張晉喜 李振 李沫含 邱華龍 劉程林 楊銘 徐魯友 賈壯 周志雄

摘? ? 要? ?世界衛(wèi)生組織建議成年人每周進行150～300 min中等強度或75～150 min高強度身體活動，身體活動量化監(jiān)測和個性化健身方案是科學健身的重要基礎。針對健身行為高精度監(jiān)測和個體運動方案智能推送缺乏有效的方法，建立基于卷積神經(jīng)網(wǎng)絡和長短時記憶網(wǎng)絡模型的身體活動強度預測算法模型，對三軸加速度計采集的運動數(shù)據(jù)序列進行特征提取和時序相關性分析，預測值與真實值之間的平均絕對百分比誤差為12.03%，均方誤差為1.027；研制基于用戶的身體活動、運動風險、健康水平、健身目標等特征指標的智能生成個性化運動方案算法，基于“首體健身”健身指導系統(tǒng)將運動方案與標簽化的動作庫和健身課程視頻按照關聯(lián)規(guī)則的匹配方法組成可視化健身方案?；诰矸e神經(jīng)網(wǎng)絡和長短時記憶網(wǎng)絡的算法模型預測身體活動強度的精度高，基于身體活動量、運動風險等特征智能推送的個性化健身方案可滿足居民健身需求。

關鍵詞? ?身體活動；代謝當量；運動處方；神經(jīng)網(wǎng)絡

中圖分類號：804.5；TP3? ? ? ? ? ?學科代碼：040302? ? ? ? ? ?文獻標志碼：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

身體活動強度是反映人體活動時的運動負荷的重要指標［1］，常用代謝當量（MET）進行判定和描述，MET是一種表示身體活動時的代謝消耗的單位。1MET 是人體靜坐時的能量消耗，對于大多數(shù)人來說，相當于每分鐘每千克體重消耗3.5 mL氧氣。通常將3METs、6METs、9METs分別作為低-中強度、中-高強度、高-極高強度的分界點［2］，精確地估測身體活動強度能夠有效評估健身行為的效果，是科學健身和疾病預防的重要依據(jù)。評估身體活動強度的方法主要有間接測熱法和心率法［3］，然而這些技術手段存在諸如依賴專家經(jīng)驗等缺陷。近幾年來，隨著可穿戴式健康監(jiān)測設備的迅速普及，用于健康和運動監(jiān)測的可穿戴設備越來越受健身人群的歡迎。手機或可穿戴式健康監(jiān)測設備是最為常見的運動監(jiān)測設備，能夠通過設備內(nèi)置的加速度計等傳感器監(jiān)測各種重要的人體生理參數(shù)［4］。有研究者對比了主流加速度計在不同速度時的步數(shù)檢測和身體活動強度預測的準確度［5］。還有研究者評估了不同智能手表在戶外行走和跑步場景中預測身體活動強度的準確度［6-7］。上述研究顯示，加速度計和運動手表在預測身體活動強度的精度方面不理想。

鑒于加速度計具有便捷、成本低的優(yōu)勢，大多數(shù)研究是通過加速度計采集數(shù)據(jù)并構建身體活動強度預測模型，且主要應用于日常身體活動、跑步、球類運動等。已有研究中比較常見的方案是基于專家經(jīng)驗構建預測方程，通過線性和非線性擬合的方案實現(xiàn)基于加速度數(shù)據(jù)的身體活動強度預測［8-9］。然而，基于預測方程預測身體活動強度的準確度較低，因此，無法在實際的人體活動過程中得到較好的應用。近年來，隨著深度學習等人工智能技術的不斷發(fā)展，基于人工智能算法進行身體活動強度預測成為新的研究熱點［10］。比較常見的方式是，使用加速度計記錄并提取人體運動過程中的加速度數(shù)據(jù)，同時記錄身體活動強度數(shù)值［11］，并采用監(jiān)督學習的方式構建預測模型。人工神經(jīng)網(wǎng)絡或循環(huán)神經(jīng)網(wǎng)絡等典型的人工智能算法均是基于監(jiān)督學習的方式從訓練集數(shù)據(jù)中得出訓練好的預測模型，并可以應用到測試集數(shù)據(jù)中進行性能檢驗。有研究者提出了基于人工神經(jīng)網(wǎng)絡（ANN）模型的身體活動強度預測方案［12-13］。ANN模型的核心思想是從加速度數(shù)據(jù)和個人信息中提取特征，并輸入到神經(jīng)網(wǎng)絡進行訓練。但是以上ANN預測模型的特征提取過程過于依賴專家經(jīng)驗，預測準確度有待進一步提高。

同時，考慮到通過加速度計采集到的加速度數(shù)據(jù)是時間序列數(shù)據(jù)，并且各個采樣點之間具有高度的時序相關性，對身體活動強度的預測結果會產(chǎn)生重要影響，而傳統(tǒng)的人工神經(jīng)網(wǎng)絡無法分析出采樣點之間的相關性。循環(huán)神經(jīng)網(wǎng)絡能對長時間序列數(shù)據(jù)的非線性特征進行分析，從而應用于身體活動強度預測，但是循環(huán)神經(jīng)網(wǎng)絡容易產(chǎn)生梯度消失的問題，而長短期記憶（LSTM）神經(jīng)網(wǎng)絡模型則能很好地解決這一問題［14］。此外，卷積神經(jīng)網(wǎng)絡（CNN）［15］、隨機森林［16］等典型的機器學習算法也可用于身體活動強度預測。

監(jiān)測身體活動強度的目的是實時掌握運動者的運動代謝情況，從而科學指導運動健身，避免運動不足和防范運動損傷。為了提高運動積極性、最大化運動效益，需要針對不同個體制定個性化的運動處方。運動處方由頻率、強度、時間、類型等要素組成，簡稱“FITT”。劉宇川等依據(jù)佩特里網(wǎng)理論，為用戶按照運動處方構成要素制定個性化運動方案［17］。練興楊依據(jù)用戶興趣和運動能力的個體差異，改進了協(xié)同過濾推薦算法，基于用戶對運動項目的適應程度生成了運動處方［18］。世界衛(wèi)生組織建議，成年人每周應至少進行150～300 min的中等強度有氧運動或75～150 min的劇烈運動［19］。以中等運動強度為3MET為例，如果一個成年人1周的身體活動量達到WHO推薦的150～300 min中等強度運動時間，那么該成年人1周應該達到的最低身體活動量為：450 MET·min（3MET × 150 min）至900 MET·min（3MET × 300 min）。

針對健身行為連續(xù)高精度監(jiān)測和個體健身方案智能推送缺乏有效的方法，本研究探討基于CNN-

LSTM模型的身體活動強度預測算法，融合CNN和LSTM模型，對加速度序列進行特征提取和時序相關性分析。此外，本研究還設計了智能運動方案生成算法，遵循運動處方構成要素，為健身者智能生成和推送個性化健身方案 。

1? ?研究方法

1.1? 受試者基本情況

招募70名大學生作為受試者（其中：男生為35人，女生為35人）。所有受試者均身體健康，無不良嗜好。本研究方案經(jīng)首都體育學院學術委員會倫理道德專門委員會批準，受試者在參與研究之前簽訂了《知情同意書》。70名受試者的基本信息見表1。

1.2? 測試指標

使用高精度三軸加速度計和氣體代謝能耗分析儀采集受試者的運動數(shù)據(jù)。其中：使用中國企業(yè)生產(chǎn)的三軸加速度計采集加速度數(shù)據(jù)，主要用于記錄運動過程中的三軸加速度數(shù)據(jù)，采樣頻率設置為100 Hz，加速度量程范圍為±16 g。通過腕帶將加速度計固定在受試者的腕部。采用可攜帶式的人體運動氣體代謝能耗分析儀（COSMED K5）測量身體活動強度［20］，COSMED K5運用呼氣分析法進行人體代謝量度，包括攝氧量、二氧化碳呼出量、心率、氣流量等，具有較高的測量精度［21-22］，并被廣泛應用于采集人體運動時的生理數(shù)據(jù)。實驗前對COSMED K5進行流量傳感器和標準氣體校準，隨后受試者戴上氣體代謝能耗分析儀面罩并檢查面罩的封閉性，檢查無誤后開始測試。

1.3? 測試流程

要求受試者在測試前24 h不進行劇烈運動，飯后（輕餐）1.5～2 h進行測試，到達實驗室后進行充分的休息，隨后通過人體成分分析儀進行體重、BMI及體脂率的測量，并登記個人信息。之后，手腕佩戴加速度計、面部戴上氣體代謝能耗分析儀面罩（如圖1所示）。隨后受試者按照走路、跑步的順序依次進行實驗，速度從2 km/h逐漸增加到9 km/h。每完成一個速度下的測試便充分休息，待心率恢復到接近靜坐心率后開始下一個速度的測試。1）步行測試。受試者在跑臺以2 km/h、3 km/h、4 km/h、5 km/h及6 km/h的速度走路（由慢走過渡到快走），每一速度下均進行4 min測試。要求步頻均勻、手臂前后自然擺動。2）跑步測試。受試者在跑臺以7 km/h、8 km/h及9 km/h速度跑步（由慢跑過渡到快跑），每一個速度進行4 min測試。要求步頻均勻，手臂握拳彎曲同時前后自然擺動。

1.4? 實驗數(shù)據(jù)處理

1）濾波處理。因腕部佩戴加速度計容易受到外部環(huán)境的噪聲影響，所以在數(shù)據(jù)處理階段對加速度數(shù)據(jù)進行濾波，經(jīng)過濾波后的人體加速度信號更加穩(wěn)定和準確。由于人體運動多發(fā)生在20 Hz的頻率下，采用截止頻率為20 Hz的低通濾波器對加速度數(shù)據(jù)進行濾波［23］。經(jīng)過濾波后的加速度數(shù)據(jù)更新為：

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）歸一化處理。對濾波后的加速度數(shù)據(jù)進行歸一化處理，計算公式如下。

anorm=（a-amin）/（amax-amin）? ? ? （2），

式中：a表示處理前的加速度數(shù)據(jù)，anorm表示歸一化運算后的加速度數(shù)據(jù)，amax和amin分別為加速度序列中的最大值和最小值。運算后加速度序列中的所有數(shù)值均轉(zhuǎn)化為［0，1］的區(qū)間值。

3）滑動窗口采樣。本研究使用的加速度數(shù)據(jù)由三軸加速度計連續(xù)采樣獲取，固定頻率為100 Hz。每種運動速度的加速度采集時間為4 min（240 s），因無法直接輸入到模型中進行預測，需要對加速度時間序列進行分割。采用滑動窗口法提取數(shù)據(jù)時，將窗口大小設置為300個采樣點（持續(xù)時間為3 s），并使窗口按照150個采樣點的步長沿著加速度時間序列提取數(shù)據(jù)。因此，相鄰2個樣本的加速度數(shù)據(jù)存在50%的重疊。

4）計算平均數(shù)。考慮到采樣點數(shù)為300時會使模型訓練過程中的優(yōu)化參數(shù)過多。因此，計算滑動窗口采樣后的加速度平均數(shù)。每N個采樣點計算一次平均數(shù)，計算公式如下。

5）數(shù)據(jù)集生成。數(shù)據(jù)集中的每個樣本包括加速度序列長度為30個采樣點（持續(xù)時間為3 s）的加速度數(shù)據(jù)及這段時間所對應的身體活動強度數(shù)據(jù)（MET值），其中的MET值為這段時間內(nèi)Cosmed K5記錄的所有MET的平均值。

1.5? 基于CNN-LSTM的身體活動強度預測算法

卷積神經(jīng)網(wǎng)絡是一種包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡，廣泛應用于身體活動強度預測等監(jiān)督學習任務［15］。卷積神經(jīng)網(wǎng)絡能對輸入的加速度數(shù)據(jù)進行卷積運算，從而可以提取加速度時序特征。然而，CNN無法分析加速度序列特征之間的關聯(lián)性。因此，將CNN提取的基本特征輸入到LSTM層，以確定加速度序列的時間序列相關性。LSTM神經(jīng)網(wǎng)絡是循環(huán)神經(jīng)網(wǎng)絡（簡寫為“RNN”）的一種改進模型，RNN在處理序列數(shù)據(jù)方面具有優(yōu)異的性能，但是由于梯度消失的問題，RNN的結構對于長時間相關的序列數(shù)據(jù)的分析結果不是很準確。因此，選擇LSTM神經(jīng)網(wǎng)絡分析加速度數(shù)據(jù)，從中分析加速度數(shù)據(jù)的時序關聯(lián)特性。在LSTM模型中，輸入門、遺忘門和輸出門3個門控單元用于控制傳輸狀態(tài)，選擇性地保留有用的信息，長期保存梯度信息。而LSTM 模型在分析長期記憶信息時具有天然優(yōu)勢，適宜于處理間隔時間較長的序列數(shù)據(jù)。

本文提出以CNN-LSTM模型預測人體運動過程中的實時身體活動強度。該模型預測身體活動強度的算法流程如圖2所示。其中：CNN能從加速度數(shù)據(jù)中提取特征，而LSTM模型可以分析時序關聯(lián)特性。

CNN-LSTM神經(jīng)網(wǎng)絡是一種結合CNN和LSTM的混合神經(jīng)網(wǎng)絡，不僅具有LSTM的時間序列相關性的建模功能，而且可以提取局部信息特征，從而可以捕捉三軸加速度數(shù)據(jù)的時空特征，而不僅僅是時間特征。通過CNN和LSTM可以更加精確地捕捉到三軸加速度數(shù)據(jù)和身體活動強度數(shù)據(jù)的時空關聯(lián)特性，模型的具體參數(shù)見表2。

1.6? 運動方案智能生成算法

為了滿足不同人群的不同運動目標，應針對不同個體設計個性化和精準化的智能運動方案，依據(jù)差異化的個人信息詳細設定運動頻率、運動強度、運動時長及運動類型。

同時，相較于其他運動方案生成算法，本文依托首都體育學院自主研發(fā)的科學健身指導系統(tǒng)（“首體健身”APP）設計基于身體活動量的智能運動方案生成算法?！笆左w健身”APP內(nèi)置CNN-LSTM身體活動強度實時預測模型，可以實時預測并記錄用戶在運動過程中的身體活動量，用于指導運動方案的生成。本研究中的算法以WHO推薦的不同人群的周活動量為基礎，以安全性、有效性及個性化為原則，在“首體健身”APP的動作庫和課程庫的基礎上，通過多種方式采集用戶的健康信息和運動需求信息，為用戶智能生成個性化和精準化的運動方案。本文設計的智能運動方案生成算法的主要步驟如下。

1）課程動作標簽構建。通過后臺上傳動作和課程時設置標簽。

2）用戶個人信息采集。采集用戶的體質(zhì)健康數(shù)據(jù)和體檢數(shù)據(jù)，并通過填答APP問卷等方式獲取用戶運動風險、身體狀況、鍛煉要求、鍛煉條件、運動能力等信息。

3）運動方案總體規(guī)劃。根據(jù)采集的用戶個人信息確定運動方案周期、鍛煉頻率及鍛煉內(nèi)容。

4）運動方案動作篩選?；谟脩粜畔摹皠幼鲙臁被颉罢n程庫”中根據(jù)標簽進行過濾后，拼接形成運動方案。

5）運動時長規(guī)劃。根據(jù)用戶輸入的運動目標和運動時長計算每節(jié)課或每個動作的練習時長或次數(shù)。

1.6.1? 課程與動作標簽構建

對“課程庫”和“動作庫”中的每門課程或每個動作均設定專屬標簽，包括運動目標、練習部位、練習器械、練習難度、鍛煉場景、動作特點、適宜人群等多個標簽（可多選），在用戶定制個性化運動方案時用于挑選動作。

1.6.2? 用戶個人信息采集

對于使用“首體健身”APP的運動人群，可以通過采集運動目標、運動風險等級、人群分類、個人基本信息、運動要求、訓練環(huán)境、運動能力等多維度信息（可多選）為其設定專屬標簽，用于運動方案生成時與“課程庫”或“動作庫”里的課程標簽或動作標簽進行匹配。

1.6.3? 運動方案總體設計

用戶信息采集完畢后，為不同運動目標的人群設計運動方案。根據(jù)不同的運動目標，為用戶制定個性化運動方案。

1.6.4? 運動方案動作篩選規(guī)則

根據(jù)用戶的實際運動需求篩選組成運動方案的課程和動作，篩選規(guī)則為將用戶的個人信息標簽與課程標簽或動作標簽進行匹配，匹配規(guī)則如表3所示。1.6.5? 課程與動作時長設計

經(jīng)過標簽篩選后的課程視頻按照順序拼接組成運動方案。如果篩選后的課程和動作的數(shù)量充足，則隨機選??；如果篩選后的課程和動作時長不能滿足鍛煉時間要求，則選用篩選后的全部視頻。根據(jù)課程或動作類型及運動者1周的身體活動量確定運動方案中的每門課程或每個動作的持續(xù)時間。具體流程如圖3所示。首先，對用戶1周的身體活動量是否達標進行判斷（運動量計算方法為：采集用戶按照“課程庫”和“動作庫”中的課程和動作進行的身體活動強度預測值，以及“首體健身”APP記錄的每門課程和每個動作的訓練時間，進行身體活動量累加）。如果達標，則由用戶自行設定鍛煉時間，按照課程或動作的持續(xù)時間組合運動方案；如果不達標，則設定每次鍛煉的身體活動量［計算方法為：每周最低身體活動量（3MET×300 min=900MET·min）與用戶設定的每周鍛煉次數(shù)的比值］，最終按照課程和動作的身體活動量確定運動方案。

1.7? 運動方案智能推薦算法

基于“首體健身”APP設計智能運動方案推薦系統(tǒng)。圖4為本研究設計的推薦系統(tǒng)的概念框架。智能運動方案推薦系統(tǒng)基于安卓操作系統(tǒng)設計，主要服務于移動端用戶，移動端具有的功能包括：注冊/登錄、個人信息采集、健康信息采集、運動能力評估、身體活動量監(jiān)測、運動方案推薦、運動記錄及運動方案調(diào)整。除此之外，可以在服務提供端進行數(shù)據(jù)處理。移動端和服務提供端之間通過HTTP協(xié)議進行數(shù)據(jù)交互。

推薦系統(tǒng)中用戶數(shù)據(jù)處理的流程如圖5所示。用戶登錄“首體健身”APP后首先進行個人基本信息和健康信息的錄入，隨后在該APP主頁進行運動風險篩查和運動能力測評，同時通過本文提出的身體活動量預測算法實時監(jiān)測該APP使用者的身體活動量。以上3部分內(nèi)容的數(shù)據(jù)存入數(shù)據(jù)庫，作為智能運動生成算法的依據(jù)。之后，該APP智能生成運動方案并向用戶展示，用戶可對運動方案進行實時調(diào)整，并查看歷史運動記錄。

圖6為用戶端在運動方案生成后與“首體健身”APP的交互序列。由圖6可知，用戶在成功登錄后，可以選擇生成或調(diào)整運動方案。隨后，數(shù)據(jù)庫將運動方案的構成數(shù)據(jù)（包括課程庫、動作庫、用戶信息等）傳送至智能運動方案推薦服務，生成遵循FITT原則的詳細運動方案，并傳遞至用戶。

2? ?研究結果

2.1? 身體活動強度預測性能

對采集的70名受試者的加速度數(shù)據(jù)和身體活動強度數(shù)據(jù)進行濾波、歸一化處理和采樣之后形成了樣本集。總的有效樣本數(shù)量為9 576，將樣本集按照3∶1的比例拆分成訓練集和測試集，訓練集和測試集的樣本數(shù)量分別為7 182和2 394。將訓練集數(shù)據(jù)輸入到模型進行訓練，測試集數(shù)據(jù)用于檢測模型的性能。

本研究構建了CNN-LSTM模型對人體在走路和跑步時的身體活動強度進行預測。該模型由輸入層、CNN層、最大池化層、LSTM層、隨機失活層和全連接層組成。CNN-LSTM模型基于Python內(nèi)置的“Tensor Flow 2.12.0”框架構建生成，采用的優(yōu)化器為適應性矩估計，訓練過程中的學習率為0.001，批大小設置為16，Dropout層丟失率設置為0.2。本研究中的數(shù)據(jù)處理和模型構建所用的電腦處理器為Intel（R） Core（TM） i5-10 500 CPU @ 3.10 GHz，操作系統(tǒng)為Windows（1 164）位。

本研究將CNN與LSTM作為對比算法，對所構建的CNN-LSTM模型進行性能驗證和比較。為了驗證CNN-LSTM模型預測身體活動強度的準確性，采用平均絕對百分比誤差（EMAPE）和均方誤差（EMSE）作為評估指標，計算方法如下。

由表4可知，CNN-LSTM模型的預測性能優(yōu)于對比算法CNN和LSTM。原因在于，CNN-LSTM模型兼具CNN的特征提取功能及LSTM的時序關聯(lián)分析功能，可以從加速度序列中提取時間關聯(lián)特征，從而能更加充分地分析加速度數(shù)據(jù)和身體活動強度數(shù)值的相關性。CNN-LSTM模型、CNN和LSTM在所有速度時預測身體活動強度的EMAPE分別為12.03%、14.65%和17.12%，EMSE分別為1.03、1.24和1.65。本研究構建的CNN-LSTM模型整體上在預測身體活動強度時的EMAPE相比于CNN和LSTM可以分別下降2.62%和5.09%，EMSE相比于CNN和LSTM可以分別下降16.84%和37.60%。此結果表明，CNN-LSTM模型能夠有效提高身體活動強度預測準確度。

如圖7所示，Bland-Altman點圖對CNN-LSTM、CNN和LSTM模型的預測值與實際值的一致性進行分析。3個模型在一致性區(qū)間之外的點分別為78個、83個、95個，分別占比3.25%、3.46%、3.96%，由此可知，相比于CNN和LSTM，CNN-LSTM模型預測的MET與實測的MET的一致性程度較高。

2.2? 運動方案智能生成算法性能

如圖8所示，基于身體活動量的運動方案智能生成算法的具體流程為：首先獲取用戶1周的身體活動量數(shù)據(jù)，并結合用戶自身上報的健康信息和運動信息生成運動方案；其次，生成運動方案的算法依據(jù)的專業(yè)知識均來自于權威組織發(fā)布的《運動健康指南》，用于構建運動方案的“課程庫”和“動作庫”的設計全程由專家指導，并經(jīng)過醫(yī)學專家的審核，F(xiàn)ITT中的運動頻率、運動強度、運動時間和運動類型的設計遵循合理的原則；最后，在用戶運動過程中實時記錄其身體活動強度信息和運動時長，從而評估其身體活動量，并對身體活動量進行記錄，以指導下次訓練。

本研究中的運動方案智能生成算法具有較高的科學性、合理性和可行性。在算法的生成過程中，充分考慮了不同運動人群的不同運動需求和運動目標，同時考慮了用戶的運動量是否達標對運動方案生成的影響。經(jīng)驗證，“首體健身”APP具有智能生成和推送運動方案的功能，其用戶交互界面友好、簡潔，能夠滿足不同運動人群的運動需求，具有科學健身指導的功能。

3? ?主要結論

本文研究的基于CNN-LSTM模型的身體活動強度預測算法結合了CNN和 LSTM 的優(yōu)勢，能夠充分分析加速度序列的局部特征和時間關聯(lián)特征，對身體活動強度的預測精度高?；谏眢w活動量的運動方案智能推薦算法合理有效，能為不同用戶推送個性化運動方案。

參考文獻：

［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. 能量消耗測量方法及其應用［J］. 中國運動醫(yī)學雜志，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］? 賈楠，霍曉燕，江朝力，等. 運動過程中人體能耗級別分析及預測模型［J］. 當代體育科技，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，張朋柱. 基于模糊Petri網(wǎng)的個性化運動方案智能生成［J］. 系統(tǒng)管理學報，2022，31（1）：159-166.

［18］? 練興楊. 基于協(xié)同過濾模型的運動處方生成技術研究與應用［D］. 西安：西安理工大學，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.