智能手机内置加速度传感器监测走跑运动能量消耗的研究

陈庆果 袁川 范江江 陈恩格

摘 要：为探讨走跑运动中手机内置加速度传感器原始信号的处理方法，在此基础上建构走跑运动的能耗模型并对其测量准确性进行评估。方法：45名受试者分别同时佩戴3部智能手机、1个能耗监测仪和1套气体代谢分析仪，在400 m田径场上分别以4 、6 、8 和10 km/h的速度完成走跑运动各5 min。结果：在VM输出上，手机（腰部）、手机（上臂）和手机（荷包）与GT3X的相关系数分别为0.963、0.952和0.941。在所建构模型中，除10 km/h跑速下手机（荷包）和GT3X预测值90%CI落在校标（K4b2）的等效区间外，其他均在等效区间内；在RMSE上，GT3X>手机（荷包）>手机（上臂）>手机（腰部）。3部手机在不同跑速下能耗预测值的ICC为0.872～0.975，均高度相关。各手机与GT3X在B-A图上落在一致性限度区间以外的点的百分比均不高于5%。结论：设计的加速度信号预处理方法具有应用价值，所使用的智能手机能够准确地预测走跑运动的能量消耗，并且腰部、上臂和荷包均是有效佩戴点。

关键词：智能手机；加速度传感器；走跑运动；能量消耗；测量

中图分类号：G 804.2 学科代码：040302 文献标识码：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、慢跑的参与者数量呈井喷式增长，健身走、跑中的能量消耗问题也备受关注，以加速度传感器为基础的运动能耗监测仪受到了越来越多健身者的青睐，相关产品如健身手环、健身手表等层出不穷，品牌型号更是纷繁复杂，其中美国Actigraph公司生产的系列产品在研究中被广泛应用 [1]。但这些运动能耗监测设备在健身群体中很难大面积地普及，一是因为需要专门佩戴，耗费使用者额外的精力，二是因为价格不菲，普通健身者难以承担；因此，测量的效益问题有待解决[2]。而智能手机快速的普及和性能的不断完善为解决这一问题提供了新思路。

目前，加速度传感器被普遍内置于智能手机中，手机已具备运动能耗监测产品的硬件条件，且不会给佩戴者造成任何的使用负担和经济压力，是一种便于推广普及的运动能耗监测设备。目前已有咕咚运动、乐动力等多款手机软件可测量运动能耗，但这些软件都是基于GPS（全球卫星定位系统）来获取空间数据，进而获取速度数据来推算运动能耗。受信号限制，该方法只能在室外使用，不便监控家务和工作体力活动，并且在走跑活动中也存在较大的测量误差。明鑫等的研究表明国内的4款运动软件预测值远低于校标值[3]，国外也有类似的研究结果[4]，影响其测量准确性的因素主要是：1）不能反映对运动能耗较敏感的垂直轴情况；2）采样频率低。

现阶段，基于智能手机内置加速度传感器的体力活动研究还主要集中在人机智能化领域，以探究动作识别为主[5-6]，在健身走、跑的研究中也僅是集中在计步上，还缺乏对能耗测量的系统研究。虽然目前对运动能耗监测仪测量准确性的评估众多，各种能耗模型也常见报告，但是原始加速度信号的处理方法是各品牌的商业机密；因此，有必要以智能手机内置加速度传感器为基础，探讨健身走、跑的原始加速度信号处理过程，在此基础上建构能耗模型，并对其进行测量准确性评估，为智能手机在健身实践和科学研究中的应用奠定基础。

1 研究对象与方法

1.1 研究对象

受试者为45名在校大学生，其中男性23名，女性22名，平均年龄21.7岁，见表1。所有受试者均肢体健康，无心血管疾病史，测试前24 h内无大强度体力活动。所有受试者均签署知情同意书。

1.2 研究方法

1.2.1 测量方法

1）测量仪器。

受试者身高和体重采用恒康佳业HK-600身高体重仪测量，韩国VIVENTE-GOLD体成分仪测量其体脂率。

使用3部红米note2手机作为测试手机，其内置的三轴加速度传感型号为ACCELEROMETER，量程±2 g。选择该型号手机是鉴于其正向研究结果具有良好的普适性。本研究编写专门软件收集手机加速度传感器3个轴的原始数据，采样频率为75 Hz，所获数据以CSV格式保存在手机中。测试后，将原始数据下载后归类整理，利用SPSS软件、minitab软件和MATLAB软件进行后期处理。

为便于测量准确性的横向比较，使用美国产运动能耗监测仪Actigraph-GT3X（以下简称GT3X）同步监测健身走、跑的能量消耗，采样频率设为30 Hz，。使用配套的Actilife6.0软件对GT3X进行重置及后期数据处理。

使用便携式气体代谢分析仪CosmedK4b2（以下简称K4b2）同步监测活动时的能量消耗，其测量结果在同类研究中被广泛视为金标准[7]。为保障测量的精度，每日测试前均进行定标。测试时以某一分钟的第1秒为起始时间按压K4b2开始键以记录数据，保证其与GT3X和智能手机数据的一致性。

2） 测试方案。

测试时每个受试者同时佩戴K4b2和3部智能手机以及1个GT3X。智能手机分别置于受试者的左侧髋部髂棘处（运动腰带固定）、左侧上臂外上1/3处（Armband固定）和左侧腹部荷包处。GT3X使用弹性腰带置于受试者右侧髋部、肚脐水平高度。

走跑测试分为4个阶段，每个阶段分别为5 min，速度依次为4 （慢走）、6 （快走）、8 （慢跑）和10 km/h（跑），间隔时间依据心率的恢复情况而定，1～5 min不等。

测试在标准400 m田径场上进行，跑道上每隔5 m放置一个标志桶。测试时播放相应的音频，4个阶段的提示音时间间隔分别为4.50、3.00、2.25和1.80 s，测试音每响一次受试者走（跑）完一个标志桶（5 m），受试者在正式测试前会在工作人员的示范下熟悉节拍和速度。正式测试时根据标志物和节拍调整速度，有工作人员陪同骑行，对受试者进行实时提醒。

1.2.2 数据处理

自编程序在MATLAB7.0上运行以对手机加速度原始信号进行处理，过程如下：1）进行快速傅里叶变化观察其主频，根据主频结果设置二阶巴特沃兹带通滤波器对信号进行滤波；2）进行修正处理以去除趋势；3）将每轴的AC合成3轴的VM（vector magnitude， 矢量计数）。

本研究将45名受试者随机分到建模组（30人）和验证组（15人），并单独建立相应的统计分析数据库。在模型构建中，使用SPSS软件对各跑速下手机、GT3X和K4b2的数据进行描述性统计，采用Pearson相关考察各加速度设备之间，以及与K4b2之间输出结果的一致性。智能手机预测模型建立的程序和方法参考FREEDSON VM3 Combination（2011）联合方程（以下简称VM3C）的研制。

在模型验证中，使用MiniTAP软件进行等效性检验，以判断预测METs和实测METs测量结果的一致性，标准为：预测均值90%置信区间是否落入实测均值的等效区间（？滋±10%？滋）[8]。如果落入则接受备择假设：上限<检验值/校标均值<下限，可认定2种测量方法等效；利用RMSE指标考察各加速度设备预准确性；利用ICC判断智能手机能耗预测值之间的一致性；用Bland-Altman图法进一步分析各加速度设备与效标的一致性。

2 研究结果

2.1 智能手机加速度传感器信号的预处理

常见的人体能耗监测仪的输出数据为count值，多数能耗预测模型也是以该数值为基础建构而来；但该数值并不是加速度传感器产生的原始数据，而是经过预处理后的数据，而处理过程是各厂商的商业机密，且处理的方法和流程均有所区别，震动盘上的实验表明相同的活动各品牌的count值差异在300～3 000[9]。本研究借鉴相关研究成果，结合具体的使用条件对信号进行处理，将其分为滤波、修正和数据合成3个环节。

2.1.1 滤波

在体力活动监测中，滤波（wave filtering）的主要作用是将运动信号保留，将其他频段噪声和干扰排除，是提高测量精度的一项重要措施。本研究借鉴信号处理的常用方法，采用傅里叶转换（FFT）技术从原始数据中得出频谱信号，根据波峰观察和先验经验确定主频，从而确定滤波器带通频率。图1显示3部手机在不同速度走跑下，三轴上的主频率基本都在5 Hz以内，同时为排除低频信号（直流漂移、电传感器老化和温度变化等）的干扰，将带通频率设计为0.2～5.0 Hz，参考孙泊等[3]的滤波实践，采用二阶巴特沃兹带通滤波器对三轴的原始加速度数据分别进行滤波。

2.1.2 数据的修正

鉴于智能手机在实际使用中的佩戴条件，运动轴和运动方向不能完全匹配，重力會产生分量影响各轴，参考SEKINE等[9]的建议，同时对3个轴过滤后的信号进行去趋势处理以消除各轴上重力的影响，公式为：？字t'=？字t-■t-5～t ，处理前后对比如图2所示。

2.1.3 数据的合成

加速度传感器用于运动能耗监测时，其采样频率往往都不低于30 Hz，也就是说一个三轴加速度传感器每秒就要生成不少于90个原始数据，长时间的监测会产生海量的数据，这就需要对数据预先进行合成。目前使用的计算指标有单位时间内的信号峰值、阈值计数、积分值、四分位差、峰度系数和偏度系数等，其中积分值最常使用。鉴于此，同时为克服信号双向性带来的积分消抵，本研究取绝对值后再计算积分。

在实际应用中，能耗仪能较为稳定地固定在身体的某一部分，避免产生相对运动，而手机的固定条件不如能耗仪，传感器3个运动轴与运动方向不能完全匹配，会受到重力分量的影响，单一轴的AC数值表征活动会产生较大的误差。鉴于此，本研究采用三轴的合成矢量计数（VM）：

VM=（AC2x+AC2y+AC2z）1/2

2.2 建模组走跑运动能耗和VM特征分析

从表2可知，不同速度走跑时GT3X和各手机的VM在数值上有较大差异，但变化趋势基本相同，均与校标保持一致。进一步使用Pearson相关分析后发现GT3X与各手机之间相关系数均在0.9以上（见表3），这不但表明GT3X和手机原始信号提供高度相似的信息，GT3X中能耗方程建立的方法和条件适用于本研究所使用的手机，还说明了本研究加速度信号处理方法是合理的。

2.3 智能手机能耗方程的建构

最新版的Actilife6.0软件中，共提供4个kcal能耗预测模型，王军利的研究表明VM3C方程系统误差较小[10]，最为适合我国年轻人的能耗算法方程。该方程是Sasaki方程[11]和Williams方程[12]的组合，分为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）。

图3～5为各智能手机的VM、体质量和能耗的三维空间散点图，各图的散点均一定程度上存在着拐点现象，这也表明智能手机的能耗预测模型适宜于使用这种分段式方程。该方程建立思路为：1）建立METs的VM预测方程；2）以中等强度阈值3MET回代入方程求得相应的VM阈值；3）然后以该点分别构建低强度活动和中高强度活动预测方程。

2.3.1 METs预测方程与3MET-VM临界点

由表4可知，各部智能手机的能耗预测模型中R2均高于0.9，且SEE较低，提示3个方程的拟合程度都较高。

根据3个方程可以推算出3METs对应的VM临界点：手机（腰部）为86 counts/min、手机（上臂）为26 counts/min、手机（荷包）为120 counts/min。以上述切点为依据划分活动为低强度活动和中高强度活动，并分别构建相应方程。

2.3.2 低强度体力活动能耗方程

VM3C联合方程低强度体力活动的能耗预测公式为E/（kcal/min）=VM×0.0000191×BM。该公式是基于能量守恒的原理演算而来，并不是通过线性回归建构的方程；因此，本研究依据GT3X与各智能手机VM的比值，分别建立各手机低强度区间的能耗模型，见表5。

2.3.3 中高强度体力活动能耗方程

参考VM3C联合方程中高强度体力活动方程建立的流程，将BM（体重）变量引入到模型中，得到各智能手机的预测模型见表6，各方程决定系数R2=0.908～0.919，均高于0.9，且SEE较低，3个模型均具有较高的拟合度。

2.4 智能手机测量走跑运动能耗准确性的检验

判断预测值和校标值的一致性，传统的方法为配对样本t检验，但差异无统计学意义的结果只能得到一个“没有结论”的结论，不能冒然得出2组数据等效或无差异[13]；因此，本研究采用等效性检验中的可信区间法确定智能手机和GT3X的预测值与校标值（K4b2测量结果）之间的等效性，依据为：预测均值90%置信区间是否落入实测均值的等效区间（？滋±10%？滋）[8]。从表7可知，4、6 、8 km/h，各手机以及GT3X预测数值90%的置信区间均落入校标实测值的等效区间里，仅在10 km/h下，手机（荷包）和GT3X的测量与K4b2的测量不等效，90%置信区间分别为10.16～10.74、10.27～10.78落在了10.40～12.71的等效区间以外。从总的能耗上看，各加速度设备的置信区间也均落入等效区间里面，因此，基本可以认定各加速度设备与K4b2之间能耗测量具有等效性。

图6显示各跑速下手机与GT3X的均方根误差（RMSE），整体上看，场地走的RMSE低于场地跑的RMSE。各加速度设备的RMSE均在10 km/h跑步中出现峰值。在各个速度上，手机（腰部）测量的RMSE均最小，分别为0.26、0.24、1.15和1.61，整体为0.81。而手机（荷包）随着跑速的增加，其RMSE迅速增加，相比上一级速度增加的幅度分别为22.2%、149.1%和116.06%。从总能耗上看，各设备RMSE的排序为： GT3X>手机（荷包）>手机（上臂）>手机（腰部）。

组内相关系数（ICC）分析的结果显示，手机（腰部）、手机（上臂）和手机（荷包）在不同速度下的能耗预测数值均高度相关。在以4、6 、8 和10 km/h的速度运动时，各手机能耗预测值之间的科隆巴赫系数分别为0.975、0.946、0.894和0.872，说明各智能手机能耗结果具有很好的一致性。

通过Bland-Altman法，本研究分别计算了3部手机及GT3X与气体代谢分析仪测量值的一致性限度区间（limits of agreement， mean ±1.96 s），手机（腰部）为（-1.7，2.1），手机（上臂）为（-2.0，2.0），手机（荷包）为（-2.4，2.1）和GT3X为（-2.8，1.7），各设备分别有7个、8个、9个和9个点在一致性限度区间以外，占总点数的比例分别为3.89%、4.44%、5%和5%，均不高于5%的标准，表明其与气体代谢分析仪的测量结果一致性好，与等效检验的结果相匹配。手机（荷包）和GT3X的测量值偏倚小于0，显示整体上两者略低估计能耗，而手机（腰部）的偏倚为0.2，又略微高估能耗，见表8。

3 分析与讨论

3.1 智能手机与GT3X预测场地走跑能耗准确性的对比分析

按照等效性判断标准，除了10 km/h跑速下手机（荷包）和GT3X的90%置信区间落在校标等效区间外，其他各跑速下，各手机及GT3X与K4b2的测量均等效。总的能量消耗上，各智能手机、GT3X与K4b2的测量均具有等效性，通过进一步分析测量误差后发现，GT3X在各个阶段均低估能量消耗，这与王欢等[14]和王军利等[10]的研究结果是一致的，GT3X的滤波频率为0.25～2.5 Hz。Uemura等[15]认为过窄的滤波频率，影响其对于中高强度活动的测量；但不能认为频率设置不合理，因为GT3X运动能耗仪用来监测日常的体力活动，走/跑活动只是一部分，滤波频率的设置应兼顾各项活动，不能因某类活动能耗预测误差大就调整滤波的频率，应该从活动识别和能耗模型上入手，针对不同活动类型建立针对性的能耗方程[16]。

在10 km/h下，手机测量的RMSE出现峰值，低于实际能耗，也同GT3X一样，存在着高强度活动测量时的“平台”现象[17]，在走跑能耗监测中，未来可以借用Crouter混合模型的思路，建立曲线回归模型，解决走跑能耗预测的“平台”问题[18]。

但也应该认识到，GT3X使用的VM3C虽然说也是以不同速度走跑为运动方案建立的能耗模型，但其实验对象、实验方案有所不同；因此，并不能简单地就通过等效性检验和RMSE分析就得出智能手机能耗监测准确性高于GT3X的结论， 还需要更多的研究去充实以得出概化性结论。本研究的结果只表明智能手机能够准确测量走跑时的能量消耗，可以作为GT3X的补充应用到走跑类健身活动的指导和干预中。

3.2 不同部位智能手机测量结果的一致性分析

本研究中3部佩戴在不同部位的智能手机虽然说在输出的VM上存在着显著性的差异，但高度相关（P=0.962～0.984 ），表明不同部位的红米note2手机提供高度相似的信息，在能耗监测上，3部手机也均可以准确地测量。这表明3个部位均可以用来佩戴手机监测能量消耗，这主要是因为：1）场地走跑运动中上下肢的摆动幅度与人体行进速度密切相关，有研究就对佩戴在大腿、腰部、上臂和踝关节的三轴加速度计进行比较后发现很难认为哪个部位佩戴更有优势[19]；2）智能手机内置的传感器为三轴传感器，Jones等[20]的研究就表明佩戴位置对于三轴加速度计的影响要远远小于对于单轴加速度计的影响；3）本研究使用三轴的矢量合成计数，而不是其中某一轴的积分值，能够部分解决因放置方式不同导致的敏感轴与运动方向不一致的问题。Chen等[21]就认为放置位置不同会导致三轴加速度计X、Y、Z 3个轴的偏转，但并不会对合成的VM造成影响。本研究的结果表明智能手机可以根据使用者的习惯放置在上衣荷包里，而这更符合普通人的佩戴习惯，有助于长时间进行活动数据采集。此外，研究结果也支持跑步爱好者将手机使用Armband置于上臂处。

本研究的结果虽然显示部位对测量准确性的影响小，但仅局限在监测走跑这一类活动，在监测其他非周期性运动或者静力性活动时，佩戴部位却很关键[22]，加速度计均推荐戴在离身体质心较近的部位[23-24]。Rosenberger等的研究表明count为积分值的回归模型（一元回归模型或者是基于动作识别的混合模型）预测活动能耗时，手腕部分的预测误差显著性高于髋部[25]，而Staudermayer等采用机器学习算法集合多个特征指标预测能耗表明腕部加速度计也能准确预测能耗[26]，另外一项研究[27]的结果也类似，这提示不同部位的加速度计需要有不同的特征指标，并组合不同的算法模型，这将是本领域研究的重点问题。

3.3 手机加速度传感器原始信号的处理

研究者耳熟能详的各个运动能耗监测仪输出的count值，实际并不是每个轴的加速度具体数值，而是对原始信号过滤、修正和合成而来的，是原始信号时域特征的提取，并没有实际的生物学意义。采样频率的设置是信号采集初始步骤，遵循Nyquist标准[28]：所设频率至少为运动中人体各环节最大频率的2倍。在运动中身体的加速度信号一般低于10 Hz，日常体力活动中身体质心处的运动频率在0.3～3.5 Hz [29]，因此人体躯干的运动信息采集不应低于30 Hz [30]，GT3X的最低采样频率为30 Hz。目前各品牌智能手機内置的加速度传感器的采样频率基本都可达到50 Hz，可以满足体力活动能耗监测的需求。

滤波过程中设置带通频率是一个关键环节，有效设置可以减少高频噪声干扰的同时降低低频噪音的影响，避免所获信号失真，不能反映运动情况。在实践中，带通频率设置太大时各种低频或高频噪音难以消除，太小时则会造成运动信号遗漏。各品牌能耗仪的带通频率的设置主要是以获取的活动数据为基础进行FFT频谱分析，因此，获取数据的活动项目不同，带通区别有所差别，普遍在0.25～7 Hz [31]。本研究根据FFT频谱分析的结果，结合具体的走跑特征确定手机的带通频率为0.2～5 Hz。而本研究后期的数据表明，智能手机VM的输出也出现“平台”现象[32-33]，提示带通频率可进行适当调整，但调整的幅度需要深入的探究，避免非此即彼纳入更多的无关信号。

原始信號的合成是信号处理的最后环节，而不同品牌能耗监测仪提取的特征也不同，主要分为3类：1）阈值计数[34]；2）时阈峰值[35]；3）加速度积分值[36]。目前，加速度积分值的应用最普遍，但不同品牌对加速度积分的计算也有所区别，有的只利用单轴（垂直轴）数据，有的利用双轴（垂直轴和矢状轴）数据。Midorikawa等[33]认为三轴合成的VM可以全面地反映体力活动中身体的活动情况，此外，还可以克服因为设备放置方式不同而造成的信号差异问题[37]。在实际使用中，智能手机往往是根据使用者的习惯放置，放置条件具有较大的不确定性，因此，在信号合成的时候应使用三轴的数据合成VM来表征运动状况。

3.4 智能手机和GT3X内置加速度传感器的硬件基础

本研究采用红米note2智能手机，市面价格一般为800元，内置的传感器型号是ACCELEROMETER，量程±2g、精度3.90E-3、功率为0.25 W，近似参数的传感器市面价格10～20元，GT3X内置的传感器量程±6g，但是从测量的准确性来说，更大的测量量程并没有提高其测量的精度，这与人体走跑时候的加速度区间相关。Matthew等[38]的研究显示走跑速度在1～5 m/s时人体骨盆处的加速度数值变化范围为0.05～0.5g。本研究中即使跑速达到10 m/s，敏感轴的加速度数值也不超过1.5g，±2g量程能够满足测量场地走/跑的需要。GT3X内置传感器的其他参数未见报告，但从总体上看，GT3X输出的VM数值与各智能手机的高度相似（0.941～0.984），两者原始信号提供高度一致的信息，并且也与K4b2的测量结果的一致程度相当，说明了智能手机内置加速度传感器的配置能够满足体力活动测量的需要，此外，它不需要使用者单独购买，不增加使用者额外的负担，是一种低成本高准确性的运动能耗监测工具。

3.5 基于加速度传感器的能耗方程分析

无论是智能手机还是运动能耗监测仪对运动能耗估算的准确性除了与内置的加速度传感器的性能和原始数据的预处理的方法有关外，还与能量预测的方程密不可分，目前最为常见的模型建构方法是以校标为因变量，以count数值为自变量建立回归方程。不仅不同能耗仪使用的方程不同，相同能耗仪也有多个方程可供选择。例如GT3X软件中就有8个METs和4个kcal的预测公式。不同的方程建立实验条件也不同，有的建立在现实生活情景中[39]，有的以跑台或场地走跑为实验方案[40]；并且在实验对象上，有的为儿童[41]，有的为成年人[42]。本研究采用VM3C方程的思路建构模型，该模型为分段模型，不同活动强度采用不同方程。该方程在国内外广泛使用，具有相对较好的信效度，但该方程测量不同活动类型的准确性存在较大的差异。相关学者一致认为：没有一个方程能够有效地预测各种类型的体力活动，只有建立在特定活动基础上的模型才可能有较高的效度[43]；因此，基于活动识别的能耗预测成为研究的热点，该方法是对数据进行预处理提取出相应特征，使用分类器确定活动类型，从而调用相应的能耗预测模型来预测能耗。Mikkel等[44]和Marco等[45]认为在多类型活动的测试中，活动识别方法能够显著提高运动能耗的预测效度。

4 结论与建议

4.1 结论

本研究选取的智能手机测量场地走跑能耗采用滤波（0.5～5 Hz二阶巴特沃兹带通滤波）、数据修正（？字t'=？字t-t-5～t）、数据合成[VM=（AC2x+AC2y+AC2z）1/2 ]的加速度信号处理方法具有应用价值。以VM3C方程为模板建构的智能手机能耗模型能够准确地测量本次研究验证样本的走跑活动能耗。腰部、上臂和荷包均是智能手机监测走跑能耗时的有效佩戴点。由于受测试样本数量的限制，本研究成果的概化性还需后续研究进一步明确。

4.2 建议

本研究仅用一款手机作为测试设备，没有对手机型号和品牌对测量结果的影响进行评估；其次，对手机在荷包中的固定条件进行了适当限定，要求手机放置在左侧腹部的荷包中，并且能够相对固定避免产生较大的相对运动，这与使用者的习惯有出入；最后，本研究的方程专门预测走跑类活动，预测其他类型体力活动能耗时效度势必降低。

在以后的研究中，应该进一步丰富手机品牌的评测以得到概化性的结论，手机的选择应该更多地集中在中低端配置的手机，应重视记录原始数据的手机App，最好是专门设计可以自由修改关键参数的数据采集App。在能耗模型的输入指标的选择上，应该拓宽思路，输入模型的count值除了用积分值代表外，还应探讨其他时域或频域指标的应用价值，特别是某些具有活动类型识别价值的指标，并且选择的指标应能够匹配所使用的模型；而在建立能耗评估模型时，应以多种类型的体力活动为方案，建构基于活动识别技术的能耗评估方程，特别是随着机器算法的兴起，应将诸如神经网络模型、支持向量机模型等引入到该领域，进一步丰富该领域研究的同时切实提高能耗预测的准确性。

参考文献：

[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. 手机运动软件与 K4b2 测量步行运动能耗的比较研究[J]. 安徽体育科技， 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]汤强， 王香生， 盛蕾. 体力活動测量方法研究进展[J]. 体育与科学， 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]王军利， 张冰， 贾丽雅， 等. Actigraph （GT3X）加速度计测量我国19-29岁人群身体活动能耗的效度研究[J]. 体育科学， 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. 生物等效性检验的计算及计算程序[J]. 西安医科大学学报， 2001， 22（2）：164.

[14]王欢， 王馨塘， 佟海青， 等. 三种加速度计测量多种身体活动的效度比较[J].体育科学， 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.