GPS联合加速度计在预测体力活动方式中的应用

唐振超

摘  要：人们的体力活动方式在体力活动促进及全民健身科学指导中具有重要意义。目前国外关于GIS、GPS和加速度计在体力活动领域研究中的应用日趋成熟，本文梳理总结国外在此方面的相关研究后，认为联合采用GPS和加速度计完全可以预测体力活动方式，并能基于体力活动产生的时空数据和活动量构建预测体力活动方式的路径。

关键词：GPS  加速度计  预测  体力活动方式

中图分类号：G80-32                              文献标识码：A                        文章编号：2095-2813（2019）04（c）-0242-02

体力活动在全球范围内的普遍缺乏和体力活动之于人类健康的重要性促使着体力活动在国内外新晋为一个研究的热点领域。体力活动方式（Physical Activity Mode，PAM）是体力活动的具体表现形式，包括家务、交通、职业、休闲等各种形式。目前，现有的国内外有关体力活动的研究多集中于体力活动量的测量及其与健康之间的关系，缺乏对体力活动方式的研究。近年来，借助科学技术的进步，体力活动量的构成及体力活动方式的研究正成为国外体力活动研究领域新的热点。

1  国外相关研究概况

美国是最早使用GPS和加速度计对体力活动进行研究的国家，研究成果非常丰富。在使用此方法的众多研究中，使用GPS和加速度计预测体力活动方式这一领域的研究则尚处于初始阶段。比较典型的研究有马萨诸塞州立大学运动科学系的Pober教授是最早使用加速度计数据对体力活动方式进行预测的研究人员之一[1]，其选取了6名测试对象佩戴加速度计分别进行走路、走路上坡、吸尘打扫、做案头工作这4种体力活动方式，对数据进行二次判别分析，并用隐马尔可夫模型识别活动，正确地估计了99%时间的PAM。Philip等[2]选取10名年龄在23～51岁间的健康成年人为实验对象，让他们佩戴加速度计的同时，佩戴GPS设备分别进行慢走、快走/跑步、骑自行车、轮滑和开车这5种体力活动方式。采用判别函数法对数据进行分析，其结果表明：以分钟为单位对200min的不同PAM进行预测，准确率可达91%;以回合为单位对43个回合的PAM进行预测，准确率可达98%。在加入了GPS数据后，研究人员可以更准确地区分相对静止和运动的PAM。Pober和Philip等人在前期的研究中也意识到了测试对象和PAM种类明显较少，会影响结论的说服力，需要在更大和更多样化的测试对象和PAM种类中进行更多的研究[1，2]。

2  核心概念简述

美国运动医学学会（ACSM）是全世界最大、最权威的运动医学和锻炼科学组织。有研究人员在对ACSM年会交流论文进行研究时得出结论：在体力活动测量的相关研究中，采用加速度计的研究超过了90%[3]。全球定位系统（GPS）是美国研发并建设的一种卫星导航系统，具有全方位、全时段、高精度的特点，其作用是定位和导航。地理信息系统（GIS）是指在计算机软硬件支持下，对整个或者部分地球表层空间中的有关地理分布数据进行采集、存储、管理、运算、分析、显示和描述的技术系统[4]。

3  研究方法

3.1 变量的选取

加速度计和GPS设备都会产生大量的数据，处理十分繁琐。在仅使用加速度计的体力活动相关研究中，有研究者选择了计数为唯一变量[1]，有研究者选择了计数和步数为变量[2]，在结合使用GPS的PAM相关研究中，研究者则选了GPS变量和加速度计变量。在GPS所提供的数据中，对本研究最有价值的就是坐标和时间。知道了两个点的坐标，就可以知道两点间的距离。我们在设置加速计和GPS设备时，一定要保证时间的一致性。结合已有研究对变量的控制和选择，速度、计数、步数是目前最适合作为模型的预测因子。

3.2 以有监督学习建立标准数据集并分類

标准数据集的建立是预测PAM的关键部分，数据的准确与否将直接影响到PAM预测的准确性。有监督学习是一种常用的机器学习方法，是在已知某种样本的特性后，建立数学模型来预测未知样本，简单来说就是分类。在采用有监督学习算法时，必须要有已知类别的训练样本。在预测PAM的研究中，训练样本的获取主要采取以下途径：研究人员让测试对象处于实验观察的环境下，规定其在一定时间内只能进行一种PAM，收集记录并处理数据后以此作为该种PAM的标准参照数据集[1，2]。在建立数据集之后有研究人员使用单变量统计分析，选择平均值、中位数和四分位数建立分类模型，并对未知PAM数据进行分类[2]。这种方法本质上是建立一个变量的阈值区间，同时满足某种PAM多个变量的阈值区间的未分类数据便被分类定义成为这种PAM。有监督学习可控性好，对测试人群的文化水平并无要求，然而这大大增加了研究人员的工作量，不适合大数据调查。

3.3 以无监督学习建立标准数据集并分类

无监督学习指的是对未知类别的训练数据进行识别分类的方法，有研究人员认为这种方法可以处理大量的数据，并不需要直接观察测试对象的行为。在无监督学习中最典型的算法是聚类分析，聚类分析用于当总体分类不清楚时，直接依据数据的相似度对数据进行分类，相同聚类下的数据具有非常高的相似度。对聚类分析后得出的类别进行PAM定义后，再用判别分析建立判别式以对新数据进行判别。此种方法可以让测试对象处于日常生活状态下，但是仍然需要知道测试对象进行了哪些PAM。为解决此问题，有研究者让测试对象佩戴仪器的同时自己填写体力活动日志。分类完成之后，用判别分析建立判别式以对新的数据进行判别。在体力活动测量的领域，无监督学习明显要比有监督学习更依赖测试对象的主观能动性和配合度，也更适用于大数据调查，可用于配合度较高、认识能力较强的测试人群。但当调查对象为儿童少年、老年人等特殊人群时，也许有监督学习算法就要比无监督学习算法更适合。

4  结语

现有的体力活动研究多集中在体力活动测量领域，以探究体力活动量及其与健康的关系为主题展开。未来体力活动领域的研究正在日益关注人们体力活动方式的规律性及预测方法。本文浅述了国外相关研究的方法和思想，在现有技术能达到的条件下构建使用GPS数据和加速度计数据预测体力活动方式的路径。

未来随着科技的进步，加速度计体积进一步缩小，安装到智能手机中。用户可以直接看到有关自己体力活动的各种数据，而不仅是计步器所记录的步数。研究人员也可以获得更多的数据，实现真正的大数据分析。希望我国的相关产业能够洞察这一新的趋势，在“体医结合”和“健康中国”的背景下抓住机遇，以帮助人们更好地研究体力活动并促进体力活动，实现国民身心健康的目的。

参考文献

[1] Pober DM，Staudenmayer J，Raphael C，et al.Development of novel technigues to oclassify PA mode using accelerometers[J].MSE，2010，38（9）：1626-1634.

[2] Philip.Prediction of Activity Mode with GPS and Accelerometer Data[J].MSE，2012，40（5）：972-978.

[3] 王超.体力活动研究的现状及趋势[J].北京体育大学学报，2012，35（8）：43-49.

[4] 汤国安.ArcGIS地理信息系统空间分析实验教程[M].北京：科学出版社，2012.