的隱層節(jié)點(diǎn)數(shù)為10個(gè)，采用動(dòng)量-學(xué)習(xí)率自動(dòng)調(diào)整算法，初始動(dòng)量取值范圍0.2～0.9，學(xué)習(xí)率范圍0.01～0.2，訓(xùn)練網(wǎng)絡(luò)的最大誤差設(shè)定0.001。將1 000次作為停止訓(xùn)練的標(biāo)準(zhǔn)。通過對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的多次調(diào)整和比較，各模型的平均參數(shù)見表4。

2.2 模型在各活動(dòng)項(xiàng)目上預(yù)測(cè)準(zhǔn)確性的分析

從表5可知，各模型的METs預(yù)測(cè)值隨項(xiàng)目變化的趨勢(shì)與實(shí)測(cè)值基本一致，但從同一活動(dòng)項(xiàng)目預(yù)測(cè)值的變異上看，不同部位的神經(jīng)網(wǎng)絡(luò)模型變異較小，預(yù)測(cè)的結(jié)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(xiàng)目和上肢活動(dòng)為主的項(xiàng)目中。提示，部位對(duì)預(yù)測(cè)準(zhǔn)確性的影響可能受到算法的調(diào)節(jié)，需要進(jìn)一步使用兩因素重復(fù)測(cè)量的方差分析進(jìn)行檢驗(yàn)。

表4 不同部位佩戴加速度計(jì)能耗測(cè)量的神經(jīng)網(wǎng)絡(luò)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(jì)的不同能耗預(yù)測(cè)模型的預(yù)測(cè)值和實(shí)測(cè)值Table 5 Predictive Value and Measured Value of Different Models of Energy Expenditure

結(jié)合圖1可知，相對(duì)各部位線性回歸模型的散點(diǎn)，神經(jīng)網(wǎng)絡(luò)模型各部位的散點(diǎn)均較靠近參考線，通過對(duì)平均百分誤差（BIAS）的計(jì)算，髖部、大腿和手腕3個(gè)部位中分別有7個(gè)、5個(gè)和6個(gè)項(xiàng)目的BIAS在±5%以內(nèi)，在線性回歸模型中，這一數(shù)值分別為3個(gè)、4個(gè)和0個(gè)。而BIAS在±20%之外的項(xiàng)目數(shù)量，線性模型也多于神經(jīng)網(wǎng)絡(luò)模型。

2.3 佩戴部位與算法的交互效應(yīng)分析

本研究中佩戴部位和算法都是類別變量，檢驗(yàn)變量為RMSE，按照溫忠麒等（2012）的建議，結(jié)合數(shù)據(jù)獲取的被試特征，采用雙因素重復(fù)測(cè)量的方差分析進(jìn)行交互效應(yīng)的檢驗(yàn)。

2.3.1 交互效應(yīng)檢驗(yàn)

表6為球形檢驗(yàn)的結(jié)果，交互項(xiàng)的Mauchly'sW=0.923，P=0.201＞0.05，檢驗(yàn)變量滿足球形檢驗(yàn)假設(shè)，適合進(jìn)行球形檢驗(yàn)，不采用Greenhouse&Geisser方法進(jìn)行校正。

表6 交互項(xiàng)球型檢驗(yàn)Table 6 Sphericity Test of Interaction Items

圖1 各模型預(yù)測(cè)值和實(shí)測(cè)值之間散點(diǎn)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(xiàng)存在著統(tǒng)計(jì)學(xué)意義，F(xiàn)（1、41）=5.376，P=0.006，表明算法與部位存在著交互效應(yīng)，算法是部位對(duì)測(cè)量準(zhǔn)確性影響的調(diào)節(jié)變量。

表7 算法*部位交互效應(yīng)檢驗(yàn)Table 7 Interaction Test Table from Algorithms*Sites

2.3.2 不同佩戴部位兩種算法測(cè)量準(zhǔn)確性的多重比較

在交互效應(yīng)確認(rèn)的情況下，應(yīng)進(jìn)一步明晰各自變量的單獨(dú)效應(yīng)，先逐一分析不同部位兩種算法的差異。Bonferroni多重比較的結(jié)果顯示（圖2、表8）：在髖部，神經(jīng)網(wǎng)絡(luò)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(tǒng)計(jì)學(xué)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(cè)量準(zhǔn)確性的檢驗(yàn)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(cè)量準(zhǔn)確性對(duì)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(cè)量準(zhǔn)確性的多重比較

繼續(xù)探究佩戴部位的單獨(dú)效應(yīng)，分別在兩種算法內(nèi)進(jìn)行重復(fù)測(cè)量方差分析。Bonferroni多重比較結(jié)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(yù)測(cè)準(zhǔn)確性的差異具有統(tǒng)計(jì)學(xué)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(jīng)網(wǎng)絡(luò)模型中，僅有髖部和腕部之間的差異存在統(tǒng)計(jì)學(xué)意義，而髖部與大腿、手腕與大腿之間的差值均不存在統(tǒng)計(jì)學(xué)意義（P=0.380和P=0.201），這也進(jìn)一步表明了神經(jīng)網(wǎng)絡(luò)模型可以降低佩戴部位所產(chǎn)生的測(cè)量誤差。

2.4 各模型的等效性校驗(yàn)

從表10可知，髖部的神經(jīng)網(wǎng)絡(luò)模型和線性回歸模型以及大腿的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)值90%置信區(qū)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(qū)間，可以認(rèn)定，整體而言上述3個(gè)模型預(yù)測(cè)值與K4b2校標(biāo)值測(cè)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(cè)量準(zhǔn)確性檢驗(yàn)Table 9 Accuracy between Different Wearing Sitesin Two Kinds of Algorithms

表10 各模型預(yù)測(cè)值與校標(biāo)的等效性檢驗(yàn)Table 10 Equivalence Test Table of Model Predictions and Criterion

3 分析與討論

3.1 實(shí)驗(yàn)方案的分析

在日常體力活動(dòng)能耗測(cè)量的研究中，學(xué)者們普遍摒棄了早期以Freedson方程為代表的走跑運(yùn)動(dòng)實(shí)驗(yàn)方案（Hendelman et al.，2000），認(rèn)為走跑方案難以準(zhǔn)確反映日常體力活動(dòng)的特征，其建構(gòu)的方程不能準(zhǔn)確測(cè)量日常生活中的非走跑類活動(dòng)（Leenders et al.，2006），實(shí)驗(yàn)方案的制定必須是走跑方案與非走跑方案的結(jié)合（朱琳 等，2012）。在此基礎(chǔ)上，部分學(xué)者在研究中將靜息類的體力活動(dòng)融入到活動(dòng)方案中，認(rèn)為靜息類的活動(dòng)雖然梅脫值低，但在日常活動(dòng)中占據(jù)較長時(shí)間，不能因其引入方案會(huì)影響方程對(duì)走跑和非走跑運(yùn)動(dòng)的預(yù)測(cè)準(zhǔn)確性而視而不見（Chen et al.，2005）。此外，還有學(xué)者認(rèn)為，在設(shè)計(jì)活動(dòng)方案時(shí)應(yīng)該考慮上下肢的運(yùn)動(dòng)特征。綜上，本研究認(rèn)為，在進(jìn)行加速度計(jì)預(yù)測(cè)日常體力活動(dòng)的能耗研究中，實(shí)驗(yàn)方案應(yīng)是被預(yù)測(cè)人員日常生活的縮影，在構(gòu)建時(shí)應(yīng)考慮被試者因素、肢體活動(dòng)特征因素和活動(dòng)強(qiáng)度因素，綜合搭配，選擇適應(yīng)種類和數(shù)量的體力活動(dòng)，保證方案的代表性。

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

雖有研究表明，在走跑運(yùn)動(dòng)中，隨著坡度的增加，基于回歸模型的加速度計(jì)能耗預(yù)測(cè)誤差加大，但是鑒于坡道環(huán)境下的走跑在日常走跑下占據(jù)較大比重，同時(shí)考慮到機(jī)器學(xué)習(xí)算法的普適性檢驗(yàn)，遂將坡度走跑納入實(shí)驗(yàn)方案中。

3.2 不同算法能耗預(yù)測(cè)準(zhǔn)確性差異的部位效應(yīng)分析

本研究結(jié)果顯示，在髖部，神經(jīng)網(wǎng)絡(luò)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(tǒng)計(jì)學(xué)意義，該研究結(jié)果得到部分其他研究的支持。Montoye等（2017a）的研究顯示，在RMSE指標(biāo)上髖部神經(jīng)網(wǎng)絡(luò)模型僅比線性回歸模型高3%，差異不具統(tǒng)計(jì)學(xué)意義；Freedson等（2011）采用獨(dú)立樣本數(shù)據(jù)進(jìn)行評(píng)估，結(jié)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(duì)能量消耗（energy expenditure，EE）的預(yù)測(cè)上，研究結(jié)果也相似（Rothney et al.，2007）。而Staudenmayer等（2009）用已有模型與神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較時(shí)，結(jié)果卻顯示，神經(jīng)網(wǎng)絡(luò)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(duì)于已有模型，采用的是完全獨(dú)立的樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，這是導(dǎo)致其預(yù)測(cè)精度下降的主要原因?？傮w來看，在同類型數(shù)據(jù)樣本中進(jìn)行的對(duì)比研究，神經(jīng)網(wǎng)絡(luò)模型對(duì)髖部能耗預(yù)測(cè)的精度提高的作用有限。Freedsons等（2011）認(rèn)為，建模數(shù)據(jù)中包含的活動(dòng)特征信息有限是造成神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)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(dú)立樣本數(shù)據(jù)中出現(xiàn)，相似結(jié)果，提示，回歸模型輸入的特征指標(biāo)可能在髖部這一佩戴位置已經(jīng)涵蓋絕大部分的運(yùn)動(dòng)信息，這也可能是造成兩種算法預(yù)測(cè)精度差異不明顯的主要原因。

在腕部能耗預(yù)測(cè)中，本研究結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)模型與線性回歸模型預(yù)測(cè)準(zhǔn)確性存在顯著性的差異，Staudenmayer等（2015）使用高頻數(shù)據(jù)得出的結(jié)果與本研究相似。目前來看，腕部線性回歸算法預(yù)測(cè)精度低已經(jīng)形成共識(shí)，Montoye等（1983）、Swartz等（2000）和Chen等（2003）的研究顯示，其預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)系數(shù)分別為0.36、0.18和0.70。而神經(jīng)網(wǎng)絡(luò)模型在腕部加速度計(jì)中的預(yù)測(cè)效力逐漸得到實(shí)證支持（Montoye et al.，2015），這主要是因?yàn)槭滞筇幍倪\(yùn)動(dòng)信息特征豐富，傳統(tǒng)線性回歸模型輸入指標(biāo)count數(shù)值難以表征，造成信息大量流失，影響預(yù)測(cè)的精度和準(zhǔn)確性。

目前對(duì)腿部加速度計(jì)預(yù)測(cè)準(zhǔn)確性的研究相對(duì)較少，一項(xiàng)研究對(duì)比神經(jīng)網(wǎng)絡(luò)模型和線性回歸模型結(jié)果顯示，兩個(gè)模型的RMSE相差高達(dá)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(tǒng)計(jì)分析技術(shù)有關(guān)，該研究中線性模型使用的是已有模型，這就造成獨(dú)立樣本數(shù)據(jù)和非獨(dú)立樣本數(shù)據(jù)的錯(cuò)位比較。

綜上所述，似乎存在這樣一個(gè)現(xiàn)象：越接近身體質(zhì)心的位置，算法對(duì)加速度計(jì)預(yù)測(cè)準(zhǔn)確性的影響就越小，或者說，佩戴部位的運(yùn)動(dòng)特征越豐富，算法的作用就越大，未來還需大量的實(shí)證研究對(duì)此形成概化性的結(jié)論。

3.3 算法調(diào)節(jié)佩戴部位對(duì)能耗預(yù)測(cè)準(zhǔn)確性影響的效應(yīng)分析

本研究結(jié)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(tǒng)計(jì)學(xué)意義。實(shí)際上，佩戴部位對(duì)線性模型影響的研究由來已久，早在20世紀(jì)初Swarts等（2000）就考量了線性回歸模型在髖部和手腕測(cè)量的準(zhǔn)確性，結(jié)果顯示，兩個(gè)部位的加速度計(jì)預(yù)測(cè)的決策系數(shù)僅為0.317和0.033，雖然兩個(gè)部位預(yù)測(cè)差異較大，但整體都低，究其原因，主要是硬件技術(shù)限制，使用的單軸加速度計(jì)很難捕捉豐富的運(yùn)動(dòng)信息。Chen等（2003）的研究采用能量代謝房的測(cè)試結(jié)果作為效標(biāo)檢驗(yàn)髖部和手腕的回歸模型，結(jié)果顯示，實(shí)測(cè)值和預(yù)測(cè)值的相關(guān)系數(shù)分別為0.9和0.7，因其測(cè)試的均是周期性的走跑活動(dòng)，所以測(cè)量的準(zhǔn)確性也主要反映的是在走跑活動(dòng)中的準(zhǔn)確性，該研究結(jié)果與Hildebrand等（2014）對(duì)走跑活動(dòng)研究的結(jié)果相似。此外，Rosenberge等（2013）的研究也表明，兩個(gè)部位能耗預(yù)測(cè)準(zhǔn)確性存在顯著性差異。目前對(duì)腿部能耗預(yù)測(cè)的研究相對(duì)較少，Puyau等（2002）采集兒童戶外活動(dòng)的數(shù)據(jù)進(jìn)行分析后顯示，腿部與髖部都能準(zhǔn)確的預(yù)測(cè)走跑為主的活動(dòng)能耗，這與本研究的結(jié)果有一定的出入，其主要原因還是與活動(dòng)方案的設(shè)計(jì)有關(guān)，本研究的活動(dòng)方案運(yùn)動(dòng)特征豐富，包含了上肢運(yùn)動(dòng)為主的活動(dòng)，這勢(shì)必會(huì)影響線性模型在腿部應(yīng)用的準(zhǔn)確性。

與線性模型部位之間的預(yù)測(cè)差異相比，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的結(jié)果截然不同。本研究結(jié)果顯示，僅髖部和手腕之間的差異存在統(tǒng)計(jì)學(xué)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(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)時(shí)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(jié)果略有差異，體現(xiàn)在大腿和手腕的差異性上；Strath等（2015）利用時(shí)間序列模型預(yù)測(cè)的結(jié)果顯示，髖部、踝關(guān)節(jié)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(gè)部位的預(yù)測(cè)誤差均低于本研究，尤其是在手腕關(guān)節(jié)處；Ellis（2014）使用隨機(jī)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(tǒng)計(jì)學(xué)意義。

整體上看，機(jī)器學(xué)習(xí)算法中影響預(yù)測(cè)準(zhǔn)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(yù)測(cè)準(zhǔn)確性的差異更大，這也印證了算法能夠減少佩戴部位對(duì)加速度計(jì)測(cè)量準(zhǔn)確性的影響，與本研究的交互效應(yīng)檢驗(yàn)的結(jié)果是一致的。究其原因：1）因?yàn)槠涑浞掷迷紨?shù)據(jù)，將其合成為反映原始信息的眾多指標(biāo)，不像傳統(tǒng)的線性回歸模型，受算法限制只能將原始數(shù)據(jù)合成單一的count值，不能充分挖掘原始數(shù)據(jù)中蘊(yùn)含的豐富信息；2）因?yàn)樵撍惴ň哂小爸悄堋碧卣?，能夠自主學(xué)習(xí)，依據(jù)現(xiàn)有數(shù)據(jù)優(yōu)化算法，充分利用數(shù)據(jù)中蘊(yùn)含的豐富信息。

3.4 計(jì)算模型輸入指標(biāo)的探討

線性回歸模型中輸入的指標(biāo)稱為counts，通常是用單位時(shí)間內(nèi)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(biāo)（Hildebrand et al.，2014），少量研究還嘗試使用過MAD指標(biāo)（Bastian et al.，2015；V?h?-Ypy? et al.，2015）。對(duì)髖部加速度計(jì)的研究表明，積分值與能耗具有緊密的關(guān)聯(lián)關(guān)系。但本研究結(jié)果表明，在大腿和手腕位置，積分值并不是合適的輸入指標(biāo)。未來應(yīng)進(jìn)一步研究是否有更為匹配相關(guān)佩戴部位的單一輸入指標(biāo)，探究是否具有低多重共線性的多元回歸指標(biāo)體系。

機(jī)器學(xué)習(xí)算法的輸入指標(biāo)體中一類是時(shí)域指標(biāo)，一類是頻域指標(biāo)。時(shí)域指標(biāo)因其提取簡單、含義清晰而受青睞，并且有研究認(rèn)為，頻域指標(biāo)適合應(yīng)用于活動(dòng)分類上，而在能量消耗預(yù)測(cè)上價(jià)值有限（Preece et al.，2009）。因此，本研究選擇每個(gè)軸9個(gè)時(shí)域指標(biāo)，共計(jì)27個(gè)指標(biāo)作為輸入指標(biāo)，從預(yù)測(cè)的準(zhǔn)確性上看，該指標(biāo)群是滿足應(yīng)用需要的。目前，對(duì)指標(biāo)的篩選和數(shù)量的確認(rèn)缺乏明確的標(biāo)準(zhǔn)，少數(shù)研究采用試湊的方法對(duì)此進(jìn)行研究，Kates等（2016）認(rèn)為，對(duì)于活動(dòng)類型識(shí)別的任務(wù)，更多特征指標(biāo)的輸入能夠提高機(jī)器學(xué)習(xí)模型的準(zhǔn)確性；而對(duì)于能耗預(yù)測(cè)的任務(wù)，特征指標(biāo)的數(shù)量對(duì)預(yù)測(cè)準(zhǔn)確性的影響具有邊際效應(yīng)，Montoye等（2015）的研究結(jié)果支持了這一結(jié)論。但上述研究對(duì)于不同指標(biāo)組合的確認(rèn)具有較大的主觀性，如何客觀地篩選指標(biāo)是未來研究應(yīng)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(xù)研究；在研究方案上，所有活動(dòng)均在實(shí)驗(yàn)室情境下以清單的形式執(zhí)行，雖然活動(dòng)項(xiàng)目眾多，基本反映該群體日常體力活動(dòng)狀況，且各強(qiáng)度兼而有之，但還是與日常生活的實(shí)際情況有一定出入，未來在條件允許和技術(shù)成熟的情況下，應(yīng)注重在自由生活情景下進(jìn)行能量準(zhǔn)確性的考察，進(jìn)一步提高方程預(yù)測(cè)的外部效度。

4 結(jié)論與建議

算法是佩戴部位對(duì)加速度計(jì)能耗預(yù)測(cè)準(zhǔn)確性影響的調(diào)節(jié)變量，神經(jīng)網(wǎng)絡(luò)模型可以降低佩戴部位對(duì)預(yù)測(cè)準(zhǔn)確性產(chǎn)生的影響，未來應(yīng)進(jìn)一步加強(qiáng)佩戴部位算法識(shí)別和多部位通用機(jī)器學(xué)習(xí)算法模型的探討，提高加速度計(jì)應(yīng)用的便利性和測(cè)量的準(zhǔn)確性。

從能耗監(jiān)測(cè)的準(zhǔn)確性上看，3個(gè)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(jīng)網(wǎng)絡(luò)模型，在大腿應(yīng)用神經(jīng)網(wǎng)絡(luò)模型，能較準(zhǔn)確地監(jiān)測(cè)活動(dòng)能耗，具有應(yīng)用的價(jià)值；腕部和大腿不宜運(yùn)用線性回歸模型，腕部神經(jīng)網(wǎng)絡(luò)模型的運(yùn)用應(yīng)進(jìn)一步探討。