腕部加速度計(jì)中不同類型能耗預(yù)測(cè)模型的建構(gòu)與評(píng)估

陳慶果 劉耀天 譚雅兮 楊強(qiáng) 楊珊珊 彭莉

摘? ? 要：構(gòu)建不同類型的腕部加速度計(jì)能耗預(yù)測(cè)模型，并橫向比較其準(zhǔn)確性，為腕部加速度計(jì)（智能手環(huán)）的算法優(yōu)化提供實(shí)證支持。方法：42名受試者（實(shí)驗(yàn)組28人和驗(yàn)證組14人），測(cè)試時(shí)每名受試者佩戴氣體代謝分析儀Cosmed K4b2和2個(gè)佩戴加速度計(jì)Actigraph-GT3X于手腕和髖部處，分2個(gè)階段完成20項(xiàng)體力活動(dòng)。以間接測(cè)熱法為能耗預(yù)測(cè)校標(biāo)，采用實(shí)驗(yàn)組數(shù)據(jù)分別建立一般線性回歸模型、兩階段模型、神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型，并利用驗(yàn)證組數(shù)據(jù)對(duì)其測(cè)量準(zhǔn)確性進(jìn)行橫向比較。結(jié)果：建立了線性模型（METs=0.000228×VM+2.019）、兩階段模型、10-21-1三層神經(jīng)網(wǎng)絡(luò)模型（初始學(xué)習(xí)率為0.05，動(dòng)量常量設(shè)為0.5，誤差率為0.000 1）和支持向量機(jī)模型（10個(gè)輸入指標(biāo)、RBF為核函數(shù)、gamma為1.5、C為10、損失系數(shù)為0.01）。在RMSE上，神經(jīng)網(wǎng)絡(luò)模型<支持向量機(jī)模型<兩階段模型<線性回歸模型。神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型的預(yù)測(cè)值90%CI均落在校標(biāo)（K4b2）的等效區(qū)間內(nèi)，在B-A圖上的各指標(biāo)均優(yōu)于兩階段模型和線性回歸模型。結(jié)論：在腕部能耗預(yù)測(cè)中，建立的神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型能有效監(jiān)測(cè)日常體力活動(dòng)，具有應(yīng)用價(jià)值;應(yīng)謹(jǐn)慎運(yùn)用兩階段模型，不宜使用一般線性模型。

關(guān)鍵詞：腕部加速度計(jì);運(yùn)動(dòng)手環(huán);體力活動(dòng);能耗預(yù)測(cè)模型

中圖分類號(hào)：G 804.49? ? ? ? ? 學(xué)科代碼：040302? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：Through developing different energy expenditure prediction models of wrist accelerometers and comparing their accuracy， this research aims to provide empirical support for algorithm optimization of wrist accelerometers （Smart Bracelets）. Methods： 42 subjects （28 in the experimental group and 14 in the control group） who wear the gas analyzer （Cosmed K4b2） and 2 accelerometers （Actigraph-GT3X） positioned in waist and wrist performs 20 items physical activities in two stages. Indirect calorimetry was used to calibrate energy consumption. The data from experimental group were used to establish general linear regression model， two-stage model， neural network model and supportive vector machine model， respectively. The data from validation group were used for horizontal comparison. Results： A linear model （METs = 0.000228 × VM + 2.019）， a two-stage model and a 10-21-1 three-layer neural network model （initial learning rate of 0.05 and momentum constant of 0.5 and error rate of 0.0001） and support vector machine model （10 inputs indexes， kernel function of RBF， gamma of 1.5， C of 10， and loss coefficient of 0.01） are developed. At RMSE， the neural network model < support vector machine model < two-stage model < linear regression model. The 90% CIs of neural network model and support vector machine model fall within the equivalent range of K4b2， and all the indexes in B-A chart are better than the two-stage model and linear regression model. Conclusion： In the wrist accelerometer， neural network model and support vector machine model can effectively monitor daily physical activity. The two-stage model should be used with caution. The general linear model is not suitable for application.

Keywords：wrist accelerometer; sports bracelet; physical activity; predictive model of energy expenditure

目前，常見的幾種運(yùn)動(dòng)手環(huán)都屬于腕部加速度計(jì)范疇，測(cè)量的準(zhǔn)確性并不理想。溫煦等[1]的研究顯示，常見的4種運(yùn)動(dòng)手環(huán)在監(jiān)測(cè)走跑能耗時(shí)，與實(shí)測(cè)值之間的相關(guān)系數(shù)為0.02～0.67不等，對(duì)38種手環(huán)的調(diào)查中僅有5種手環(huán)具備體力活動(dòng)自動(dòng)識(shí)別功能，并認(rèn)為算法問題可能是目前運(yùn)動(dòng)手環(huán)測(cè)量效度偏低的重要原因之一。

早在20年前就有研究提出腕部加速度計(jì)的能耗測(cè)量問題，其回歸模型僅能解釋實(shí)際能耗3.3%的變異，后來Trost等[2]和Yang等[3]認(rèn)為髖部因靠近身體質(zhì)心，更能準(zhǔn)確反映體力活動(dòng)整體情況，是加速度計(jì)佩戴的理想部位，加之算法上無新的突破，腕部加速度計(jì)能耗預(yù)測(cè)研究進(jìn)入停滯狀態(tài)，此領(lǐng)域的研究基本上圍繞髖部加速度計(jì)展開。最早的算法是一元線性回歸模型，用髖部加速度計(jì)的count值預(yù)測(cè)運(yùn)動(dòng)能耗，該種方法簡(jiǎn)便易行，在早期被廣泛使用，最為知名的是Freedson研究的模型[4]，該模型是基于走跑項(xiàng)目而建立的，預(yù)測(cè)生活中體力活動(dòng)存在較大誤差，后期不斷有學(xué)者通過獲取更多體力活動(dòng)的特征數(shù)據(jù)來優(yōu)化回歸模型，例如Hendelman研究的模型[5]、Swartz研究的模型[6]等，但該類模型預(yù)測(cè)的準(zhǔn)確性較大依賴于運(yùn)動(dòng)項(xiàng)目，F(xiàn)reedson研究的模型適于預(yù)測(cè)走跑類體力活動(dòng)的能耗，預(yù)測(cè)生活方式類體力活動(dòng)時(shí)則有較大誤差;Swartz研究的模型則相反?？傮w上來看，該類模型由于其自身的算法局限，不能有效地解決該問題。鑒于此，Crouter等[7]設(shè)計(jì)了兩階段模型，該算法首先通過count值將體力活動(dòng)分為靜息類和非靜息類，靜息類體力活動(dòng)賦值為1 METs;然后在非靜息類體力活動(dòng)中依據(jù)變異系數(shù)分為周期類和非周期類，并分別建立回歸方程，該方程測(cè)量的準(zhǔn)確性受運(yùn)動(dòng)項(xiàng)目影響較小，精度較高。無論是一元回歸模型還是Crouter的兩階段模型，均需將原始數(shù)據(jù)轉(zhuǎn)變?yōu)閏ount值后代入模型，這勢(shì)必會(huì)損失原始數(shù)據(jù)中所蘊(yùn)含的其他信息，進(jìn)而影響測(cè)量的準(zhǔn)確性;而回歸模型的共線性問題又限制其納入更多反映原始數(shù)據(jù)信息的指標(biāo)。隨著機(jī)器學(xué)習(xí)算法的興起，其算法的自我學(xué)習(xí)特征可使其整合和利用更多的原始信息，越來越多的學(xué)者逐漸嘗試納入更多的指標(biāo)。Rothney等[8]將峰度系數(shù)、四分位差等15個(gè)指標(biāo)納入到神經(jīng)網(wǎng)絡(luò)模型中計(jì)算能耗，Staudenmayer等[9]則將6個(gè)基于count值的百分?jǐn)?shù)作為指標(biāo)建構(gòu)神經(jīng)網(wǎng)絡(luò)模型;有學(xué)者則對(duì)隨機(jī)森林回歸算法預(yù)測(cè)能耗的準(zhǔn)確性進(jìn)行了評(píng)估[10]，其他的機(jī)器學(xué)習(xí)算法也被相繼引入到該領(lǐng)域研究，機(jī)器學(xué)習(xí)算法逐漸成為新的研究熱點(diǎn)和趨勢(shì)，而這也為腕部加速度計(jì)的能耗預(yù)測(cè)提供了新的思路，并且在實(shí)踐中，腕部佩戴更為方便，更受健身人群的歡迎[11]。目前，已有少量的研究將機(jī)器學(xué)習(xí)算法引入腕部加速度計(jì)的能耗預(yù)測(cè)中，Montoye等[12]研究了神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用，還有研究引入了時(shí)間序列模型[13]。

但總體上來看，此領(lǐng)域的研究成果還相對(duì)較少，研究均是建構(gòu)某種機(jī)器學(xué)習(xí)模型并進(jìn)行評(píng)估，但缺乏對(duì)不同類型模型進(jìn)行系統(tǒng)性分析的研究。因此，本研究旨在以髖部加速度計(jì)能耗算法演變歷程中的3類典型模型為藍(lán)本，借鑒其思路用以構(gòu)建基于腕部加速度計(jì)的一般線性模型、兩階段模型、支持向量機(jī)模型和神經(jīng)網(wǎng)絡(luò)模型，并對(duì)各模型的測(cè)量準(zhǔn)確性進(jìn)行比較，為腕部加速度計(jì)算法的優(yōu)化、軟件的完善提供理論支持。

1? ?研究對(duì)象與方法

1.1? 研究對(duì)象

受試者為42名在校非體育專業(yè)大學(xué)生，測(cè)試前隨機(jī)將其分為建模組（28人）和驗(yàn)證組（14人），建模組中男生、女生各14人，驗(yàn)證組中男生8人、女生6人。2組受試者的形態(tài)學(xué)指標(biāo)無顯著性差異（P>0.05）。所有受試者測(cè)試前均接受質(zhì)詢并簽署知情同意書，確保其身體健康、無運(yùn)動(dòng)禁忌癥。受試者測(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。受試者基本信息見表1。

1.2? 測(cè)量?jī)x器

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VIVENTE-GOLD體成分儀測(cè)量體脂率。加速度數(shù)據(jù)的采集采用Actigraph-GT3X（以下簡(jiǎn)稱GT3X），將其統(tǒng)一佩戴在受試者優(yōu)勢(shì)側(cè)手腕處（腕橫紋處）和右側(cè)髖部（髂嵴處）。測(cè)試前，該設(shè)備時(shí)間校準(zhǔn)及受試者信息的錄入工作在配套的Actilife 6.11軟件中進(jìn)行，采樣頻率設(shè)為30 Hz，測(cè)試完成后將其數(shù)據(jù)以“*.gt3x”的格式保存，以便轉(zhuǎn)制為各種所需數(shù)據(jù)庫。

以間接測(cè)熱法實(shí)時(shí)記錄受試者的體力活動(dòng)能耗并作為參考標(biāo)準(zhǔn)，使用的儀器設(shè)備為Cosmed K4b2（簡(jiǎn)稱K4b2）。為保障測(cè)量精度，每天測(cè)試前均對(duì)儀器進(jìn)行預(yù)熱和校標(biāo)。測(cè)試中，測(cè)試人員在每1 min第1 s按壓儀器主機(jī)上的Enter鍵開始正式記錄數(shù)據(jù)，確保GT3X和K4b2在每分鐘內(nèi)預(yù)測(cè)的數(shù)據(jù)同步。

使用K4b2系統(tǒng)配備的心率帶同步監(jiān)控受試者心率，便于測(cè)試者根據(jù)心率確定間隔時(shí)間。

1.3? 測(cè)試方案

測(cè)試分為2個(gè)階段進(jìn)行。第1階段首先對(duì)測(cè)試者介紹測(cè)試流程和注意事項(xiàng)，簽署知情同意書后進(jìn)行身高、體質(zhì)量和身體成分測(cè)量，然后進(jìn)行靜息類體力活動(dòng)（5項(xiàng)）和周期類體力活動(dòng)的測(cè)量（6項(xiàng)），每項(xiàng)活動(dòng)時(shí)間為5 min，因靜息類體力活動(dòng)坐姿項(xiàng)目測(cè)量時(shí)，受試者自身選擇舒適、身體放松的坐姿分別進(jìn)行打字、讀書、看手機(jī)。打字要求受試者按照日常打字速度將紙質(zhì)文檔上的內(nèi)容轉(zhuǎn)換為電子文檔，讀書與看手機(jī)時(shí)要求受試者雙手持書或手機(jī)。走跑類體力活動(dòng)在Pular跑臺(tái)上進(jìn)行。

第2階段測(cè)試為非周期性的體力活動(dòng)，共計(jì)9個(gè)項(xiàng)目（見表2），除跳繩為2 min外，其余項(xiàng)目均為5 min，休息間隔的安排與第1階段相同。掃地與拖地時(shí)要求受試者模擬日常狀態(tài)打掃地面。整理書桌或疊衣服時(shí)，受試者按照編號(hào)順序?qū)⒋騺y的書或衣物重新歸置好。乒乓球和羽毛球采用多球練習(xí)的方式，受試者不撿球?；@球運(yùn)球的速度由受試者本人控制，不能手持球。

依據(jù)陳立基研究中對(duì)周期性運(yùn)動(dòng)項(xiàng)目的界定“動(dòng)作結(jié)構(gòu)單一固定，且需重復(fù)運(yùn)動(dòng)的項(xiàng)目”[14]和Mansoubi等[15]對(duì)靜息類體力活動(dòng)的界定，將體力活動(dòng)項(xiàng)目分為靜息類體力活動(dòng)和非靜息類體力活動(dòng)。其中非靜類體力活動(dòng)分為周期性體力活動(dòng)和非周期性體力活動(dòng)2類。因跳繩項(xiàng)目受運(yùn)動(dòng)技術(shù)等的影響較大，受試者隨時(shí)可能中斷，并且在跳繩的過程中，學(xué)生有時(shí)雙腳跳，有時(shí)單腳跳，故將其界定為非周期性體力活動(dòng)。

各項(xiàng)體力活動(dòng)之間的間隔時(shí)間依據(jù)心率恢復(fù)情況而定（1～5 min），除跳繩外每項(xiàng)體力活動(dòng)取其中第2～4 min的數(shù)據(jù)進(jìn)行分析，因跳繩只采樣2 min，故將其全部數(shù)據(jù)納入統(tǒng)計(jì)分析;因此，每名受試者有58 min的數(shù)據(jù)被統(tǒng)計(jì)分析，建模組共有1 624個(gè)統(tǒng)計(jì)單元（28名受試者×58 min），驗(yàn)證組為812個(gè)統(tǒng)計(jì)單元（14名受試者×58 min）。

所有測(cè)試均在實(shí)驗(yàn)室內(nèi)進(jìn)行，2個(gè)階段測(cè)試共需120～140 min，測(cè)試時(shí)間為08：30—11：30，14：30—17：30和18：30—21：30。室內(nèi)溫度控制在18 ℃～25 ℃，相對(duì)濕度在50%～60%。

1.4? 數(shù)據(jù)處理與統(tǒng)計(jì)

數(shù)據(jù)處理時(shí)，首先將前期從腕部加速度計(jì)中導(dǎo)出的“*.gt3x”文件分別轉(zhuǎn)為以下3類數(shù)據(jù)：1）每秒30 Hz的原始加速度數(shù)據(jù);2）每分鐘的count值數(shù)據(jù);3）每10 s的count值數(shù)據(jù)。以以上3種數(shù)據(jù)分別建構(gòu)和驗(yàn)證各腕部加速度計(jì)能耗模型;髖部加速度計(jì)的原始數(shù)據(jù)只轉(zhuǎn)為每分鐘的count值數(shù)據(jù)。將從K4b2導(dǎo)出的“*.spo”文件分別轉(zhuǎn)換獲取METs/10 s的數(shù)據(jù)和METs/min的數(shù)據(jù)，由于K4b2采用每口氣呼吸測(cè)量法，METs/10 s數(shù)據(jù)中存在少量缺失值，本研究采用相鄰數(shù)據(jù)的均值來替代。

采用matlab7.0工具箱對(duì)腕部加速度計(jì)原始數(shù)據(jù)進(jìn)行處理，合成每分鐘的相關(guān)指標(biāo)，然后連同count/min一起與METs/min的數(shù)據(jù)一一對(duì)應(yīng)形成總數(shù)據(jù)庫，并按照前期分組名單將其分為建模數(shù)據(jù)庫和驗(yàn)證數(shù)據(jù)庫。采用SPSS 22.0軟件建立線性回歸模型，采用matlab 7.0軟件建立神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型。

將count/10 s的數(shù)據(jù)與METs/10 s的數(shù)據(jù)一一對(duì)應(yīng)后形成兩階段模型數(shù)據(jù)庫，采用SPSS軟件計(jì)算每分鐘內(nèi)6個(gè)10 s count值的變異系數(shù)（coefficient of variation，以下簡(jiǎn)稱CV），然后使用Medacle12.0軟件利用ROC曲線確定基于count值的靜息類體力活動(dòng)切點(diǎn)和基于變異系數(shù)的周期性體力活動(dòng)切點(diǎn)，將體力活動(dòng)分為3類，靜息類體力活動(dòng)METs 賦值1，并分別建立周期性體力活動(dòng)和非周期性體力活動(dòng)的能耗方程。

模型驗(yàn)證時(shí)，引入常用的髖部加速度計(jì)中的Freedson模型和Hendleman模型，將建構(gòu)的腕部模型從多方面與其進(jìn)行測(cè)量準(zhǔn)確性的對(duì)比。

采用SPSS軟件計(jì)算各個(gè)模型在整體和各類體力活動(dòng)上的均方根誤差（root-mean-square error，以下簡(jiǎn)稱RMSE）和平均百分誤差（以下簡(jiǎn)稱Bias）、進(jìn)行測(cè)量準(zhǔn)確性的比較，2個(gè)指標(biāo)的計(jì)算公式為：

使用Medacle 12.0軟件繪制Bland-altman圖比較各模型在整體上預(yù)測(cè)值和實(shí)測(cè)值之間的一致性;使用MiniTAP軟件進(jìn)行等效性檢驗(yàn)，以判斷預(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（？滋±10%？滋）[16]，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2種測(cè)量方法等效。

2? ?研究結(jié)果

2.1? 不同類型腕部加速度計(jì)能耗模型的建構(gòu)

2.1.1? 線性回歸模型的建構(gòu)

從圖1可知，手腕部VM的值在4 000～6 000時(shí)，METs有較大的波動(dòng)，在VM值大于20 000后，點(diǎn)較為分散。本研究采用簡(jiǎn)單線性回歸的方法建立VM對(duì)METs的能耗方程METs=0.000 228×VM+2.019， R2為0.419，SEE為1.901。

2.1.2? 兩階段模型的建構(gòu)

Crouter的兩階段模型首先通過count值將體力活動(dòng)分為靜息類和非靜息類，靜息類體力活動(dòng)賦值為1 METs;然后在非靜息類體力活動(dòng)中，依據(jù)變異系數(shù)分為周期性體力活動(dòng)和非周期性體育活動(dòng)，然后分別建立相應(yīng)的回歸方程。

2.1.2.1? ? 區(qū)分靜息類體力活動(dòng)和非靜息類體力活動(dòng)的VM臨界點(diǎn)的建立

本研究采用ROC的方法尋找Youden指數(shù)最大時(shí)所對(duì)應(yīng)的VM的數(shù)值，即確定VM的體力活動(dòng)臨界點(diǎn)，由表3和圖2可知，此臨界點(diǎn)為335.5，此臨界點(diǎn)的AUC大于0.9，且特異性與敏感性也均在0.9以上，ROC曲線接近于左上角的位置，這表明該臨界點(diǎn)區(qū)分2類體力活動(dòng)具有高度的準(zhǔn)確性。

2.1.2.2? ? 區(qū)分周期性體力活動(dòng)和非周期性體力活動(dòng)的CV臨界點(diǎn)的確立

研究表明，判斷周期性體力活動(dòng)與否的CV的臨界點(diǎn)為10.8，此臨界點(diǎn)AUC為0.766，由表4和圖3可見，根據(jù)Fawcett [17]的標(biāo)準(zhǔn)，該臨界點(diǎn)具備一定的診斷價(jià)值，但其診斷的準(zhǔn)確性，是否會(huì)影響后續(xù)建立模型的準(zhǔn)確性需要進(jìn)一步評(píng)估。

2.1.2.3? ? 周期性體力活動(dòng)與非周期性體力活動(dòng)回歸模型的建立

與Crouter-2010腰部?jī)呻A段模型類似，以VM/10 s的335.5為界點(diǎn)，將小于該值的體力活動(dòng)界定為靜息類體力活動(dòng)，賦值為1 MET。在VM/10 s≥335.5的體力活動(dòng)中，將CV/min<10.8的視為周期性體力活動(dòng)，依據(jù)散點(diǎn)圖和多個(gè)擬合方程的比較建立二次回歸方程，如圖4所示。CV/min≥10.8的歸為非周期性體力活動(dòng)，建立一般線性回歸方程。每分鐘的METs等于該分鐘內(nèi)連續(xù)6個(gè)10 s的METs的平均值具體方程，見表5。

2.1.3? 神經(jīng)網(wǎng)絡(luò)模型的建構(gòu)

神經(jīng)網(wǎng)絡(luò)模型能夠依據(jù)計(jì)算誤差反向傳播來進(jìn)行自主學(xué)習(xí)，是眾多機(jī)器算法中的一種，基本模型一般由輸入層、隱層和輸出層組成，該模型通過處理大量的輸入變量和輸出變量擬合出貼近的映射關(guān)系，得出非線性模型。與傳統(tǒng)算法最主要的區(qū)別是不需輸入變量權(quán)值、映射關(guān)系等就能自主完成運(yùn)算，是一個(gè)“黑箱”模型，適用于預(yù)測(cè)研究，已在多個(gè)領(lǐng)域中廣泛應(yīng)用 [18] 。

2.1.3.1? ? 神經(jīng)網(wǎng)絡(luò)模型輸入端變量的確定

運(yùn)動(dòng)能耗線性模型中輸入的指標(biāo)一般為count值，實(shí)際為單位時(shí)間內(nèi)原始數(shù)據(jù)的積分值，該指標(biāo)并不能完全反映原始數(shù)據(jù)蘊(yùn)含的全部信息，實(shí)際在該領(lǐng)域的指標(biāo)體系可分為：1）時(shí)域類指標(biāo);2）頻域類指標(biāo)。參考Ellis等[10 ]、Rothney等[8]和Montoye等[19]的研究成果，選取mvm等14個(gè)指標(biāo)（見表6），同時(shí)因佩戴部位在腕部，加速度計(jì)的空間位置在不斷發(fā)生變化，而空間位置可以通過各軸與重力加速度的3個(gè)夾角來表示，如圖5所示。該指標(biāo)蘊(yùn)含著豐富的體力活動(dòng)數(shù)據(jù)信息，通過重力加速度與其在三軸加速度傳感器的X、Y、Z軸的分量關(guān)系可以對(duì)其進(jìn)行計(jì)算，由三角函數(shù)關(guān)系可以得出下式：

通過進(jìn)一步的數(shù)據(jù)分析，表6中的指標(biāo)中mvm、sdvm、df、fpdf、sd-？琢、sd- ？茁、sd-？酌 、cv、qd和peak與METs的相關(guān)系數(shù)分別為0.720、0.742、0.542、-0.475、0.635、0.672、0.651、0.730、0.498;而m-？琢 、m-？茁、m-？酌和skewness的相關(guān)系數(shù)低于0.4，屬于中低強(qiáng)度相關(guān)關(guān)系，為了簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型，降低模型的迭代次數(shù)，固不將以上4個(gè)指標(biāo)納入到計(jì)算模型中。10個(gè)輸入指標(biāo)在各個(gè)體力活動(dòng)項(xiàng)目上的描述性統(tǒng)計(jì)見表7。

2.1.3.2? ? 輸入數(shù)據(jù)的歸一化運(yùn)算

為滿足網(wǎng)絡(luò)權(quán)值調(diào)整需要，減輕網(wǎng)絡(luò)訓(xùn)練時(shí)間，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化運(yùn)算，經(jīng)標(biāo)準(zhǔn)公式Y(jié)=（X-Xmin）/（Xmax-Xmin）運(yùn)算后，所有數(shù)值為0～1。

2.1.3.3? ? 模型參數(shù)的設(shè)定

傳統(tǒng)網(wǎng)絡(luò)局部極小值和收斂速度慢的問題，本研究采用動(dòng)量-學(xué)習(xí)率自動(dòng)調(diào)整算法，為保障訓(xùn)練的準(zhǔn)確性，初始動(dòng)量取值范圍0.5～0.9，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)定為0.001。模擬訓(xùn)練表明誤差在網(wǎng)絡(luò)迭代次數(shù)5 000次以上時(shí)不再增加，故將5 000次作為停止訓(xùn)練的標(biāo)準(zhǔn)，以防止出現(xiàn)過度訓(xùn)練的現(xiàn)象。

2.1.3.4? ? 隱層節(jié)點(diǎn)數(shù)的確定

隱層節(jié)點(diǎn)數(shù)的確定是神經(jīng)網(wǎng)絡(luò)模型設(shè)定的關(guān)鍵問題，適宜節(jié)點(diǎn)數(shù)可以在提高網(wǎng)絡(luò)預(yù)測(cè)精度的同時(shí)預(yù)防過度擬合。本研究采用試湊法，以驗(yàn)證樣本中的平均絕對(duì)值誤差作為指標(biāo)，確定隱層節(jié)點(diǎn)數(shù)，如圖6所示，當(dāng)隱層節(jié)點(diǎn)數(shù)為21后，MAPE保持相對(duì)的穩(wěn)定，依據(jù)模型簡(jiǎn)約性的原則，確認(rèn)隱層節(jié)點(diǎn)數(shù)為21。

2.1.3.5? ?模型的確定

通過對(duì)輸入層指標(biāo)的篩選和相關(guān)參數(shù)的調(diào)整比較，最終確認(rèn)初始學(xué)習(xí)率為0.05，動(dòng)量常量設(shè)為0.5，誤差率設(shè)為0.001的10-21-1的三層神經(jīng)網(wǎng)絡(luò)模型。

2.1.4? 支持向量機(jī)模型的建構(gòu)

支持向量機(jī)模型是另一種近年來廣泛應(yīng)用于預(yù)測(cè)、分類和模式識(shí)別的算法，是建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)算法，在高維數(shù)據(jù)和非線性數(shù)據(jù)處理上，能夠有效地解決“過學(xué)習(xí)”和“維數(shù)災(zāi)難問題”[18]。

2.1.4.1? ? 支持向量機(jī)模型輸入端變量的確定

與神經(jīng)網(wǎng)絡(luò)模型輸入的變量相同，在此不再贅述。

2.1.4.2? ? 支持向量機(jī)模型關(guān)鍵參數(shù)的確定

支持向量機(jī)模型建構(gòu)中核函數(shù)參數(shù)（gamma）和懲罰因子（C）的設(shè)置是預(yù)測(cè)模型精度的關(guān)鍵。參數(shù)gamma代表著RBF的幅寬，設(shè)置太大容易影響泛化功能，數(shù)值太小影響預(yù)測(cè)準(zhǔn)確性，而參數(shù)（懲罰因子）控制著模型復(fù)雜度和逼近誤差時(shí)的折中[20 ]。

本研究根據(jù)特征量、樣本數(shù)并參考已有研究，選擇徑向基函數(shù)（RBF）作為模型的核函數(shù)。通過試湊法，以MAPE為標(biāo)準(zhǔn)確定2個(gè)參數(shù)的數(shù)值。

圖7顯示的是MAPE隨核函數(shù)gamma變化的情況（C恒等為10），gamma參數(shù)在1.5時(shí)，模型的預(yù)測(cè)精度最高。在確定gamma系數(shù)后，通過試湊法，確定C系數(shù)為10。此外，將模型的損失系數(shù)設(shè)置為0.01。

2.1.4.3? ? 支持向量機(jī)模型的確認(rèn)

通過多次對(duì)比和參數(shù)調(diào)整，最終選擇以RBF為核函數(shù)、gamma為1.5、C為10、損失系數(shù)為0.01的支持向量機(jī)模型。

2.2? 各模型測(cè)量準(zhǔn)確性評(píng)估

選取在學(xué)界廣泛使用的Hendleman模型和Freedson模型與本研究構(gòu)建的4種腕部加速度計(jì)模型進(jìn)行預(yù)測(cè)準(zhǔn)確性的比較，上述2個(gè)模型均是針對(duì)髖部加速度計(jì)而設(shè)計(jì)的線性回歸模型，見表8。

2.2.1? 各模型整體預(yù)測(cè)準(zhǔn)確性的比較

從模型整體測(cè)量誤差上看（如圖8所示），無論是在Bias還是在RMSE上，腕部神經(jīng)網(wǎng)絡(luò)模型測(cè)量誤差最?。≧MSE=1.28;Bias=0.032），其次是支持向量機(jī)模型（RMSE=1.31;Bias=-0.035）;在Bias指標(biāo)上，髖部Hendleman模型最高，為0.310;而在RMSE指標(biāo)上，腕部線性回歸模型最高，為1.78。從整體上看，腕部的神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型的預(yù)測(cè)準(zhǔn)確性高于髖部的Freedson模型和Hendleman模型。

通過Bland-Altman法，本研究分別計(jì)算了6種方法預(yù)測(cè)結(jié)果與氣體代謝分析儀測(cè)量值的一致性限度區(qū)間（limits of agreement， mean ），線性回歸模型為（-3.3，3.6），兩階段模型為（3.3，-2.2），神經(jīng)網(wǎng)絡(luò)模型為（-2.4，2.5）、支持向量機(jī)模型為（-2.2，2.8），F(xiàn)reedson模型為（3.2，-2.1）和Hendleman模型為（3.6，-3.3），從圖9可見，神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型的預(yù)測(cè)結(jié)果與實(shí)測(cè)值的一致性程度較高。

為進(jìn)一步檢驗(yàn)各模型預(yù)測(cè)值與實(shí)測(cè)值（K4b2測(cè)量結(jié)果）之間的一致性，本研究采用等效性檢驗(yàn)中的可信區(qū)間法，該方法可以得出2組數(shù)據(jù)等效或無差異[21]。本研究采用Nolan等[16]制定的標(biāo)準(zhǔn)為檢驗(yàn)等效性的依據(jù)，即預(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（？滋±10%？滋）。

從表9可知，線性回歸模型、兩階段模型、Freedson模型和Hendleman模型預(yù)測(cè)數(shù)值90%的置信區(qū)間均沒有落入校標(biāo)實(shí)測(cè)值的等效區(qū)間里，神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型90%置信區(qū)間分別為4.01～4.17和3.86～4.13，落在了3.72～4.54的等效區(qū)間內(nèi)，可以認(rèn)定，后2種模型預(yù)測(cè)值與K4b2校標(biāo)值測(cè)量之間具有等效性。

2.2.2? 模型在各體力活動(dòng)項(xiàng)目測(cè)量的準(zhǔn)確性

從圖10可知，神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型的散點(diǎn)普遍靠近參考線，支持向量機(jī)模型在20個(gè)體力活動(dòng)項(xiàng)目中，低估所有的家務(wù)勞動(dòng)類體力活動(dòng)和運(yùn)動(dòng)類體力活動(dòng)，在全部低估的14個(gè)項(xiàng)目中 ，6個(gè)項(xiàng)目低估幅度在10%以內(nèi)，有6個(gè)項(xiàng)目低估的幅度在10%～20%， 所有高估的幅度均在10%以內(nèi);神經(jīng)網(wǎng)絡(luò)模型高估了10項(xiàng)體力活動(dòng)的能耗，低估了10項(xiàng)體力活動(dòng)項(xiàng)目;兩階段模型有6個(gè)體力活動(dòng)項(xiàng)目的估計(jì)誤差在±20%以上，其在上、下肢體力活動(dòng)的項(xiàng)目中有較好的預(yù)測(cè)效度;而線性模型預(yù)測(cè)中有12項(xiàng)體力活動(dòng)項(xiàng)目的預(yù)測(cè)誤差在±20%以上，預(yù)測(cè)誤差明顯高于其他3個(gè)模型。

對(duì)單個(gè)體力活動(dòng)項(xiàng)目進(jìn)行分析發(fā)現(xiàn)（見表10），在擦桌子時(shí)，一般線性回歸模型和兩階段模型的預(yù)測(cè)誤差較大，分別高估能耗87%和59%，而基于機(jī)器學(xué)習(xí)算法的2種模型卻有較高的精確性，類似的情況還出現(xiàn)在3 mph3%走、3 mph8%走和5 mph3%跑上，這3個(gè)項(xiàng)目的共同特征是帶有坡度的走跑類體力活動(dòng)，而沒有坡度的走跑運(yùn)動(dòng)則各模型均有較準(zhǔn)確的預(yù)測(cè);此外，4個(gè)腕部模型都在跳繩項(xiàng)目上嚴(yán)重低估其能耗，低估的幅度為29%～40%。

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，研究者普遍摒棄了早期以Freedson模型為代表的走跑運(yùn)動(dòng)實(shí)驗(yàn)方案[5]，認(rèn)為走跑運(yùn)動(dòng)方案難以準(zhǔn)確反映日常體力活動(dòng)的特征，其建構(gòu)的模型不能準(zhǔn)確測(cè)量日常生活中的非走跑類體力活動(dòng)[22]，實(shí)驗(yàn)方案的制定必須是走跑類體力活動(dòng)方案與非走跑類體力活動(dòng)方案的結(jié)合[23]。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)融入到體力活動(dòng)方案中，認(rèn)為靜息類的體力活動(dòng)雖然梅脫值低，但在日常體力活動(dòng)中占據(jù)較長(zhǎng)時(shí)間，不能因其引入方案會(huì)影響模型對(duì)走跑類體力活動(dòng)和非走跑類體力活動(dòng)的預(yù)測(cè)準(zhǔn)確性就視而不見[24]。此外，還有學(xué)者認(rèn)為在設(shè)計(jì)體力活動(dòng)方案時(shí)應(yīng)該考慮上、下肢的活動(dòng)特征。綜上所述，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)特征因素和體力活動(dòng)強(qiáng)度因素，選擇適宜種類和數(shù)量的體力活動(dòng)，保證方案的代表性。

因此，本研究的實(shí)驗(yàn)方案由5種靜息類體力活動(dòng)、6種走跑類體力活動(dòng)，5種家務(wù)勞動(dòng)類體力活動(dòng)和4種體育鍛煉類體力活動(dòng)構(gòu)成，基本囊括大學(xué)生日常體力活動(dòng)的主要類型和項(xiàng)目，同時(shí)又兼顧了體力活動(dòng)的肢體特征和強(qiáng)度特征，坐著看手機(jī)、坐著打字和坐著讀書均涉及少量上肢肢體活動(dòng)，而疊衣服、整理書桌主要是站立狀態(tài)下較大幅度的上肢活動(dòng)，掃地和拖地及其他體育鍛煉類體力活動(dòng)均是上、下肢活動(dòng)兼有的非周期性體力活動(dòng)，所有的走跑類體力活動(dòng)為上、下肢活動(dòng)兼有的周期性體力活動(dòng)。本方案有6項(xiàng)體力活動(dòng)屬于小強(qiáng)度的體力活動(dòng)（<3 METs），8項(xiàng)體力活動(dòng)屬于中等強(qiáng)度的體力活動(dòng)（3～5.9 METs），6項(xiàng)體力活動(dòng)屬于大強(qiáng)度體力活動(dòng)（≥6 METs），測(cè)試方案基本滿足強(qiáng)度特征。

雖然有研究表明，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;但是鑒于坡道情況下的走跑類體力活動(dòng)在日常走跑活動(dòng)中占據(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)，遂將坡度走跑類體力活動(dòng)納入實(shí)驗(yàn)方案中。

3.2? 腕部加速度計(jì)各預(yù)測(cè)模型準(zhǔn)確性的分析

3.2.1? 線性回歸模型和兩階段模型能耗預(yù)測(cè)準(zhǔn)確性分析

加速度計(jì)能耗模型經(jīng)歷了線性回歸模型、兩階段模型和機(jī)器學(xué)習(xí)模型這3個(gè)階段，3個(gè)模型主要是髖部模型，針對(duì)腕部模型的研究數(shù)量較少。早期對(duì)線性回歸模型的研究中：Swartz等[6]將CSA單軸加速度計(jì)佩戴在腕部和髖部，對(duì)其能耗準(zhǔn)確性進(jìn)行評(píng)估，回歸方程只能解釋3.3%的變異。而Chen等[25]的研究表明3軸加速度計(jì)VM值與校標(biāo)值之間的決策系數(shù)為0.41，這與本研究的結(jié)果相近，造成前后不同研究結(jié)果差距較大的主要原因與加速度計(jì)的性能相關(guān)，單軸加速度計(jì)不能有效反映腕部加速度計(jì)的狀況。Rosenberger等[26]在此基礎(chǔ)上，將兩階段模型和線性回歸模型同時(shí)進(jìn)行評(píng)估，結(jié)果顯示兩階段模型中ROC區(qū)分靜息類體力活動(dòng)的AUC曲線為0.76，區(qū)分周期性體力活動(dòng)的為0.56，低于本研究的AUC（0.99和0.76），而能耗預(yù)測(cè)的平均差值0.82 METs，高于本研究的0.55 METs，測(cè)量誤差高于本研究。這可能與該研究選擇的體力活動(dòng)方案有關(guān)，例如，選擇自行車等項(xiàng)目勢(shì)必會(huì)降低預(yù)測(cè)的準(zhǔn)確性。雖然本研究橫向上與Rosenberger等的研究結(jié)果略有不同，但研究縱向比較的結(jié)果基本一致，均是兩階段模型的測(cè)量準(zhǔn)確性明顯優(yōu)于一般線性回歸模型;但該類模型最早是針對(duì)髖部加速度計(jì)而設(shè)計(jì)的，從腕部的應(yīng)用效果上來看，測(cè)量的準(zhǔn)確性低于髖部，其實(shí)踐應(yīng)用的價(jià)值有待進(jìn)一步探究。

在本研究中，線性模型的截距為2.019，也就是說在靜息類的體力活動(dòng)中其預(yù)測(cè)的能耗都高于2.0 METs，而實(shí)測(cè)值在1.3 METs左右，遠(yuǎn)高于實(shí)測(cè)值，6個(gè)項(xiàng)目的預(yù)測(cè)誤差在59%～70%。而兩階段模型對(duì)于靜息類體力活動(dòng)賦值為1 METs， 其預(yù)測(cè)的誤差遠(yuǎn)低于線性回歸模型;鑒于此，Crouter等[27]在兩階段模型和線性回歸模型之間提出了一種折中的算法，僅把體力活動(dòng)分為靜息類和非靜息類體力活動(dòng)，靜息類體力活動(dòng)賦值為1 METs，非靜息類體力活動(dòng)建立線性回歸方程，有效地解決了靜息類體力活動(dòng)測(cè)量誤差偏大的問題。在兒童中應(yīng)用的結(jié)果顯示，矢量技術(shù)的預(yù)測(cè)方程的RMSE為1.38 METs，預(yù)測(cè)誤差高于本研究和Rosenberger等的研究結(jié)果，這提示進(jìn)一步對(duì)體力活動(dòng)進(jìn)行細(xì)分，并分別建立回歸方程，有助于提高預(yù)測(cè)的準(zhǔn)確性。

Swartz等[6]針對(duì)走跑運(yùn)動(dòng)建構(gòu)線性回歸模型，腕部的R2為0.03，而髖部則為0.32，Mannini等[28]和Chen等[25]的研究結(jié)果也類似。而對(duì)于兩階段模型而言，也存在相同的問題，髖部的預(yù)測(cè)準(zhǔn)確性明確高于腕部，Rosenberger的研究[26]顯示腕部的平均誤差為0.82 METs，高于髖部的0.55 METs，其分類準(zhǔn)確性也低于髖部模型。由此可以推斷，無論是線性回歸模型預(yù)測(cè)，還是兩階段模型預(yù)測(cè)，腕部加速度計(jì)能耗預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性均低于較髖部。

3.2.2? 機(jī)器學(xué)習(xí)算法預(yù)測(cè)準(zhǔn)確性分析

本研究將機(jī)器學(xué)習(xí)算法中的神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型同時(shí)引入到腕部加速度計(jì)模型中，結(jié)果顯示：RMSE分別為1.28 METs和1.30 METs。該研究結(jié)果得到其他研究的支持，Montoye等[12]的神經(jīng)網(wǎng)絡(luò)模型測(cè)試結(jié)果顯示r為0.84，RMSE為1.25 METs，這與本研究的結(jié)果相近，表明神經(jīng)網(wǎng)絡(luò)模型在腕部加速度計(jì)的能耗預(yù)測(cè)中具有一定的穩(wěn)定性。還有研究構(gòu)建和評(píng)估隨機(jī)森林分類器算法模型，其同時(shí)融合心率信號(hào)和加速度信號(hào)，結(jié)果顯示RMSE為1.00 METs[10];Strath等[13]則探討了時(shí)間序列模型的測(cè)量準(zhǔn)確性，其RMSE為0.81～1.04 METs。上述研究結(jié)果顯示，機(jī)器學(xué)習(xí)算法之間的誤差相差很小，這也與本研究的結(jié)果基本一致，在本研究中機(jī)器學(xué)習(xí)算法和支持向量機(jī)算法的RMSE也只僅相差0.03。

本研究的結(jié)果表明，機(jī)器學(xué)習(xí)算法在腕部加速度計(jì)能耗的預(yù)測(cè)準(zhǔn)確性高于線性回歸模型和兩階段模型，該結(jié)果也部分得到Montoye研究[19]的印證，該研究顯示神經(jīng)網(wǎng)絡(luò)模型和一般線性回歸模型的RMSE分別為1.26～1.32 METs和1.55～1.61 METs，神經(jīng)網(wǎng)絡(luò)模型優(yōu)于一般線性回歸模型。Staudenmayer等[9]對(duì)不同模型進(jìn)行對(duì)比后也得出相似結(jié)果。機(jī)器學(xué)習(xí)算法預(yù)測(cè)精度優(yōu)于傳統(tǒng)模型的一個(gè)最主要原因就是其充分利用原始數(shù)據(jù)，將其合成為反映原始數(shù)據(jù)信息的眾多指標(biāo)，而傳統(tǒng)的模型則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)含的豐富含義。

此外，本研究的結(jié)果還顯示神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型無論在RMSE還是Bias指標(biāo)上均低于髖部的Freedson模型和Hendleman模型，但應(yīng)該認(rèn)識(shí)到建立上述2個(gè)模型所依據(jù)的體力活動(dòng)方案和實(shí)驗(yàn)對(duì)象都不同。因此，并不能簡(jiǎn)單地通過等效性檢驗(yàn)和RMSE分析就得出腕部的2個(gè)模型預(yù)測(cè)準(zhǔn)確性高于Freedson模型和Hendleman模型的結(jié)論， 這還需要更多的研究來支撐。

在測(cè)量部位對(duì)機(jī)器學(xué)習(xí)模型測(cè)量準(zhǔn)確性影響的探討中，Ellis等[10]發(fā)現(xiàn)相同隨機(jī)森林算法的髖部模型和腕部模型之間測(cè)量準(zhǔn)確性并無顯著性的差異，其RMSE分別為1.09 METs和1.00 METs。還有研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)算法在體力活動(dòng)類型識(shí)別上，髖部與腕部的準(zhǔn)確率之間無顯著性差異[29]，Montoye等[19]的研究結(jié)果也相似。目前，對(duì)該問題的實(shí)證研究較少，但可以推斷，機(jī)器學(xué)習(xí)算法能夠比線性回歸模型更好地應(yīng)用于腕部加速度計(jì)中，且測(cè)量準(zhǔn)確性與髖部相近，其原因在于：機(jī)器學(xué)習(xí)算法具有“智能”特征，能夠自主學(xué)習(xí)，可以依據(jù)現(xiàn)有數(shù)據(jù)優(yōu)化算法，充分利用數(shù)據(jù)中蘊(yùn)含的豐富信息反映體力活動(dòng)特征，而是否存在著機(jī)器學(xué)習(xí)算法受佩戴部位影響小、線性回歸模型和兩階段模型受佩戴部位影響大這種佩戴部位和算法模型之間的交互效應(yīng)，還應(yīng)有更多的研究進(jìn)行系統(tǒng)的探討。

3.3? 機(jī)器學(xué)習(xí)模型輸入指標(biāo)體系的分析

本研究建立了含有10個(gè)指標(biāo)的機(jī)器學(xué)習(xí)輸入層指標(biāo)體系，其中：7個(gè)指標(biāo)是借鑒髖部加速度計(jì)的相關(guān)成果，3個(gè)指標(biāo)是根據(jù)腕部的運(yùn)動(dòng)特征而專門設(shè)計(jì)的，以反映加速度計(jì)在空間中的位置變化速度，從與實(shí)測(cè)值的相關(guān)系數(shù)上看，這3個(gè)指標(biāo)是滿足預(yù)測(cè)需要的。目前，該研究領(lǐng)域的指標(biāo)體系分為2大類：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(jiǎn)便、含義清晰而受青睞，但頻域指標(biāo)能夠深層次地反映某些時(shí)域指標(biāo)不能體現(xiàn)的信息[28]。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)研究采用試湊法對(duì)此進(jìn)行研究，Kate等[30]認(rèn)為對(duì)于體力活動(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[12]的研究結(jié)果也支持這一結(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)是下一步研究應(yīng)該解決的問題。

3.4? 本研究的局限

本研究中的受試者均為18～29歲的正常體質(zhì)量大學(xué)生，所建立的模型是否具有人群的局限性還需要后續(xù)研究加以探討;在研究方案上，本研究所有的測(cè)試均在實(shí)驗(yàn)室情境下以體力活動(dòng)任務(wù)清單的形式執(zhí)行，雖然體力活動(dòng)項(xiàng)目眾多，基本反映日常體力活動(dòng)的狀況，且各強(qiáng)度兼而有之，但還是與日常生活的實(shí)際情況有較大差距，下一步應(yīng)在條件允許的情況下，探討實(shí)際生活情景下的預(yù)測(cè)模型，進(jìn)一步提高方程預(yù)測(cè)的準(zhǔn)確性。

4? ?結(jié)論

本研究所建構(gòu)的4個(gè)腕部加速度計(jì)能耗預(yù)測(cè)模型中，神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型預(yù)測(cè)的準(zhǔn)確性高于兩階段模型和線性回歸模型，前2種模型可以較好地預(yù)測(cè)日常體力活動(dòng)中的能量消耗，具有較高的實(shí)踐應(yīng)用價(jià)值;而在腕部能耗預(yù)測(cè)中，應(yīng)慎重應(yīng)用兩階段模型，一般線性回歸模型不適宜應(yīng)用于腕部加速度計(jì)。應(yīng)進(jìn)一步加強(qiáng)對(duì)相同計(jì)算模型不同部位間的比較，系統(tǒng)探究計(jì)算模型、佩戴部位和體力活動(dòng)類型對(duì)加速度計(jì)測(cè)量準(zhǔn)確性的影響。

參考文獻(xiàn)：

[1]? 溫煦， 袁冰， 李華， 等.論智能可穿戴設(shè)備在我國(guó)體力活動(dòng)大數(shù)據(jù)分析中的應(yīng)用[J]. 中國(guó)體育科技， 2017， 53（2）：80.

[2]? 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.

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

[4]? FREEDSON P S， MELANSON E， SIRARD J. Calibration of the computer science and applications， inc. accelerometer[J]. Medicine and Science in Sports and Exercise， 1998， 30（5）：777.

[5] HENDELMAN D， MILLER K， BAGGETT C， et al. Validity of accelerometry for the assessment of moderate intensity physical activity in the field[J]. Medicine and Science in Sports and Exercise， 2000， 32（9 ）： 442.

[6]? 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 & Science in Sports & Exercise， 2000， 32（9）：450.

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

[8]? ROTHNEY M P， NEUMANN M， BéZIAT A， et al. An artificial neural network model of energy expenditure using nonintegrated acceleration signals[J]. Journal of Applied Physiology， 2007， 103（4）： 1419.

[9]? STAUDENMAYER J， POBER D， CROUTER S， et al. An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer[J]. Journal of Applied Physiology， 2009， 107（4）：1300.

[10]? ELLIS K， KERR J， GODBOLE S， et al. A random forest classifier for the prediction of energy expenditure and type of physical activity from wrist and hip accelerometers[J]. Physiological Measurement， 2014， 35（11）：2191.

[11]? 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， 48（13）： 1019.

[12]? MONTOYE A H， 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.

[13]? STRATH S J， KATE R J， KEENAN K G， et al. Ngram time series model to predict activity type and energy cost from wrist， hip and ankle accelerometers： implications of age[J]. Physiological Measurement， 2015， 36（11）：2335.

[14]? 陳立基. 周期性運(yùn)動(dòng)項(xiàng)目訓(xùn)練手段的發(fā)展趨勢(shì)[J]. 武漢體育學(xué)院學(xué)報(bào)， 1987（2）：47.

[15]? MANSOUBI M， PEARSON N， CLEMES S A， et al. Energy expenditure during common sitting and standing tasks： examining the 1.5 MET definition of sedentary behaviour[J]. BMC Public Health， 2015， 15（1）： 516.

[16]? NOLAN M， MITCHELL J R， DOYLE-BAKER P K. Validity of the apple iphone？/ipod touch？ as an accelerometer-based physical activity monitor： a proof-of-concept study[J]. Journal of Physical Activity & Health， 2014， 11（4）：759.

[17]? FAWCETT T. An introduction to ROC analysis[J]. Pattern Recognition Letters， 2006， 27（8）：861.

[18]? 張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 自動(dòng)化學(xué)報(bào)， 2000， 26（1）：32.

[19]? MONTOYE A H K， BEGUM M， HENNING Z， et al. Comparison of linear and non-linear models for predicting energy expenditure from raw accelerometer data[J]. Physiological Measurement， 2017， 38（2）：343.

[20]? 丁世飛， 齊丙娟， 譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)， 2011，40（1）： 2.

[21]? 袁秉祥， 朱芳. 生物等效性檢驗(yàn)的計(jì)算及計(jì)算程序[J]. 西安醫(yī)科大學(xué)學(xué)報(bào)， 2001， 22（2）：164.

[22]? LEENDERS N Y， SHERMAN W M， NAGARAJA H N. Energy expenditure estimated by accelerometry and doubly labeled water： do they agree[J]. Medicine & Science in Sports & Exercise， 2006， 38（12）：2165.

[23]? 朱琳， 陳佩杰. 應(yīng)用ROC曲線確定活動(dòng)計(jì)數(shù)在青春期少年運(yùn)動(dòng)強(qiáng)度診斷中的最佳臨界值[J]. 體育科學(xué)， 2012， 32（11）：70.

[24]? CHEN K Y， BASSETT D R. The technology of accelerometry-based activity monitors： current and future[J]. Medicine & Science in Sports & Exercise， 2005， 37（11S）：490.

[25]? CHEN K Y， ACRA S A， MAJCHRZAK K， et al. Predicting energy expenditure of physical activity using hip-and wrist-worn accelerometers[J].Diabetes Technology & Therapeutics， 2003， 5（6）： 1023.

[26]? 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.

[27]? CROUTER S E， JENNIFER I F， DAVID R B. Estimating physical activity in youth using a wrist accelerometer[J]. Medicine and Science in Sports and Exercise ，2015，47 （5）： 944.

[28]? MANNINI A， INTILLE S S， ROSENBERGER M， et al. Activity recognition using a single accelerometer placed at the wrist or ankle[J]. Medicine & Science in Sports & Exercise， 2013， 45（11）：2193.

[29]? TROST S G， ZHENG Y， WONG W K. Machine learning for activity recognition： hip versus wrist data[J]. Physiological Measurement， 2014， 35（11）： 2183.

[30]? KATE R J， SWARTZ A M， WELCH W A， et al. Comparative evaluation of features and techniques for identifying activity type and estimating energy cost from accelerometer data[J]. Physiological Measurement， 2016， 37（3）： 360.