陳慶果，袁 川，陳恩格，范江江

?

基于智能手機(jī)內(nèi)置加速度傳感器的日常體力活動(dòng)監(jiān)測(cè)研究

陳慶果，袁 川，陳恩格，范江江

目的：探究智能手機(jī)內(nèi)置加速度傳感器測(cè)量人體活動(dòng)原始信號(hào)的處理方法，并把其輸出結(jié)果與ActiGraph進(jìn)行比對(duì)，評(píng)估其準(zhǔn)確性。方法：研究分為實(shí)驗(yàn)室測(cè)試(研究1)和日常生活測(cè)試(研究2)。在研究1中，50名受測(cè)者佩戴2部紅米NOTE2、1部三星NOTE3和1個(gè)ActiGraph-GT3X完成4類(lèi)10項(xiàng)活動(dòng)，每項(xiàng)活動(dòng)5 min，加上間歇時(shí)間全程約65 min，以其原始數(shù)據(jù)進(jìn)行濾波、修正和合成，并在此基礎(chǔ)上分析其與ActiGraph VM的一致性及劃分體力活動(dòng)強(qiáng)度的準(zhǔn)確性。在研究2中，26名受試者連續(xù)攜帶ActiGraph和紅米NOTE2手機(jī)共4天(2個(gè)工作日+2個(gè)休息日)，分析兩類(lèi)設(shè)備測(cè)量每日各類(lèi)強(qiáng)度活動(dòng)時(shí)間的一致性。結(jié)果：研究1中，智能手機(jī)與ActiGraph VM高度相關(guān)(ρ=0.87～0.92)；紅米NOTE2(荷包)、三星NOTE3(腰部)和紅米NOTE2(腰部)之間的相關(guān)系數(shù)分別為0.942和0.989；以ActiGraph為校標(biāo)，三星NOTE3(腰部)、紅米NOTE2(荷包)和紅米NOTE2(腰部)的RMSA分別為:470.2、700.4和506.9，紅米(腰部)的測(cè)量誤差最大；手機(jī)和ActiGraph在界定各活動(dòng)強(qiáng)度類(lèi)型的準(zhǔn)確率上差異小。研究2顯示，在每日VPA、MPA和LPA時(shí)間上，ActiGraph和手機(jī)的相關(guān)系數(shù)分別為 0.819，0.762和0.669。Bland-Altman圖顯示，VPA的平均差為-2.8 min/天,MPA為-5.2 min/天、LPA為22.5 min/天。結(jié)論： 在VM以及每日LPA、MPA與VPA時(shí)間的測(cè)量上，手機(jī)與ActiGraph的結(jié)果一致性好，兩類(lèi)設(shè)備原始數(shù)據(jù)提供高度相似的信息，研究所采用的手機(jī)可以作為ActiGraph的補(bǔ)充應(yīng)用于體力活動(dòng)干預(yù)和運(yùn)動(dòng)健身實(shí)踐中。

體力活動(dòng);加速度傳感器;智能手機(jī);測(cè)量

1 前言

體力活動(dòng)不足是冠心病、肥胖等慢性疾病的重要致病因素之一，體力活動(dòng)的監(jiān)測(cè)與干預(yù)是增強(qiáng)體質(zhì)、預(yù)防相關(guān)慢性病的重要手段，測(cè)量體力活動(dòng)能量消耗(以下簡(jiǎn)稱(chēng)“PAEE”)的成本效益一直是相關(guān)領(lǐng)域的研究熱點(diǎn)[14]。加速度計(jì)因能相對(duì)客觀、準(zhǔn)確、連續(xù)測(cè)量身體活動(dòng)情況而備受研究者的青睞，尤其是ActiGraph系列產(chǎn)品，其測(cè)量的信效度得到了國(guó)內(nèi)、外眾多研究者的實(shí)證。在國(guó)外，Louise等[18]在實(shí)驗(yàn)室環(huán)境下采用雙標(biāo)水法評(píng)估GT3X(ActiGraph新一代產(chǎn)品)的準(zhǔn)確性，其r2高達(dá)0.88，而間接測(cè)熱法的結(jié)果也表明了其測(cè)量的高準(zhǔn)確性；在日常生活情景下的評(píng)估也得出了類(lèi)似的結(jié)論[35]；在兒童群體[13,16]和老年群體[20]中的應(yīng)用同樣獲得認(rèn)可。因此，該設(shè)備已在北美地區(qū)廣泛應(yīng)用于流行病學(xué)調(diào)查、體質(zhì)監(jiān)測(cè)和運(yùn)動(dòng)健康干預(yù)領(lǐng)域[9,10]。而在國(guó)內(nèi)，王軍利等[4]的研究也表明其有較好的測(cè)量效度，且在國(guó)內(nèi)也被廣泛應(yīng)用到群體研究中。但該設(shè)備也存在著局限性，主要是價(jià)格不菲，且需要專(zhuān)門(mén)去佩戴，會(huì)給佩戴者增加額外的經(jīng)濟(jì)和精神上的負(fù)擔(dān)，不利于長(zhǎng)時(shí)間大樣本的監(jiān)測(cè)和體質(zhì)健康干預(yù)。

隨著智能手機(jī)的快速普及，目前全球智能手機(jī)用戶(hù)已超過(guò)20億，其中，中國(guó)高居榜首，用戶(hù)已高達(dá)6.2億。智能手機(jī)的性能不斷完善，加速度傳感器被普遍內(nèi)置，運(yùn)算速度和儲(chǔ)存能力不斷提升，已經(jīng)具備ActiGrph產(chǎn)品的硬件條件 ，且不會(huì)給穿戴者增加額外的負(fù)擔(dān)，被認(rèn)為是一種潛在的高成本效益的體力活動(dòng)捕捉設(shè)備。雖然，目前有多款智能手機(jī)軟件可監(jiān)測(cè)運(yùn)動(dòng)，但都主要是運(yùn)用全球衛(wèi)星定位系統(tǒng)(以下簡(jiǎn)稱(chēng)“GPS”)，通過(guò)獲取運(yùn)動(dòng)距離、時(shí)間來(lái)計(jì)算速度，從而推算能量消耗，該方法只能在室外監(jiān)測(cè)，測(cè)量誤差大。國(guó)內(nèi)的4款A(yù)PP預(yù)測(cè)值遠(yuǎn)低于K4b2所測(cè)得的能耗值[2]，國(guó)外的研究結(jié)果也類(lèi)似[40]，其在評(píng)估能量消耗上有明顯的缺陷，其主要原因是不能反映運(yùn)動(dòng)能耗最為敏感的垂直軸的情況以及采樣頻率受限。

目前，基于智能手機(jī)內(nèi)置加速度傳感器的體力活動(dòng)研究集中，在電子信息工程領(lǐng)域，主要是利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)作類(lèi)型的識(shí)別[26，32]，還缺乏對(duì)能耗測(cè)量的系統(tǒng)研究。雖然，目前對(duì)運(yùn)動(dòng)能耗監(jiān)測(cè)儀(加速度計(jì))測(cè)量準(zhǔn)確性的評(píng)估研究眾多，各種基于COUNT數(shù)值的能耗推算模型常見(jiàn)于各報(bào)告中，但原始加速度信號(hào)的過(guò)濾、修正以及COUNT的算法，仍然是各品牌的商業(yè)機(jī)密，面對(duì)同一活動(dòng)，各品牌的COUNT差異在300～3 000之間[10]，故無(wú)法直接將加速度計(jì)的成果應(yīng)用到智能手機(jī)上。因此，有必要探討手機(jī)加速度信號(hào)的處理以及COUNT數(shù)值的算法，并與測(cè)量準(zhǔn)確性得到公認(rèn)的ActiGraph-GT3X(以下簡(jiǎn)稱(chēng)“ActiGraph”)的COUNT結(jié)果和體力活動(dòng)能耗分類(lèi)表進(jìn)行比較，對(duì)其在實(shí)驗(yàn)室情景和自然生活情景下測(cè)量的準(zhǔn)確性進(jìn)行初步的研究，探討不同佩戴部位、不同型號(hào)手機(jī)測(cè)量的一致性，以期為相關(guān)后續(xù)研究提供基礎(chǔ)與依據(jù)。

2 研究對(duì)象與方法

為了更為全面地研究智能手機(jī)的體力活動(dòng)測(cè)量，本研究共分為兩個(gè)部分。第1部分測(cè)試在實(shí)驗(yàn)室內(nèi)進(jìn)行，每個(gè)受試者需完成規(guī)定的各項(xiàng)體力活動(dòng)，每個(gè)活動(dòng)5 min，總計(jì)持續(xù)時(shí)間約為70 min，測(cè)試中每個(gè)受試者需佩戴3部智能手機(jī)和1個(gè)ActiGraph；第2部分測(cè)試則在自由生活狀態(tài)下進(jìn)行，受試者在連續(xù)4天時(shí)間里(2個(gè)休息日+2個(gè)工作日)攜帶1個(gè)紅米NOTE2手機(jī)和1個(gè)ActiGraph。

2.1 研究1：實(shí)驗(yàn)室測(cè)試

2.1.1 測(cè)試對(duì)象

受試者為50名在校大學(xué)生(男生25名，女生25名)，所有人員身體健康，上、下肢均無(wú)疾病史，且其在測(cè)試前1天無(wú)大強(qiáng)度的體力活動(dòng)，測(cè)試前簽署知情同意書(shū)，正式測(cè)試在餐后1 h后進(jìn)行。

2.1.2 測(cè)量?jī)x器

選擇2部紅米NOTE2和1部三星NOTE3手機(jī)作為測(cè)試手機(jī)，其內(nèi)置加速度傳感器參數(shù)見(jiàn)表2,這樣既能夠進(jìn)行相同手機(jī)(2部紅米NOTE2)不同佩戴部位之間的比較，又能夠?qū)ν慌宕鞑课?腰部)的不同型號(hào)手機(jī)進(jìn)行比較。

本研究自編加速度傳感器原始數(shù)據(jù)采集軟件，該軟件能夠設(shè)置采樣頻率，同時(shí)記錄3個(gè)軸的加速度原始數(shù)據(jù)并以CSV格式保存在手機(jī)中。測(cè)試時(shí)，將1部紅米NOTE2置于受試者左側(cè)荷包處；1部三星NOTE3和1部紅米NOTE2重疊放置，通過(guò)自制彈性腰帶固定于受試者左側(cè)髖部。本次測(cè)試將三星NOTE3手機(jī)的采樣頻率設(shè)為50 Hz，紅米NOTE2手機(jī)為75 Hz。測(cè)試后，將原始數(shù)據(jù)下載歸檔，利用MATLAB軟件和SPSS軟件進(jìn)行后期處理。

使用美國(guó)產(chǎn)ActiGraph加速度計(jì)同步監(jiān)測(cè)受試者體力活動(dòng)情況，該設(shè)備重量0.27 g,內(nèi)存16 MB，采樣范圍為0.25～2.5 g,其測(cè)量的信效度已被國(guó)內(nèi)外大量研究所證實(shí)，并且被廣泛應(yīng)用，因此，把其測(cè)量結(jié)果作為參照標(biāo)準(zhǔn)。測(cè)試中統(tǒng)一將ActiGraph用彈性腰帶固定在受試者右側(cè)髖部、肚臍水平的高度、ActiGraph的重置及后期數(shù)據(jù)處理等工作在配套的Actilife 6.0軟件中進(jìn)行。

表 1 研究1受試者人體測(cè)量特征Table 1 The Anthropometry Characteristics of Participant (n=50)

表 2 本研究手機(jī)內(nèi)置加速度傳感器技術(shù)參數(shù)Table 2 Parameters of Built in Acceleration Sensor from Smart Phone

2.1.3 測(cè)試方案

提前2天與受試者預(yù)約測(cè)試時(shí)間并告知著裝、飲食等相關(guān)注意事項(xiàng)；測(cè)試當(dāng)天使用恒康家業(yè)HK-600身高體重儀測(cè)量受試者身高和體重，使用韓國(guó)VIVENTE-GOLD體成分儀測(cè)量體脂率。

正式測(cè)試時(shí)受試者需依次完成4類(lèi)10項(xiàng)活動(dòng)，分別為：靜止類(lèi)(靜坐、原地站立、電腦打字)、生活方式類(lèi)(掃地、整理書(shū)桌)、騎行類(lèi)(功率車(chē)70 rpm、功率車(chē)100 rpm)和走跑類(lèi)(慢走2.5 mph、快走4 mph、慢跑5 mph)，每項(xiàng)活動(dòng)時(shí)間為5 min，各項(xiàng)活動(dòng)之間間隔時(shí)間依據(jù)心率恢復(fù)情況而定(1～5 min)，每項(xiàng)活動(dòng)取其中第2～4 min的數(shù)據(jù)進(jìn)行分析[12]，前3類(lèi)測(cè)試在實(shí)驗(yàn)室內(nèi)布置的生活情景中進(jìn)行(圖1)。靜坐和站立時(shí)，受試者自我選擇舒適的坐姿和站姿，身體放松。打字時(shí)，受試者要將預(yù)設(shè)好的紙質(zhì)文檔上的內(nèi)容轉(zhuǎn)變?yōu)殡娮游臋n，打字速度自行控制。掃地時(shí)，工作人員事先將碎紙屑撒在地面上，受試者模擬平時(shí)掃地的狀態(tài)進(jìn)行清掃。整理書(shū)桌時(shí)，工作人員把70本編好號(hào)的書(shū)籍完全打亂后平鋪在2.4 m×1.0 m的條桌上，受試者需按照編號(hào)重新將書(shū)歸置好。功率車(chē)使用Ergometer 900,功率為：男性，受試者體重×0.980；女性，受試者體重×0.784[30]。

圖 1 靜止類(lèi)、生活方式類(lèi)、騎行類(lèi)測(cè)試項(xiàng)目測(cè)試場(chǎng)地示意圖Figure 1. the Test Scenarios of First Three Categories

走跑測(cè)試在標(biāo)準(zhǔn)400 m跑道上進(jìn)行(圖2)，每 5 m放置一個(gè)標(biāo)志桶。測(cè)試時(shí)播放相應(yīng)的音頻，節(jié)拍每響一次受試者走(跑)完5 m，速度根據(jù)節(jié)拍和標(biāo)志物進(jìn)行調(diào)整，受試者在正式測(cè)試前會(huì)在工作人員的示范下熟悉節(jié)拍和速度。正式測(cè)試時(shí)，有工作人員騎行陪同對(duì)受試者進(jìn)行實(shí)時(shí)提醒。

圖 2 走跑類(lèi)項(xiàng)目測(cè)試場(chǎng)地圖Figure 2. the Test Scenarios of Walking and Jogging

2.1.4 數(shù)據(jù)處理與統(tǒng)計(jì)分析

對(duì)手機(jī)加速度信號(hào)處理采用MATLAB 7.0編程計(jì)算，首先，對(duì)每個(gè)軸的原始加速度信號(hào)進(jìn)行傅立葉變化(FFT)決定其帶通頻率，利用二階巴特沃茲帶通濾波器濾波后進(jìn)行修正(去趨勢(shì))處理，其后計(jì)算每分鐘積分?jǐn)?shù)(Activity count,以下簡(jiǎn)稱(chēng)“AC”)，最后將3個(gè)軸的AC合成總的矢量計(jì)數(shù)值(以下簡(jiǎn)稱(chēng)“VM”)，數(shù)據(jù)處理過(guò)程見(jiàn)3.1.1。

由于合成VM的前期原始數(shù)據(jù)預(yù)處理和計(jì)算公式的差異，ActiGraph與智能手機(jī)在VM數(shù)值上有較大差異，不適宜采用ICC反映各手機(jī)與ActiGraph之間的一致性，又鑒于數(shù)據(jù)分布非正態(tài)，故采用Spearman等級(jí)相關(guān)反映一致性，判斷標(biāo)準(zhǔn)為:0～0.19為微弱相關(guān)、0.2～0.39低度相關(guān)、0.4～0.59中度相關(guān)、0.6～0.79為顯著相關(guān)和0.8～1.0為高度相關(guān)[23]。本研究中智能手機(jī)與ActiGraph之間模型的建構(gòu)與測(cè)量效度的判斷采用留一交叉驗(yàn)證法，將每一個(gè)樣本作為測(cè)試樣本，其他n-1個(gè)樣本作為訓(xùn)練樣本，得到n個(gè)測(cè)試結(jié)果、用n個(gè)結(jié)果的平均值來(lái)建構(gòu)模型和衡量模型的性能。同時(shí)將向劍峰等[5]建立的ActiGraph的矢量計(jì)數(shù)臨界點(diǎn)轉(zhuǎn)換為各個(gè)智能手機(jī)的臨界點(diǎn)，然后把各類(lèi)活動(dòng)歸類(lèi)為小強(qiáng)度體力活動(dòng)(LPA)、中等強(qiáng)度體力活動(dòng)(MPA)和大強(qiáng)度體力活動(dòng)(VPA)，與依據(jù)體力活動(dòng)能量消耗編碼表[6]得到的強(qiáng)度分類(lèi)進(jìn)行比對(duì)，判斷其歸類(lèi)的準(zhǔn)確性。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。

2.2 研究2：日常生活測(cè)試

2.2.1 測(cè)試對(duì)象

受試者為26名在校大學(xué)生(男生13名，女生13名)，均身體健康，其在測(cè)試前接受相關(guān)設(shè)備的操作使用培訓(xùn)，明確設(shè)備的穿戴規(guī)范，掌握手機(jī)軟件的使用。

表 3 研究2受試者人體測(cè)量特征

年齡(歲)身高(cm)體重(kg)男性22．6±1．8175．3±7．767．5±7．5女性22．1±2．7164．7±3．051．4±3．8

2.2.2 測(cè)試方案

測(cè)試前對(duì)所有受試者進(jìn)行培訓(xùn)。正式測(cè)試時(shí)，受試者右側(cè)腰部佩戴ActiGraph(佩戴要求同測(cè)試1)，上衣靠近腹部的荷包放置紅米NOTE2智能手機(jī)，連續(xù)佩戴4天(2個(gè)工作日+2個(gè)休息日，睡眠外其他時(shí)間均需佩戴)，測(cè)試期間每天上午8：00鬧鐘提醒佩戴。智能手機(jī)采樣頻率調(diào)為30 Hz,與ActiGraph采樣頻率一致。

2.2.3 數(shù)據(jù)處理與統(tǒng)計(jì)分析

測(cè)試后把手機(jī)和ActiGraph數(shù)據(jù)下載進(jìn)行數(shù)據(jù)篩查，每小時(shí)中如出現(xiàn)連續(xù)60個(gè)零值數(shù)據(jù)則視為無(wú)效，每天有效時(shí)間不足10 h視為無(wú)效天數(shù)， 無(wú)效天數(shù)的數(shù)據(jù)不進(jìn)入到數(shù)據(jù)分析程序。

采用MATLAB 7.0對(duì)手機(jī)數(shù)據(jù)計(jì)算合成每分鐘COUNT數(shù)值，采用Actlife 6.0將ActiGraph測(cè)得的原始數(shù)據(jù)轉(zhuǎn)換為以“1 min”為采樣時(shí)間的數(shù)據(jù)，利用手機(jī)強(qiáng)度界值和加速度強(qiáng)度界值分別對(duì)各自?xún)x器測(cè)得的活動(dòng)進(jìn)行強(qiáng)度分類(lèi)，最后計(jì)算出各設(shè)備每日中各類(lèi)強(qiáng)度活動(dòng)總時(shí)間。利用SPSS 22.0中的斯皮爾曼相關(guān)來(lái)分析手機(jī)和ActiGraph測(cè)量的各類(lèi)強(qiáng)度活動(dòng)總時(shí)間一致性，使用Bland-Altman法比較每日中手機(jī)測(cè)量和ActiGraph測(cè)量之間的差異。

3 研究結(jié)果

3.1 實(shí)驗(yàn)室測(cè)試結(jié)果

3.1.1 智能手機(jī)加速度信號(hào)處理和數(shù)據(jù)合成

智能手機(jī)信號(hào)處理包括濾波、修正和數(shù)據(jù)合成3個(gè)環(huán)節(jié)。

1.濾波

濾波(Wave filtering)是將信號(hào)中期望頻段信號(hào)保留，將其他頻段噪聲和干擾及特定波段頻率濾除的操作，是抑制和防止干擾的一項(xiàng)重要措施。首先，采用傅立葉轉(zhuǎn)換(FFT)技術(shù)將加速度時(shí)域信號(hào)轉(zhuǎn)變?yōu)轭l譜信號(hào)，根據(jù)波峰觀察主要頻率，同時(shí)結(jié)合先驗(yàn)知識(shí)確定加速度信號(hào)所處頻率確定帶通濾波器的濾波頻段，圖3表明，3臺(tái)手機(jī)X、Y、Z 3個(gè)數(shù)軸主頻率基本都在10 Hz以?xún)?nèi)，同時(shí)考慮到一般傳感器都有直流漂移，直流分量較大，并且為抑制壓電傳感器老化和溫度變化等低頻信號(hào)的干擾，將帶通頻率設(shè)計(jì)為0.2～10 Hz，參考孫泊等[3]的研究實(shí)踐和具體的數(shù)據(jù)特征，采樣采用二階巴特沃茲帶通濾波器對(duì)X、Y、Z 3軸的原始加速度數(shù)據(jù)進(jìn)行濾波。

圖 3 智能手機(jī)內(nèi)置加速度傳感器運(yùn)動(dòng)頻譜分析圖Figure 3. Spectrum Analysis on Movement Signal of Built-in Acceleration Sensor

2.數(shù)據(jù)的修正

為了去除重力趨勢(shì)的作用，同時(shí)考慮手機(jī)攜帶的固定問(wèn)題——重力會(huì)產(chǎn)生分量影響各軸，因此，同時(shí)對(duì)3個(gè)軸過(guò)濾后的加速度數(shù)據(jù)進(jìn)行去趨勢(shì)處理以消除重力分量的影響[31],公式為：Xt′=Xt-Xt-5-t，處理前、后對(duì)比見(jiàn)圖4。

圖 4 加速度信號(hào)去趨勢(shì)前、后對(duì)比圖Figure 4. Before after Comparison on Detrendency of Acceleration Signal

3.數(shù)據(jù)的合成

加速度傳感器會(huì)產(chǎn)生海量數(shù)據(jù)，數(shù)據(jù)的合成也就是AC的計(jì)算必不可少，常用的計(jì)算指標(biāo)有單位時(shí)間以?xún)?nèi)的積分值、信號(hào)峰值和閾值計(jì)數(shù)等。但目前最為常用的是計(jì)算積分值。鑒于絕大部分加速度傳感器的原始信號(hào)均是雙向的，原始數(shù)據(jù)有正負(fù)，因此，先取絕對(duì)值后再計(jì)算積分。

由于在實(shí)際生活中手機(jī)通常被放置在荷包里面，固定條件不如能耗儀，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，同時(shí)重力的分量往往對(duì)各軸均有影響。因此，不能采用單一軸的AC數(shù)值表征活動(dòng)情況，需對(duì)3軸的數(shù)據(jù)進(jìn)行合成矢量計(jì)數(shù)(VM)：

3.1.2 各設(shè)備測(cè)量活動(dòng)的矢量計(jì)數(shù)的相關(guān)性分析

表4的結(jié)果表明，加速度VM和3部手機(jī)VM之間在不同項(xiàng)目上的變化趨勢(shì)基本一致。在VM算法相同的3個(gè)手機(jī)中，紅米NOTE2(荷包)在所有活動(dòng)中VM均高于其他兩部手機(jī)，通過(guò)配對(duì)樣本t檢驗(yàn)表明差異均具有非常顯著性；而紅米NOTE2(腰部)和三星NOTE3(腰部)之間的VM差異均不具有統(tǒng)計(jì)學(xué)意義。斯皮爾曼相關(guān)檢驗(yàn)的結(jié)果表明(表5)，在ActiGraph和3個(gè)智能手機(jī)之間存在著高度相關(guān)(ρ=0.872～0.927);紅米NOTE2(荷包)、三星NOTE3(腰部)和紅米NOTE2(腰部)之間的相關(guān)系數(shù)分別為0.946和0.989，也均屬于高度相關(guān)。

表 4 活動(dòng)矢量計(jì)數(shù)的描述性統(tǒng)計(jì)Table 4 Descriptive Statistics of Movement VM

表 5 各設(shè)備測(cè)量的矢量計(jì)數(shù)值相關(guān)性Table 5 Correlations of Raw ActiGraph and Raw Phone

注：*代表高度顯著性水平。

3.1.3 以ActiGraph為校標(biāo)的3部智能手機(jī)交叉驗(yàn)證結(jié)果

通過(guò)留一法交叉驗(yàn)證的方法分別建立三星NOTE3(腰部)、紅米NOTE2(荷包)、紅米NOTE2(腰部)與ActiGraph的回歸方程，其具體過(guò)程為將每一個(gè)樣本作為測(cè)試樣本，其他49個(gè)樣本作為訓(xùn)練樣本，得到50個(gè)測(cè)試結(jié)果、用50個(gè)結(jié)果的平均值來(lái)建構(gòu)模型和衡量模型的性能。其實(shí)際值與預(yù)測(cè)值之間的平均差值分別為267.7、383.2和279.0，RMSE分別為470.2、700.4和506.9(圖5)，ActiGraph VM的預(yù)測(cè)準(zhǔn)確性中三星NOTE3(腰部)最高，其次是紅米NOTE2(腰部)和紅米NOTE2(荷包)，表明智能手機(jī)的型號(hào)對(duì)預(yù)測(cè)準(zhǔn)確性的影響要小于佩戴部位的影響。

圖 5 不同智能手機(jī)預(yù)測(cè)ActiGraph的 矢量計(jì)數(shù)值準(zhǔn)確性比較(實(shí)驗(yàn)室測(cè)試)柱狀圖Figure 5. Comparison of Predictive Accuracy of Different Smart Phone

在留一法交叉驗(yàn)證構(gòu)建的回歸模型中，非標(biāo)準(zhǔn)化回歸系數(shù)和截距為留一法交叉驗(yàn)證中所有模型的平均值，在此基礎(chǔ)上輸入ActiGraph的強(qiáng)度界值(小強(qiáng)度為2 505，大強(qiáng)度為5 905)推算各個(gè)智能手機(jī)的VM界值。

3.1.4 各設(shè)備對(duì)體力活動(dòng)強(qiáng)度分類(lèi)的正確率

依據(jù)表6的界值將各類(lèi)型的活動(dòng)分為小強(qiáng)度體力活動(dòng)、中等強(qiáng)度體力活動(dòng)和大強(qiáng)度體力活動(dòng)。同時(shí)使用3METs、6METs的分類(lèi)標(biāo)準(zhǔn)，依據(jù)2010版體力活動(dòng)能量消耗編碼表中的MET值，將本測(cè)試中各類(lèi)活動(dòng)也分為低、中、高 3種類(lèi)型，以此分類(lèi)結(jié)果為標(biāo)準(zhǔn)判斷手機(jī)分類(lèi)的準(zhǔn)確性。由表7可知，對(duì)于靜息類(lèi)的活動(dòng)，手機(jī)歸類(lèi)的準(zhǔn)確性幾乎為100%，而對(duì)于自行車(chē)騎行，除紅米NOTE2(荷包)手機(jī)外，其他兩部手機(jī)的歸類(lèi)準(zhǔn)確性為0%,但同時(shí)ActiGraph的歸類(lèi)準(zhǔn)確性也為0%。在掃地活動(dòng)上，ActiGraph準(zhǔn)確率高出3部手機(jī)30.3%～37.3%，但整體的準(zhǔn)確率較低。而在慢走和快走活動(dòng)中，ActiGraph略高于其他3部智能手機(jī)，且所有設(shè)備分類(lèi)準(zhǔn)確率均高于90%(表7)。

表 6 智能手機(jī)回歸模型及各強(qiáng)度切點(diǎn)值Table 6 Regression Equations and Cut-points for Each Intensity Level of Physical Activity

注：截距和非標(biāo)準(zhǔn)化回歸系數(shù)為留一法交叉驗(yàn)證中所有模型的平均值。

表 7 各設(shè)備對(duì)活動(dòng)強(qiáng)度分類(lèi)的正確率Table 7 Correct Classification of Activity Intensity Level for Each Device(%)

3.2 日常生活測(cè)試結(jié)果

通過(guò)對(duì)數(shù)據(jù)進(jìn)行整理后獲取有效天數(shù)89天，將其納入統(tǒng)計(jì)分析中。由表8可知，在每日大強(qiáng)度體力活動(dòng)時(shí)間的測(cè)量上，智能手機(jī)和ActiGraph結(jié)果之間高度相關(guān)(VPA：ρ=0.819,P=0.000;MPA：)，在中等強(qiáng)度和小強(qiáng)度上，兩者之間顯著相關(guān)(ρ=0.762,P=0.000；LPA：ρ=0.665,P=0.000)。

表 8 各強(qiáng)度等級(jí)活動(dòng)時(shí)間上ActiGraph與紅米NOTE2(荷包)的相關(guān)性(日常生活)Table 8 Spearman Correlations between ActiGraph and HongMi Smart Phone(pocket) on the Minutes of Each Intensity Level

圖 6 每天大強(qiáng)度體力活動(dòng)時(shí)間一致性評(píng)價(jià)的 Bland-Altman圖(ActiGraph和智能手機(jī))Figure 6. Bland-Altman Plot Comparing Estimated Minutes of VPA Per day between the Phone and ActiGraph(free-living study)

圖 7 每天中等強(qiáng)度體力活動(dòng)時(shí)間一致性評(píng)價(jià)的 Bland-Altman圖(ActiGraph和智能手機(jī))Figure 7. Bland-Altman Plot Comparing Estimated Minutes of MPA Per day between the Phone and ActiGraph(free-living study)

圖 8 每天小強(qiáng)度體力活動(dòng)時(shí)間一致性評(píng)價(jià)的 Bland-Altman圖(ActiGraph和智能手機(jī))Figure 8. Bland-Altman Plot Comparing Estimated Minutes of LPA Per day between the Phone and ActiGraph(free-living study)

4 分析討論

4.1 不同佩戴部位測(cè)量結(jié)果的分析

本研究顯示，無(wú)論智能手機(jī)被置于髖部還是荷包中其測(cè)量結(jié)果均可接受，表明相同的手機(jī)佩戴在上衣荷包和腰部對(duì)VM測(cè)量結(jié)果的影響有限，其中主要的原因可能是：

1)佩戴部位都能夠代表身體的質(zhì)心部位；2)本研究使用VM代表COUNT，而不是3軸加速度計(jì)中某1軸的積分值，能夠部分解決因放置方式不同導(dǎo)致的敏感軸與運(yùn)動(dòng)方向不一致的問(wèn)題，這與侯倉(cāng)健等[1]在活動(dòng)識(shí)別研究中的處理方式類(lèi)似。本研究的結(jié)果與Jones等[17]和Welk等[38]的研究結(jié)果相似，其研究認(rèn)為，放置位置對(duì)單軸加速度計(jì)的輸出結(jié)果有明顯影響，對(duì)多軸加速度計(jì)無(wú)顯著影響。但在此基礎(chǔ)上，Powell等對(duì)此問(wèn)題進(jìn)行了進(jìn)一步探究，結(jié)果表明，在小強(qiáng)度活動(dòng)中，佩戴部位對(duì)加速度計(jì)輸出的COUNT值無(wú)影響，但在大強(qiáng)度活動(dòng)中影響逐漸增加。本研究的結(jié)果表明，智能手機(jī)可以根據(jù)使用者的習(xí)慣用專(zhuān)用腰帶置于腰間，或者放置在上衣荷包里。放在荷包中，更符合普通人的佩戴習(xí)慣，有助于長(zhǎng)時(shí)間進(jìn)行活動(dòng)數(shù)據(jù)采集。未來(lái)的研究中需要進(jìn)一步豐富佩戴的部位，比如是跑步愛(ài)好者喜歡將手機(jī)綁置在上臂處或者將智能手環(huán)(例如Fitbit，Jawbone)佩戴在手腕位置，同時(shí)應(yīng)進(jìn)一步探討不同測(cè)量部位結(jié)果差異是否主要來(lái)自大強(qiáng)度體力活動(dòng)。

4.2 不同設(shè)備測(cè)量結(jié)果的分析

本研究中佩戴在腰部的紅米NOTE2、三星NOTE3手機(jī)均與ActiGraph測(cè)量結(jié)果高度相關(guān)，這不僅表明不同設(shè)備的原始信號(hào)提供高度相似的信息，還提示基于ActiGraph的體力活動(dòng)強(qiáng)度分類(lèi)以及能耗計(jì)算模型等同樣適用于智能手機(jī)，并且能夠獲取相似的測(cè)量結(jié)果；目前，ActiGraph軟件中自帶有8個(gè)能耗推算公式，以后這些方程的建構(gòu)方法和適用條件均可嫁接到后期智能手機(jī)能耗評(píng)測(cè)的研究上。本研究選擇的紅米NOTE2屬于低價(jià)位手機(jī)，其傳感器和其他硬件的性能水平屬于中低端，雖然本研究顯示，在相同佩戴部位下其測(cè)量結(jié)果與三星NOTE3手機(jī)具有高度一致性，但并不能得出普適性的結(jié)論。在未來(lái)的研究中還應(yīng)將更多價(jià)位、更多配置水平的手機(jī)納入到評(píng)測(cè)中，為結(jié)論的概化提供依據(jù)。

4.3 體力活動(dòng)類(lèi)型劃分方法的分析

本研究采用強(qiáng)度切點(diǎn)的方法劃分體力活動(dòng)，而不是最新的基于神經(jīng)網(wǎng)絡(luò)或者機(jī)器學(xué)習(xí)的活動(dòng)類(lèi)型識(shí)別法[21、29]，雖然前者在測(cè)量準(zhǔn)確性上并無(wú)優(yōu)勢(shì)，但卻在體力活動(dòng)與健康量-效關(guān)系的研究中廣泛應(yīng)用[8]，并且在國(guó)內(nèi)、外的體力活動(dòng)指南中均強(qiáng)調(diào)活動(dòng)的強(qiáng)度，而不是活動(dòng)的類(lèi)型[27]。采用強(qiáng)度劃分的方法更具有實(shí)用性，其不僅可以直接與各體力活動(dòng)指南相對(duì)應(yīng)，而且還能主動(dòng)匹配國(guó)內(nèi)、外的相關(guān)研究。本研究的結(jié)果顯示，在小強(qiáng)度體力活動(dòng)、中等強(qiáng)度體力活動(dòng)和大強(qiáng)度體力活動(dòng)時(shí)間的估算上，手機(jī)和ActiGraph具有一致性，而后者測(cè)量的各強(qiáng)度體力活動(dòng)時(shí)間與健康效應(yīng)之間的聯(lián)系已經(jīng)得到大量流行病學(xué)研究的實(shí)證支持，表明，手機(jī)也同樣可以應(yīng)用到流行病學(xué)的研究和運(yùn)動(dòng)與健康干預(yù)實(shí)踐中。同時(shí)，手機(jī)測(cè)量無(wú)需在精力和費(fèi)用上增加佩戴者的額外負(fù)擔(dān)，并且數(shù)據(jù)能夠進(jìn)行遠(yuǎn)程實(shí)時(shí)的交互傳遞，更利于大量人群體力活動(dòng)監(jiān)控和干預(yù)。

4.4 手機(jī)加速度傳感器采樣頻率設(shè)置和濾波分析

本研究手機(jī)的采樣頻率的設(shè)置主要考慮運(yùn)動(dòng)信息的捕捉，根據(jù)Nyquist標(biāo)準(zhǔn)[37]采樣頻率必須為人體運(yùn)動(dòng)各部位最大頻率的兩倍，如該標(biāo)準(zhǔn)不滿(mǎn)足則快速運(yùn)動(dòng)的信息無(wú)法準(zhǔn)確采集。Welk等[39]的研究表明，身體的加速度信號(hào)一般低于10 Hz；在人體質(zhì)心處的日常體力活動(dòng)運(yùn)動(dòng)頻率在0.3～3.5 Hz之間。然而，遠(yuǎn)離身體質(zhì)心的上肢在特定運(yùn)動(dòng)中頻率高達(dá)25 Hz，而腳跟落地跑步時(shí)足部的頻率瞬時(shí)峰值可達(dá)60 Hz。一般來(lái)說(shuō)，人體軀干的運(yùn)動(dòng)信息采集不低于30 Hz,但當(dāng)用于步態(tài)研究、跑步峰值加速度監(jiān)測(cè)等時(shí)采樣頻率應(yīng)該更高[24]。

濾波過(guò)程中有效帶通頻率的設(shè)置，可以降低傳感器老化或者漂移產(chǎn)生的低頻(小于0.1 Hz)影響，減弱電子或電器等高頻噪音(大于60 Hz),從而使得輸出的信號(hào)更接近于人體真正的運(yùn)動(dòng)信號(hào)。帶通太寬時(shí)，與運(yùn)動(dòng)無(wú)關(guān)的噪音(例如溫度漂移、駕駛機(jī)動(dòng)車(chē)干擾等)難以有效去除，而帶通太窄時(shí)真正的運(yùn)動(dòng)信號(hào)又會(huì)被遺漏。目前，運(yùn)動(dòng)能耗檢測(cè)儀的帶通濾波頻率一般在0.25～7 Hz之間[34]，本研究根據(jù)FFT頻譜分析結(jié)果，結(jié)合先驗(yàn)知識(shí)確定手機(jī)的帶通頻率為0.2～10 Hz之間。而在該帶通頻段下，是否也存在像部分能耗儀那樣的小強(qiáng)度不敏感[33]和極大強(qiáng)度容易出現(xiàn)“平臺(tái)”[7，22]的問(wèn)題，需要后續(xù)研究深入探討。

4.5 加速度傳感器原始數(shù)據(jù)的合成和提取

人體能耗監(jiān)測(cè)儀輸出的數(shù)值并不是每個(gè)軸的加速度具體數(shù)值，而是熟知的COUNT值，實(shí)為原始信號(hào)時(shí)域特征的提取，并沒(méi)有生物學(xué)上的實(shí)際含義。而不同品牌能耗監(jiān)測(cè)儀提取的時(shí)域特征也不盡相同，總結(jié)起來(lái)共分為：1)閾值計(jì)數(shù)單位時(shí)間超過(guò)某一數(shù)值的次數(shù)[14]；2)單位時(shí)間加速度信號(hào)峰值[36]；3)單位時(shí)間加速度積分值[19]，而加速度積分的應(yīng)用最為廣泛，本研究沿用此指標(biāo)。但即使采用加速度積分這一指標(biāo)，不同品牌能耗儀納入計(jì)算的運(yùn)動(dòng)軸也不同，有的只采用ACZ的數(shù)據(jù)合成COUNT值來(lái)預(yù)測(cè)走跑時(shí)的能耗，有的利用ACZ和ACH合成VM。Midorikawa等認(rèn)為，VM可以全面地反映體力活動(dòng)中身體的活動(dòng)情況[25]，并且在智能手機(jī)的數(shù)據(jù)處理中取3個(gè)軸的VM可以解決因?yàn)樵O(shè)備放置方式不同而造成的信號(hào)差異問(wèn)題[28]。因此，在放置條件的不確定性較大的情況下，智能手機(jī)數(shù)據(jù)的合成不應(yīng)取單一數(shù)軸的值來(lái)表征整個(gè)活動(dòng)情況。

4.6 本研究的局限

本研究以ActiGraph為校標(biāo)，盡管該設(shè)備測(cè)量的準(zhǔn)確性已得到大量實(shí)證研究的支持，但其測(cè)量結(jié)果并非“金標(biāo)準(zhǔn)”。因此，在本研究中不能根據(jù)B-A圖差值的置信區(qū)間簡(jiǎn)單地判斷誤差的來(lái)源來(lái)自智能手機(jī)，更不能說(shuō)明智能手機(jī)測(cè)量能量消耗的誤差究竟有多大。未來(lái)的研究應(yīng)該以間接測(cè)熱法的結(jié)果為基礎(chǔ)建構(gòu)相關(guān)能耗模型直接評(píng)測(cè)其測(cè)量的誤差。

本研究的另外一個(gè)不足之處是對(duì)手機(jī)在荷包中的固定條件進(jìn)行了限定，要求受試者將手機(jī)放置在右側(cè)腰部的荷包中，并且該荷包的大小適中，能夠固定手機(jī)避免產(chǎn)生過(guò)大的相對(duì)運(yùn)動(dòng)，而這有悖于一般使用者的使用習(xí)慣。因此，在未來(lái)研究中，應(yīng)該進(jìn)一步探究不同固定條件，不同放置位置對(duì)智能手機(jī)VM的影響，探究智能手機(jī)在運(yùn)動(dòng)能耗監(jiān)測(cè)中的使用條件，為其普及應(yīng)用提供依據(jù)。

5 結(jié)論

本研究顯示，在VM值以及每日小強(qiáng)度、中等強(qiáng)度與大強(qiáng)度體力活動(dòng)時(shí)間的測(cè)量上，兩款智能手機(jī)與ActiGraph的結(jié)果高度一致，并且手機(jī)型號(hào)和佩戴部位對(duì)測(cè)量的影響有限，這表明，本研究所選用品牌和型號(hào)的智能手機(jī)可以作為ActiGraph的替代品用于體力活動(dòng)干預(yù)和流行病學(xué)的研究中。未來(lái)應(yīng)進(jìn)一步豐富智能手機(jī)佩戴部位和手機(jī)品牌的評(píng)測(cè)，并在此基礎(chǔ)上進(jìn)一步建構(gòu)基于智能手機(jī)COUNT值的能耗模型。

[1]侯倉(cāng)健,陳嶺,呂明琪,等.基于加速度傳感器的放置方式和位置無(wú)關(guān)運(yùn)動(dòng)識(shí)別[J].計(jì)算機(jī)科學(xué),2014,41(10):76-79.

[2]明鑫,王斌.手機(jī)運(yùn)動(dòng)軟件與 K4b2 測(cè)量步行運(yùn)動(dòng)能耗的比較研究[J].安徽體育科技,2015,36(3):55-58.

[3]孫泊,劉宇,莊濤,等.基于腰部加速度計(jì)的行走能耗建模實(shí)驗(yàn)研究[J].體育科學(xué),2013,(4):36-41.

[4]王軍利,張冰,賈麗雅,等.ActiGraph(GT3X) 加速度計(jì)測(cè)量我國(guó)19～29歲人群身體活動(dòng)能耗的效度研究[J].體育科學(xué),2012,32(12):71-77.

[5]向劍鋒,李之俊.應(yīng)用ActiGraph三軸加速度傳感器矢量計(jì)數(shù)監(jiān)測(cè)日常體力活動(dòng)的研究[J].體育科學(xué),2013,33(11)：75-83.

[6]AINSWORTH B,EHASKELL W L,HERRMANN S D.Compendium of phsycial actcvity[EB/OB].[2016-4-5].http://sites.google.com/site/compendiumofphysicalactivities.

[7]BRAGE S,WEDDERKOPP N,FRANKS P W,etal.Reexamination of validity and reliability of the CSA monitor in walking and running[J].Med Sci Sports Exe,2003,35(8):1447-1454.

[8]BUMAN M P,HEKLER E B,HASKELL W L,etal.Objective light-intensity physical activity associations with rated health in older adults[J].Am J Epidemiol,2010,172(10):1155-1165.

[9]COPELAND J L,ESLIGER D W.Accelerometer assessment of physical activity in active,healthy older adults[J].Aging Phys Act,2009,17(1):17-30.

[10]CRAEMER M,DE DECKER E,SANTOS-LOZANO A,etal.Validity of the Omron pedometer and the actiraph step count function in preschoolers[J].J Sci Med Sport,2015,18(3):289-293.

[11]FREEDSON P,BOWLES H R,TROIANO R,etal.Assessment of physical activity using wearable monitors:recommendations for monitor calibration and use in the field[J].Med Sci Sports Exe,2012,44(1):1-4.

[12]FREEDSON P S,MELANSON E,SIRARD J.Calibration of the computer science and applications,Inc.accelerometer[J].Med Sci Sports Exe,1998,30(5):777-781.

[13]HANGGI J M,PHILLIPS L R S,ROWLANDS A V.Validation of the ACTIGRAPH in children and comparison with the GT1M ActiGraph[J].J Sci Med Sport,2013,16(1):40-44.

[14]HEINZ E A,KUNZE K S,SULISTVO S,etal.Experimental Evaluation of Variations in Primary Features Used for Accelerometric Context Recognition[M].Ambient Intelligence.Springer Berlin Heidelberg,2003:252-263.

[15]HEKLER E B,KLASNIJA P,TRAVER V,etal.Realizing effective behavioral management of health:The metamorphosis of behavioral science methods[J].Pulse,IEEE,2013,4(5):29-34.

[16]JANSSEN X,CLIFF D P,REILLY J J,etal.Predictive validity and classification accuracy of ActiGraph energy expenditure equations and cut-points in young children[J].PloS one,2013,8(11):e79124.

[17]JONES S L,WOOD K,THOMPSON R,etal.Effect of monitor placement on output from three different accelerometers[J].Med Sci Sports Exe,1999,31(5):S142.

[18]KELLY L A,MCMILLAN D G E,ANDERSON A,etal.Validity of actigraphs uniaxial and triaxial accelerometers for assessment of physical activity in adults in laboratory conditions[J].BMC Medical Physics,2013,13(1):5.DOI:10.1186/1756-6649-13-5..

[19]KIANI K,SNIJDERA C J,GELSEMA E S.Computerized analysis of daily life motor activity for ambulatory monitoring[J].Technol Health Care,1997,5(4):307-318.

[20]KOCHERSBERGER G,MCCONNELL E,KUCHIBHATLA M N,etal.The reliability,validity,and stability of a measure of physical activity in the elderly[J].Arch Phys Med Rehab,1996,77(8):793-795.

[21]LAU S L,DAVID K.Movement recognition using the accelerometer in smartphones[C]//Future Network and Mobile Summit,2010,IEEE,2010:1-9.

[22]LEVINE J A,BAUKOL P A,WESTERP K P.Validation of the Tracmor triaxial accelerometer system for walking[J].Med Sci Sports Exe,2001,33(9):1593-1597.

[23]MARTELLA R C,NELSON J R,MORGAN R L,etal.Understanding and Interpreting Educational Research[M].Guilford Press,2013:166.

[24]MATHIE M J,COSTER A C F,LOVELL N H,etal.Accelerometry:providing an integrated,practical method for long-term,ambulatory monitoring of human movement[J].Physiolo Meas,2004,25(2):R1.

[25]MIDORIKAWA T,TANAKA S,KANEKO K,etal.Evaluation of low-intensity physical activity by triaxial accelerometry[J].Obesity,2007,15(12):3031-3038.

[26]MORILLO L M S,GONZALEZ-ABRIL L,RAMIREZ J A O,etal.Low energy physical activity recognition system on smartphones[J].Sensors,2015,15(3):5163-5196.

[27]PHYSICAL ACTIVITY GUIDELINES ADVISORY COMMITTEE.Physical activity guidelines advisory committee report,2008[R].Washington,DC:US Department of Health and Human Services,2008:A1-H14.

[28]RAVI N,DANDEKAR N,MYSORE P,etal.Activity recognition from accelerometer data[C]//AAAI,2005: 1541-1546.

[29]SAPONAS T,LESTER J,FROEHLICH J,etal.ilearn on the iphone:Real-time human activity classification on commodity mobile phones[J].University of Washington CSE Tech Report UW-CSE-08-04-02,2008:1-4.

[30]SCJNELLER M B,PEDERSEN M T,GUPTA N,etal.Validation of five minimally obstructive methods to estimate physical activity energy expenditure in young adults in semi-standardized settings[J].Sensors,2015,15(3),6133-6151.

[31]]SEKINE M,TAMURA T.etal.Classification of acceleration waveform in a continuous walking record[A].Engineering in Medicine and Biology Society,In 20th Annual,1998,3:1523-1526.

[32]SHOAIB M,BOSCH S,LNCEL O D,etal.Fusion of smartphone motion sensors for physical activity recognition[J].Sensors,2014,14(6):10146-10176.

[33]SWARTZ A M,STRATH S J,BASSETT D R,etal.Estimation of energy expenditure using CSA accelerometers at hip and wrist sites[J].Med Sci Sports Exe,2000,32(Suppl):450-456.

[34]UITERWAAL M,GLERUM E B C,BUSSER H J,etal.Ambulatory monitoring of physical activity in working situations,a validation study[J].J Med Eng Technol,1998,22(4):168-172.

[35]VANHELST J,MILULOVIC J,BUI-XUAN G,etal.Comparison of two ActiGraph accelerometer generations in the assessment of physical activity in free living conditions[J].BMC Res Notes,2012,5(1):187.

[36]VAN L K,GELLERSEN H W.Spine versus porcupine:A study in distributed wearable activity recognition[C]//Wearable Computers,2004.ISWC 2004.Eighth International Symposium on.IEEE,2004,(1):142-149.

[37]VELHO L,FRERY A,GOMES J.Signal Theory[M].Image Processing for Computer Graphics and Vision:London Springer,2009:13-55.

[38]WELK G J.Principles of design and analyses for the calibration of accelerometry-based activity monitors[J].Med Sci Sports Exe,2005,37(11 Suppl):501-511.

[39]WELK G J.Use of accelerometry-based activity monitors to assess physical activity[J].Phys Activi Assessments Health-related Res,2002:125-141.

[40]ZANDBERGEN P A,BARBEAU S J.Positional accuracy of assisted gps data from high-sensitivity gps-enabled mobile phones[J].J Navigation,2011,64(3):381-399.

Assessment of Daily Physical Activity Using Built in Accelerometer of Smart Phone

CHEN Qing-guo,YUAN Chuan,CHEN En-ge,FAN Jiang-jiang

Objective:In order to make a foundation for future work,the purpose of this work was to explore the processing approach on original signal from built-in accelerometer of smart phone,compare its output to ActiGraph’s,and make a assessment on its accuracy.Methods:A laboratory(study 1) and a free-living(study 2) protocol were conducted.In study 1,50 participants engaged in prescribed activities including 10 items of 4 categories over a 65-minutes period wearing simultaneously wore two Redmi note2,one Sumsung note3 and ActiGraph-GT3X.Based on raw signal being filtered,modified and synthesized,this research make a analysis on consistency between each devices and their classification accuracy on intensity of physical activity.In Study 2,26 participants wored ActiGraph and Redmi NOTE2 during 4 days(2 days+2 rest days),which its data is used to analyzed on consistency of result on time per day of each intensity level of physical activity.Result:In study 1,correlations between the ActiGraph and the 3 phones were very strong(ρ=0.87～0.92).The correlation coefficient between Redmi(pocket),Sumsung(waist),between Redmi(waist) were Respectively 0.942 and 0.989; Regarded output of ActiGraph as standard,Samsung(waist),Redmi(pocket) and Redmi(waist) of RMSA were 470.2,700.4 and 506.9,measurement error from Redmi(waist) was largest;The differences between 3 phones and ActiGraph on defining accuracy of each type of activity intensity was small.Within the study 2,results suggested on daily time of VPA,MPA and LPA,the correlation coefficient were respectively 0.819.0.762 and 0.669.Results from Bland-Altman plots suggested close mean absolute estimates of VPA(mean difference=-2.8 min),MPA(mean difference=-5.2 min) and VPA(mean difference=-22.5 min).Conclusion:On VM and daily LPA,MPA and VPA time,consistency between phones and ActiGraph was good,which infer that two devices can provide similar information from raw signals,and that phones used in this research can provide an acceptable alternative to an ActiGraph for being applied to intervention for physical activity and research on Epidemiology.

physicalactivity;accelerometer;smartphone;assessment

1002-9826(2016)06-0128-09

10.16470/j.csst.201606020

2016-05-09；

2016-07-27

“十二五”國(guó)家科技支撐計(jì)劃資助項(xiàng)目(2012BAK-21B00)；四川師范大學(xué)實(shí)驗(yàn)技術(shù)與管理重點(diǎn)項(xiàng)目(SYJS2015-09)。

陳慶果(1981-)，男，四川瀘州人，副教授，博士，碩士研究生導(dǎo)師，主要研究方向?yàn)轶w質(zhì)測(cè)量與評(píng)價(jià)，E-mail：79311530@qq.com；袁川(1993-)，男，湖南株洲人，在讀碩士研究生，主要研究方向?yàn)轶w質(zhì)測(cè)量與評(píng)價(jià)，E-mail：251123523@qq.com。

四川師范大學(xué) 體育學(xué)院，四川 成都 610066 Sichuan Normal University,Chengdu 610066，China.

G804.6

A