健身行为高精度监测和个性化精准健身方案智能推送技术

张晋喜 李振 李沫含 邱华龙 刘程林 杨铭 徐鲁友 贾壮 周志雄

摘    要   世界卫生组织建议成年人每周进行150～300 min中等强度或75～150 min高强度身体活动，身体活动量化监测和个性化健身方案是科学健身的重要基础。针对健身行为高精度监测和个体运动方案智能推送缺乏有效的方法，建立基于卷积神经网络和长短时记忆网络模型的身体活动强度预测算法模型，对三轴加速度计采集的运动数据序列进行特征提取和时序相关性分析，预测值与真实值之间的平均绝对百分比误差为12.03%，均方误差为1.027；研制基于用户的身体活动、运动风险、健康水平、健身目标等特征指标的智能生成个性化运动方案算法，基于“首体健身”健身指导系统将运动方案与标签化的动作库和健身课程视频按照关联规则的匹配方法组成可视化健身方案。基于卷积神经网络和长短时记忆网络的算法模型预测身体活动强度的精度高，基于身体活动量、运动风险等特征智能推送的个性化健身方案可满足居民健身需求。

关键词   身体活动；代谢当量；运动处方；神经网络

中图分类号：804.5；TP3           学科代码：040302           文献标志码：B

DOI：10.14036/j.cnki.cn11-4513.2023.03.004

Abstract   The World Health Organization recommends that adults engage in 150～300 minutes of moderate-intensity or 75～150 minutes of vigorous-intensity physical activity per week. Quantitative monitoring of physical activity and personalized fitness prescriptions are important foundations of scientific fitness. There is a lack of effective methods for continuous high-precision monitoring of fitness behavior and intelligent delivery of individual exercise prescription. This study establishes a physical activity intensity prediction algorithm model based on convolutional neural networks and long short-term memory networks. It extracts features from motion data sequences collected by triaxial accelerometers and analyzes their temporal correlations. The average absolute percentage error between predicted values and actual values is 12.03%， and the mean squared error is 1.027. An algorithm is developed to generate personalized exercise prescriptions intelligently based on user characteristics such as physical activity， exercise risk， health level， and fitness goals. The visual fitness prescription is created by matching the exercise prescriptions with the tagged motion library and fitness course videos using the association rule in the ‘SHOUTI Fitness exercise guidance system. The accuracy of predicting physical activity intensity using the algorithm model based on convolutional neural networks and long short-term memory networks is high. The personalized fitness prescription， based on features such as physical activity level and exercise risk， intelligently delivered to users， meets the needs of the general public for fitness.

Keywords   physical activity; metabolic equivalent; exercise prescription; neural network

身体活动强度是反映人体活动时的运动负荷的重要指标［1］，常用代谢当量（MET）进行判定和描述，MET是一种表示身体活动时的代谢消耗的单位。1MET 是人体静坐时的能量消耗，对于大多数人来说，相当于每分钟每千克体重消耗3.5 mL氧气。通常将3METs、6METs、9METs分别作为低-中强度、中-高强度、高-极高强度的分界点［2］，精确地估测身体活动强度能够有效评估健身行为的效果，是科学健身和疾病预防的重要依据。评估身体活动强度的方法主要有间接测热法和心率法［3］，然而这些技术手段存在诸如依赖专家经验等缺陷。近几年来，随着可穿戴式健康监测设备的迅速普及，用于健康和运动监测的可穿戴设备越来越受健身人群的欢迎。手机或可穿戴式健康监测设备是最为常见的运动监测设备，能够通过设备内置的加速度計等传感器监测各种重要的人体生理参数［4］。有研究者对比了主流加速度计在不同速度时的步数检测和身体活动强度预测的准确度［5］。还有研究者评估了不同智能手表在户外行走和跑步场景中预测身体活动强度的准确度［6-7］。上述研究显示，加速度计和运动手表在预测身体活动强度的精度方面不理想。

鉴于加速度计具有便捷、成本低的优势，大多数研究是通过加速度计采集数据并构建身体活动强度预测模型，且主要应用于日常身体活动、跑步、球类运动等。已有研究中比较常见的方案是基于专家经验构建预测方程，通过线性和非线性拟合的方案实现基于加速度数据的身体活动强度预测［8-9］。然而，基于预测方程预测身体活动强度的准确度较低，因此，无法在实际的人体活动过程中得到较好的应用。近年来，随着深度学习等人工智能技术的不断发展，基于人工智能算法进行身体活动强度预测成为新的研究热点［10］。比较常见的方式是，使用加速度计记录并提取人体运动过程中的加速度数据，同时记录身体活动强度数值［11］，并采用监督学习的方式构建预测模型。人工神经网络或循环神经网络等典型的人工智能算法均是基于监督学习的方式从训练集数据中得出训练好的预测模型，并可以应用到测试集数据中进行性能检验。有研究者提出了基于人工神经网络（ANN）模型的身体活动强度预测方案［12-13］。ANN模型的核心思想是从加速度数据和个人信息中提取特征，并输入到神经网络进行训练。但是以上ANN预测模型的特征提取过程过于依赖专家经验，预测准确度有待进一步提高。

同时，考虑到通过加速度计采集到的加速度数据是时间序列数据，并且各个采样点之间具有高度的时序相关性，对身体活动强度的预测结果会产生重要影响，而传统的人工神经网络无法分析出采样点之间的相关性。循环神经网络能对长时间序列数据的非线性特征进行分析，从而应用于身体活动强度预测，但是循环神经网络容易产生梯度消失的问题，而长短期记忆（LSTM）神经网络模型则能很好地解决这一问题［14］。此外，卷积神经网络（CNN）［15］、随机森林［16］等典型的机器学习算法也可用于身体活动强度预测。

监测身体活动强度的目的是实时掌握运动者的运动代谢情况，从而科学指导运动健身，避免运动不足和防范运动损伤。为了提高运动积极性、最大化运动效益，需要针对不同个体制定个性化的运动处方。运动处方由频率、强度、时间、类型等要素组成，简称“FITT”。刘宇川等依据佩特里网理论，为用户按照运动处方构成要素制定个性化运动方案［17］。练兴杨依据用户兴趣和运动能力的个体差异，改进了协同过滤推荐算法，基于用户对运动项目的适应程度生成了运动处方［18］。世界卫生组织建议，成年人每周应至少进行150～300 min的中等強度有氧运动或75～150 min的剧烈运动［19］。以中等运动强度为3MET为例，如果一个成年人1周的身体活动量达到WHO推荐的150～300 min中等强度运动时间，那么该成年人1周应该达到的最低身体活动量为：450 MET·min（3MET × 150 min）至900 MET·min（3MET × 300 min）。

针对健身行为连续高精度监测和个体健身方案智能推送缺乏有效的方法，本研究探讨基于CNN-

LSTM模型的身体活动强度预测算法，融合CNN和LSTM模型，对加速度序列进行特征提取和时序相关性分析。此外，本研究还设计了智能运动方案生成算法，遵循运动处方构成要素，为健身者智能生成和推送个性化健身方案 。

1   研究方法

1.1  受试者基本情况

招募70名大学生作为受试者（其中：男生为35人，女生为35人）。所有受试者均身体健康，无不良嗜好。本研究方案经首都体育学院学术委员会伦理道德专门委员会批准，受试者在参与研究之前签订了《知情同意书》。70名受试者的基本信息见表1。

1.2  测试指标

使用高精度三轴加速度计和气体代谢能耗分析仪采集受试者的运动数据。其中：使用中国企业生产的三轴加速度计采集加速度数据，主要用于记录运动过程中的三轴加速度数据，采样频率设置为100 Hz，加速度量程范围为±16 g。通过腕带将加速度计固定在受试者的腕部。采用可携带式的人体运动气体代谢能耗分析仪（COSMED K5）测量身体活动强度［20］，COSMED K5运用呼气分析法进行人体代谢量度，包括摄氧量、二氧化碳呼出量、心率、气流量等，具有较高的测量精度［21-22］，并被广泛应用于采集人体运动时的生理数据。实验前对COSMED K5进行流量传感器和标准气体校准，随后受试者戴上气体代谢能耗分析仪面罩并检查面罩的封闭性，检查无误后开始测试。

1.3  测试流程

要求受试者在测试前24 h不进行剧烈运动，饭后（轻餐）1.5～2 h进行测试，到达实验室后进行充分的休息，随后通过人体成分分析仪进行体重、BMI及体脂率的测量，并登记个人信息。之后，手腕佩戴加速度计、面部戴上气体代谢能耗分析仪面罩（如图1所示）。随后受试者按照走路、跑步的顺序依次进行实验，速度从2 km/h逐渐增加到9 km/h。每完成一个速度下的测试便充分休息，待心率恢复到接近静坐心率后开始下一个速度的测试。1）步行测试。受试者在跑台以2 km/h、3 km/h、4 km/h、5 km/h及6 km/h的速度走路（由慢走过渡到快走），每一速度下均进行4 min测试。要求步频均匀、手臂前后自然摆动。2）跑步测试。受试者在跑台以7 km/h、8 km/h及9 km/h速度跑步（由慢跑过渡到快跑），每一个速度进行4 min测试。要求步频均匀，手臂握拳弯曲同时前后自然摆动。

1.4  实验数据处理

1）滤波处理。因腕部佩戴加速度计容易受到外部环境的噪声影响，所以在数据处理阶段对加速度数据进行滤波，经过滤波后的人体加速度信号更加稳定和准确。由于人体运动多发生在20 Hz的频率下，采用截止频率为20 Hz的低通滤波器对加速度数据进行滤波［23］。经过滤波后的加速度数据更新为：

afilti，n=1/16（ai，n+2ai，n-1+3ai，n-2+4ai，n-3+3ai，n-4+2ai，n-5+ai，n-6）（1）。

2）归一化处理。对滤波后的加速度数据进行归一化处理，计算公式如下。

anorm=（a-amin）/（amax-amin）      （2），

式中：a表示处理前的加速度数据，anorm表示归一化运算后的加速度数据，amax和amin分别为加速度序列中的最大值和最小值。运算后加速度序列中的所有数值均转化为［0，1］的区间值。

3）滑动窗口采样。本研究使用的加速度数据由三轴加速度计连续采样获取，固定频率为100 Hz。每种运动速度的加速度采集时间为4 min（240 s），因无法直接输入到模型中进行预测，需要对加速度时间序列进行分割。采用滑动窗口法提取数据时，将窗口大小设置为300个采样点（持续时间为3 s），并使窗口按照150个采样点的步长沿着加速度时间序列提取数据。因此，相邻2个样本的加速度数据存在50%的重叠。

4）计算平均数。考虑到采样点数为300时会使模型训练过程中的优化参数过多。因此，计算滑动窗口采样后的加速度平均数。每N个采样点计算一次平均数，计算公式如下。

5）数据集生成。数据集中的每个样本包括加速度序列长度为30个采样点（持续时间为3 s）的加速度数据及这段时间所对应的身体活动强度数据（MET值），其中的MET值為这段时间内Cosmed K5记录的所有MET的平均值。

1.5  基于CNN-LSTM的身体活动强度预测算法

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，广泛应用于身体活动强度预测等监督学习任务［15］。卷积神经网络能对输入的加速度数据进行卷积运算，从而可以提取加速度时序特征。然而，CNN无法分析加速度序列特征之间的关联性。因此，将CNN提取的基本特征输入到LSTM层，以确定加速度序列的时间序列相关性。LSTM神经网络是循环神经网络（简写为“RNN”）的一种改进模型，RNN在处理序列数据方面具有优异的性能，但是由于梯度消失的问题，RNN的结构对于长时间相关的序列数据的分析结果不是很准确。因此，选择LSTM神经网络分析加速度数据，从中分析加速度数据的时序关联特性。在LSTM模型中，输入门、遗忘门和输出门3个门控单元用于控制传输状态，选择性地保留有用的信息，长期保存梯度信息。而LSTM 模型在分析长期记忆信息时具有天然优势，适宜于处理间隔时间较长的序列数据。

本文提出以CNN-LSTM模型预测人体运动过程中的实时身体活动强度。该模型预测身体活动强度的算法流程如图2所示。其中：CNN能从加速度数据中提取特征，而LSTM模型可以分析时序关联特性。

CNN-LSTM神经网络是一种结合CNN和LSTM的混合神经网络，不仅具有LSTM的时间序列相关性的建模功能，而且可以提取局部信息特征，从而可以捕捉三轴加速度数据的时空特征，而不仅仅是时间特征。通过CNN和LSTM可以更加精确地捕捉到三轴加速度数据和身体活动强度数据的时空关联特性，模型的具体参数见表2。

1.6  运动方案智能生成算法

为了满足不同人群的不同运动目标，应针对不同个体设计个性化和精准化的智能运动方案，依据差异化的个人信息详细设定运动频率、运动强度、运动时长及运动类型。

同时，相较于其他运动方案生成算法，本文依托首都体育学院自主研发的科学健身指导系统（“首体健身”APP）设计基于身体活动量的智能运动方案生成算法。“首体健身”APP内置CNN-LSTM身体活动强度实时预测模型，可以实时预测并记录用户在运动过程中的身体活动量，用于指导运动方案的生成。本研究中的算法以WHO推荐的不同人群的周活动量为基础，以安全性、有效性及个性化为原则，在“首体健身”APP的动作库和课程库的基础上，通过多种方式采集用户的健康信息和运动需求信息，为用户智能生成个性化和精准化的运动方案。本文设计的智能运动方案生成算法的主要步骤如下。

1）课程动作标签构建。通过后台上传动作和课程时设置标签。

2）用户个人信息采集。采集用户的体质健康数据和体检数据，并通过填答APP问卷等方式获取用户运动风险、身体状况、锻炼要求、锻炼条件、运动能力等信息。

3）运动方案总体规划。根据采集的用户个人信息确定运动方案周期、锻炼频率及锻炼内容。

4）运动方案动作筛选。基于用户信息从“动作库”或“课程库”中根据标签进行过滤后，拼接形成运动方案。

5）运动时长规划。根据用户输入的运动目标和运动时长计算每节课或每个动作的练习时长或次数。

1.6.1  课程与动作标签构建

对“课程库”和“动作库”中的每门课程或每个动作均设定专属标签，包括运动目标、练习部位、练习器械、练习难度、锻炼场景、动作特点、适宜人群等多个标签（可多选），在用户定制个性化运动方案时用于挑选动作。

1.6.2  用户个人信息采集

对于使用“首体健身”APP的运动人群，可以通过采集运动目标、运动风险等级、人群分类、个人基本信息、运动要求、训练环境、运动能力等多维度信息（可多选）为其设定专属标签，用于运动方案生成时与“课程库”或“动作库”里的课程标签或动作标签进行匹配。

1.6.3  运动方案总体设计

用户信息采集完毕后，为不同运动目标的人群设计运动方案。根据不同的运动目标，为用户制定个性化运动方案。

1.6.4  运动方案动作筛选规则

根据用户的实际运动需求筛选组成运动方案的课程和动作，筛选规则为将用户的个人信息标签与课程标签或动作标签进行匹配，匹配规则如表3所示。1.6.5  课程与动作时长设计

经过标签筛选后的课程视频按照顺序拼接组成运动方案。如果筛选后的课程和动作的数量充足，则随机选取；如果筛选后的课程和动作时长不能满足锻炼时间要求，则选用筛选后的全部视频。根据课程或动作类型及运动者1周的身体活动量确定运动方案中的每门课程或每个动作的持续时间。具体流程如图3所示。首先，对用户1周的身体活动量是否达标进行判断（运动量计算方法为：采集用户按照“课程库”和“动作库”中的课程和动作进行的身体活动强度预测值，以及“首体健身”APP记录的每门课程和每个动作的训练时间，进行身体活动量累加）。如果达标，则由用户自行设定锻炼时间，按照课程或动作的持续时间组合运动方案；如果不达标，则设定每次锻炼的身体活动量［计算方法为：每周最低身体活动量（3MET×300 min=900MET·min）与用户设定的每周锻炼次数的比值］，最终按照课程和动作的身体活动量确定运动方案。

1.7  运动方案智能推荐算法

基于“首体健身”APP设计智能运动方案推荐系统。图4为本研究设计的推荐系统的概念框架。智能运动方案推荐系统基于安卓操作系统设计，主要服务于移动端用户，移动端具有的功能包括：注册/登录、个人信息采集、健康信息采集、运动能力评估、身体活动量监测、运动方案推荐、运动记录及运动方案调整。除此之外，可以在服务提供端进行数据处理。移动端和服务提供端之间通过HTTP协议进行数据交互。

推荐系统中用户数据处理的流程如图5所示。用户登录“首体健身”APP后首先进行个人基本信息和健康信息的录入，随后在该APP主页进行运动风险筛查和运动能力测评，同时通过本文提出的身体活动量预测算法实时监测该APP使用者的身体活动量。以上3部分内容的数据存入数据库，作为智能运动生成算法的依据。之后，该APP智能生成运动方案并向用户展示，用户可对运动方案进行实时调整，并查看历史运动记录。

图6为用户端在运动方案生成后与“首体健身”APP的交互序列。由图6可知，用户在成功登录后，可以选择生成或调整运动方案。随后，数据库将运动方案的构成数据（包括课程库、动作库、用户信息等）传送至智能运动方案推荐服务，生成遵循FITT原则的详细运动方案，并传递至用户。

2   研究结果

2.1  身体活动强度预测性能

对采集的70名受试者的加速度数据和身体活动强度数据进行滤波、归一化处理和采样之后形成了样本集。总的有效样本数量为9 576，将样本集按照3∶1的比例拆分成训练集和测试集，训练集和测试集的样本数量分别为7 182和2 394。将训练集数据输入到模型进行训练，测试集数据用于检测模型的性能。

本研究構建了CNN-LSTM模型对人体在走路和跑步时的身体活动强度进行预测。该模型由输入层、CNN层、最大池化层、LSTM层、随机失活层和全连接层组成。CNN-LSTM模型基于Python内置的“Tensor Flow 2.12.0”框架构建生成，采用的优化器为适应性矩估计，训练过程中的学习率为0.001，批大小设置为16，Dropout层丢失率设置为0.2。本研究中的数据处理和模型构建所用的电脑处理器为Intel（R） Core（TM） i5-10 500 CPU @ 3.10 GHz，操作系统为Windows（1 164）位。

本研究将CNN与LSTM作为对比算法，对所构建的CNN-LSTM模型进行性能验证和比较。为了验证CNN-LSTM模型预测身体活动强度的准确性，采用平均绝对百分比误差（EMAPE）和均方误差（EMSE）作为评估指标，计算方法如下。

由表4可知，CNN-LSTM模型的预测性能优于对比算法CNN和LSTM。原因在于，CNN-LSTM模型兼具CNN的特征提取功能及LSTM的时序关联分析功能，可以从加速度序列中提取时间关联特征，从而能更加充分地分析加速度数据和身体活动强度数值的相关性。CNN-LSTM模型、CNN和LSTM在所有速度时预测身体活动强度的EMAPE分别为12.03%、14.65%和17.12%，EMSE分别为1.03、1.24和1.65。本研究构建的CNN-LSTM模型整体上在预测身体活动强度时的EMAPE相比于CNN和LSTM可以分别下降2.62%和5.09%，EMSE相比于CNN和LSTM可以分别下降16.84%和37.60%。此结果表明，CNN-LSTM模型能够有效提高身体活动强度预测准确度。

如图7所示，Bland-Altman点图对CNN-LSTM、CNN和LSTM模型的预测值与实际值的一致性进行分析。3个模型在一致性区间之外的点分别为78个、83个、95个，分别占比3.25%、3.46%、3.96%，由此可知，相比于CNN和LSTM，CNN-LSTM模型预测的MET与实测的MET的一致性程度较高。

2.2  运动方案智能生成算法性能

如图8所示，基于身体活动量的运动方案智能生成算法的具体流程为：首先获取用户1周的身体活动量数据，并结合用户自身上报的健康信息和运动信息生成运动方案；其次，生成运动方案的算法依据的专业知识均来自于权威组织发布的《运动健康指南》，用于构建运动方案的“课程库”和“动作库”的设计全程由专家指导，并经过医学专家的审核，FITT中的运动频率、运动强度、运动时间和运动类型的设计遵循合理的原则；最后，在用户运动过程中实时记录其身体活动强度信息和运动时长，从而评估其身体活动量，并对身体活动量进行记录，以指导下次训练。

本研究中的运动方案智能生成算法具有较高的科学性、合理性和可行性。在算法的生成过程中，充分考虑了不同运动人群的不同运动需求和运动目标，同时考虑了用户的运动量是否达标对运动方案生成的影响。经验证，“首体健身”APP具有智能生成和推送运动方案的功能，其用户交互界面友好、简洁，能够满足不同运动人群的运动需求，具有科学健身指导的功能。

3   主要结论

本文研究的基于CNN-LSTM模型的身体活动强度预测算法结合了CNN和 LSTM 的优势，能够充分分析加速度序列的局部特征和时间关联特征，对身体活动强度的预测精度高。基于身体活动量的运动方案智能推荐算法合理有效，能为不同用户推送个性化运动方案。

参考文献：

［1］  WHO. Physical activity ［EB/OL］. （2020-10-05）［2023-04-25］. https：//www.who.int/en/news-room/fact-sheets/detail/physical-activity.

［2］  BROOKS A G， GUNN S M， WITHERS R T， et al. Predicting walking METs and energy expenditure from speed or accelerometry［J］. Medicine & Science in Sports & Exercise， 2005， 37（7）： 1216-1223.

［3］  朱琳，陳佩杰. 能量消耗测量方法及其应用［J］. 中国运动医学杂志，2011，30（6）：577-582.

［4］  FULLER D， COLWELL E， LOW J， et al. Reliability and validity of commercially available wearable devices for measuring steps， energy expenditure， and heart rate： systematic review［J］. JMIR Mhealth and Uhealth， 2020， 8（9）： 1-23.

［5］  STENB？魧CK V， LEPP？魧LUOTO J， JUUSTILA R， et al. Step detection accuracy and energy expenditure estimation at different speeds by three accelerometers in a controlled environment in overweight/obese subjects［J］. Journal of Clinical Medicine， 2022， 11（12）： 3267.

［6］  KWON S， KIM Y， BAI Y， et al. Validation of the apple watch for estimating moderate-to-vigorous physical activity and activity energy expenditure in school-aged children［J］. Sensors， 2021， 21： 1-12.

［7］  LE S， WANG X， ZHANG T， et al. Validity of three smartwatches in estimating energy expenditure during outdoor walking and running［J］. Frontiers in Physiology， 2022， 13： 1-7.

［8］  FREEDSON P S， MELANSON E， SIRARD J. Calibration of the computer science and applications， inc. accelerometer［J］. Medicine & Science in Sports & Exercise， 1998， 30（5）： 777-781.

［9］  CAMPBELL K L， CROCKER P R， MCKENZIE D C. Field evaluation of energy expenditure in women using tritrac accelerometers［J］. Medicine & Science in Sports & Exercise，2002， 34（10）： 1667-1674.

［10］  贾楠，霍晓燕，江朝力，等. 运动过程中人体能耗级别分析及预测模型［J］. 当代体育科技，2020，10（21）：238-243.

［11］  ALVAREZ-GARCIA J A， CVETKOVI B， LUSTREK M. A survey on energy expenditure estimation using wearable devices［J］. ACM Computing Surveys， 2020， 53（5）： 1-35.

［12］  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）： 1300-1307.

［13］  HUYNH H T， QUAN H. Energy expenditure estimation based on artificial intelligence and microservice architecture［G］// Proceedings of the 4th international conference on machine learning and soft computing. Haiphong： ICMLSC， 2020.

［14］  PIENAAR S W， MALEKIAN R. Human activity recognition using LSTM-RNN deep neural network architecture［G］//Proceedings of 2019 IEEE 2nd wireless africa conference . Pretoria： IEEE， 2019.

［15］  ZHU J， PANDE A， MOHAPATRA P， et al. Using deep learning for energy expenditure estimation with wearable sensors［G］//Proceedings of 2015 17th international conference on e-health networking， application & services. Boston： IEEE， 2016.

［16］  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.

［17］  劉宇川，张朋柱. 基于模糊Petri网的个性化运动方案智能生成［J］. 系统管理学报，2022，31（1）：159-166.

［18］  练兴杨. 基于协同过滤模型的运动处方生成技术研究与应用［D］. 西安：西安理工大学，2021.

［19］  WHO. WHO guidelines on physical activity and sedentary behaviour ［EB/OL］. （2020-11-25） ［2023-04-25］. https：//www.who.int/publications/i/item/9789240015128.

［20］  COSMED-K5： Wearable metabolic system for both laboratory and field testing ［EB/OL］. （2020-11-25）［2023-04-25］. https：//www.cosmed.com/en/products/cardio-pulmonary-exercise-test/k5.

［21］  PEREZ S I， MARTIN R M， GONZALEZ H J， et al. Accuracy and precision of the COSMED K5 portable analyser［J］. Frontiers in Physiology， 2018， 9： 1-12.

［22］  GUIDETTI L， MEUCCI M， BOLLETTA F， et al. Validity， reliability and minimum detectable change of COSMED K5 portable gas exchange system in breath-by-breath mode［J］. Plos One， 2018， 13（12）： 1-12.

［23］  CHO Y， CHO H， KYUNG C M. Design and implementation of practical step detection algorithm for wrist-worn devices［J］. IEEE Sensors Journal， 2016， 16（21）： 7720-7730.