基于智能手机内置加速度传感器的日常体力活动监测研究

文章编号：１００２－９８２６（２０１６）０６－０１２８－０９　ＤＯＩ：１０．１６４７０￣．ｃｓｓＬ　２０１６０６０２０　中国体育科技　２０１６年（第５２卷）第６期　ＣＨｌＮＡ　ＲＴ　９ＣⅡ　ＩＣＥ　ＡＮＤ　ＴＥＣＨＮＯ１　０ＧＹ　ＶＤＬ　５２，Ｎｏ．６，１２８－１３６，２０１６．　基于智能手机内置加速度传感器　的日常体力活动监测研究　Ａｓｓｅｓｓｍｅｎｔ　ｏｆ　Ｄａｉｌｙ　Ｐｈｙｓｉｃａｌ　Ａｃｔｉｖｉｔｙ　Ｕｓｉｎｇ　Ｂｕｉｌｔ　ｉｎ　Ａｃｃｅｌｅｒｏｍｅｔｅｒ　ｏｆ　Ｓｍａｒｔ　Ｐｈｏｎｅ　陈庆果，袁川，陈恩格，范江江　ＣＨＥＮ　Ｑｉｎｇ—ｇｕｏ，ＹＵＡＮ　Ｃｈｕａｎ，ＣＨＥＮ　Ｅｎ—ｇｅ，ＦＡＮ　Ｊｉａｎｇ—ｊｉａｎｇ　摘要：目的：探究智能手机内置加速度传感器测量人体活动原始信号的处理方法，并把其　输出结果与ＡｃｆｉＧｒａｐｈ进行比对，评估其准确性。方法：研究分为实验室测试（研究１）和日　常生活测试（研究２）。在研究１中，５Ｏ名受测者佩戴２部红米ＮＯＴＥ２、１部三星ＮＯＴＥ３和　１个Ａｃｔ￣３ｒａｐｈ－Ｇ－ｑ＇３Ｘ完成４类１Ｏ项活动，每项活动５　ｍｉｎ，加上间歇时问全程约６５　ｒａｉｎ，以　其原始数据进行滤波、修正和合成，并在此基础上分析其与ＡｃｔｉＧｒａｐｈ　ＶＭ的一致性及划分　体力活动强度的准确性。在研究２中，２６名受试者连续携带ＡｃｔｉＧｒａｐｈ和红米Ｎ（）１匝２手机　共４天（２个工作日＋２个休息目），分析两类设备测量每日各类强度活动时阅的一致性。结　果：研究１中，智能手机与Ａｃｍｒａｐｈ　ＶＭ高度相关（ｐ＝０．８７～０．９２）；红米ＮＯＴＥ２（荷包）、　三星Ｎ　（腰部）和红米ＮＯＴＥ２（腰部）之阍的相关系数分剐为０．９４２和０．９８９；以Ａｃｔｉ—　Ｇｒａｐｈ为校标，三星ＮＯＴＥ３（腰部）、红米Ｎ　（荷包）和红米ＮＯＴＥ２（腰部）的ＲＭＳＡ分剐　为：４７０．２、７００．４和５０６．９，红米（腰部）的测量误差最大；手机和ＡｃｔｉＧｒａｐｈ在界定各活动强　度类型的准确率上差异小。研究２显示，在每日ＶＰＡ、　和Ｕ）Ａ时闽上，Ａ￣ｒａｐｈ和手　机的相关系数分别为０．８１９，０．７６２和０．６６９。Ｂｌａｎｄ－Ａｌｕｍｎ图显示，ＶＰＡ的平均差为一２．８　ｍ　／天，ＭＰｌＡ为一５。２　ｍｉｎ／天、ＬＰＡ为２２．５　ｒａｈ／天。结论；在ＶＭ以及每日ｍ　、ＭＰＡ与　Ⅵ）Ａ时间的测量上，手机与ＡｃｔｉＧｒａｐｈ的结果一致性好，两类设备原始数据提供高度相似的信　息，研究所采用的手机可以作为　－ｐｈ的补充应用于体力活动干预和运动健身实践中。　关键词：体力活动；加速度传感器；智能手机；测量　Ａｂｓｔｒａｃｔ：Ｏｂｊｅｃｔｉｖｅ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｍａｋｅ　ａ　ｆｏｕｎｄａｔｉｏｎ　ｆｏｒ　ｆｕｔｕｒｅ　ｗｏｒｋ，ｔｈｅ　ｐｕｒｌｘ￣ｅ　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　ｉｓ　ａｃｃｕｒａｃｙ．Ｍｅｔｈｏｄｓ：Ａ　ｔｌａｂｏｒａｔｏｒｙ（ｓｔｕｄｙ　１）ａｎｄ　ａ　ｆｒｅｅ－ｌｉｖｉｇ（ｓｔｕｄｙ　２）ｐｒｏｔｎｏｃｏｌ　ｗｅｒｅ　ｃｏｎｄｕｃｔｅｄ．Ｉｎ　ｓｔｕｄｙ　１，５Ｏ　ｐａｒｔｉｃ—　ｉａｎｔｓ　ｅｎｇａｇｅｄ　ｉｐｎ　ｐｒｅｓｃｒｉｂｅｄ　ａｃｔｉｖｉｔｉｅｓ　ｉｎｃｌｕｄｉｎｇ　１０　ｉｔｅｍｓ　ｏｆ　４　ｃａｔｅｇｏｒｉｅｓ　ｏｖｅｒ　ａ　６５－。ｍｉｎｕｔｅｓ　ｐｅ。＿　ｒｉｏｄ　ｗｅａｒｉｇ　ｓｉｎｍｕｌｔａｎｅｏｕｓｌｙ　ｗｏｒｅ　ｔｗｏ　Ｒｅｄｒｎｉ　ｎｏｔｅ２，ｏｎｅ　Ｓｕｍｓｕｎｇ　ｎｏｔｅ３　ａｎｄ　ＡｅｔｉＧｒａｐｈ－　ＧＴ３Ｘ．Ｂａｓｅｄ　ｏｎ　ｒａｗ　ｓｉｇｎａｌ　ｂｅｉｎｇ　ｆｉｌｔｅｒｅｄ，ｍｏｄｉｆｉｄ　ａｎｄ　ｓｙｎｔｈｅｓｉｅｚｅｄ，ｔｈｉｓ　ｒｅｓｅａｒｃｈ／ｆｌａｋｅ　ａ　ａｎａｌ—　ｙｓｉｓ　ｏｎ　ｃｏｎｓｉｓｔｅｎｃｙ　ｂｅｔｗｅｅｎ　ｅａｃｈ　ｄｅｖｉｅｓ　ａｎｃｄ　ｔｈｅｉｒ　ｃｌａｓｓｉｉｃａｔｉｆｏｎ　ａｃｃｕｒａｃｙ　ｏｎ　ｉｎｔｅｎｓｉｔｙ　ｏｆ　ｐｈｙｓｉ—　ｅａｌ　ａｃｔｉｖｉｙ．Ｉｔｎ　Ｓｔｕｄｙ　２，２６　ｐａｒｔｉｃｉｐａｎｔｓ　ｗｏｒｅｄ　ＡｃｆｉＧｒａｐｈ　ａｎｄ　Ｒｅｄｍｉ　Ｎ０ＴＥ２　ｄｕｒｉｎｇ　４　ｄａｙｓ（２　ｄａｙｓ＋２　ｒｅｓｔ　ｄａｙｓ），ｗｈｉｃｈ　ｉｔｓ　ｄａｍ　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　Ａｃｔｉ—　Ｇｒａｐｈ　ａｎｄ　ｔｈｅ　３　ｐｈｏｎｅｓ　ｗｅｒｅ　ｖｅｒｙ　ｓｔｒｏｎｇ（Ｄ＝０．８７～０．９２）．Ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｆｉｃｉｅｎｔ　ｂｅ－　ｔｗｅｅｎ　Ｒｅｄｍｉ（ｐｏｃｋｅｔ），Ｓｕｍｓｕｎｇ（ｗａｉｓｔ），ｂｅｔｗｅｅｎ　Ｒｅｄｍｉ（ｗａｉｓｔ）ｗｅｒｅ　Ｒｅｓｐｅｃｔｉｖｅｌｙ　０．９４２　ａｎｄ　０．９８９；Ｒｅｇａｒｄｅｄ　ｏｕｔｐｕｔ　ｏ｛ＡｃｔｉＧｒａｐｈ　ａｓ　ｓｔａｎｄａｒｄ，Ｓａｍｓｕｎｇ（ｗａｉｓｔ），Ｒｅｄｍｉ（ｐｏｃｋｅｔ）ａｎｄ　Ｒｅｄ－　ＩＩ１ｉ（ｗａｉｓｔ）ｏｆ　Ａ　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　ａｃｔｉｉｔｖｙ　ｉｎｔｅｎｓｉｔｙ　ｗａｓ　ｓｍａｌ１．Ｗｉｔｈｉｎ　ｔｈｅ　ｓｔｕｄｙ　２，ｒｅｓｕｌｔｓ　ｓｕｇｇｅｓｔｅｄ　ｏｎ　ｄａｉｌｙ　ｔｉｅ　ｏｆ　ＶＰＡ，ｍ　Ⅳ噼Ａ　ａｎｄ　ＬＰＡ。ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｌＩｉｃｉｅｎｔ　ｗｅｒｅ　ｒｅｓｐｅｃｔｉｖｅｌｙ　０．８１９．０．７６２　ａｎｄ　０．６６９．Ｒｅｓｕｌｔｓ　ｆｒｏｍ　Ｂｌａｎｄ—Ａｌｔｍａｎ　ｐｌｏｔｓ　ｓｕｇｇｅｓｔｅｄ　ｃｌｏｓｅ　ｍｅａｌ３，ａｂｓｏｌｕｔｅ　ｅｓｔｉｍａｔｅｓ　ｏｆ　ＶＰＡ（１Ｔｌ￣ｎ　ｄｉｆｆｅｒｅｎｃｅ＝　一２．８　ｒａｉｎ），Ⅳ　Ａ（ｒＩ】ｅａｎ　ｄ￣ｅｒｅｎｃｅ　一５．２　ｗ＿ｉｎ）ａｎｄ　ＶＰＡ（ｉｎｅａｎ　ｄｉｆｆｅｒｅｎｃｅ＝一２２．５　ｒａｉｎ）．　Ｃｏｎｃｌｕｓｉｏｎ：Ｏｎ　ＶＭ　ａｎｄ　ｄａｉｌｙ　ＬＰＡ，ＭＰＡ　ａｎｄ　ＶＰＡ　ｔｉｍｅ，ｃｏｎｓｉｓｔｅｎｃｙ　ｂｅｔｗｅｅｎ　ｐｈｏｎｅｓ　ａｎｄ　Ａｃ—　ｔｉＧｒａｐｈ　ｗａｓ　ｇｏｏｄ，ｗｈｉｃｈ　ｉｎｆｅｒ　ｔｈａｔ　ｔｗｏ　ｄｅｖｉｅｓ　ｃａｎ　ｐｒｏｖｉｄｅ　ｓｉｃｍｉｌａｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｒａｗ　ｓｉｇ—　ｉｒａｌｓ，ａｎｄ　ｔｈａｔ　ｐｈｏｎｅｓ　ｕｓｅｄ　ｉｎ　ｔｈｉｓ　ｒｅｓｅａｒｃｈ　ｃａｎ　ｐｒｏｖｉｄｅ　ａｎ　ａｃｃｅｐｔａｂｌｅ　ａｌｔｅｒｎａｔｉｖｅ　ｔｏ　ａｎ　Ａｃｔｉ—　Ｇｒａｐｈ　ｆｏｒ　ｂｅｉｎｇ　ａｐｐｌｉｄ　ｔｏ　ｉｅｎｔｅｒｖｅｎｔｉｏｎ　ｆｏｒ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｙ　ａｎｄ　ｒｅｓｅａｒｃｈ　ｏｎ　Ｅｐｉｔｄｅｍｉｏｌｏｇｙ。　Ｋｅｙ　ｗ０　Ｉｓ：ｐｈｙｓｉｃａｌａｃｔｉｖｉｔｙ；ａｃｃｅｌｅｒｏｍｅｔｅｒ；ｓｍａｒｔｐｈｏｎｅ；ａｓｓｅｓｓｍｅｎｔ　中图分类号：Ｇ８０４．６　１２８　文献标识码：Ａ　陈庆果，等：基于智能手机内置加速度传感器的日常体力活动监测研究　１前言　一致性，以期为相关后续研究提供基础与依据。　体力活动不足是冠心病、肥胖等慢性疾病的重要致病　因素之一，体力活动的监测与干预是增强体质、预防相关　慢性病的重要手段，测量体力活动能量消耗（以下简称　“ＰＡＥＥ＇）的成本效益一直是相关领域的研究热点Ｄｑ。加　２研究对象与方法　为了更为全面地研究智能手机的体力活动测量，本研　究共分为两个部分。第１部分测试在实验室内进行，每个　受试者需完成规定的各项体力活动，每个活动５　ｍｉｎ，总计　速度计因能相对客观、准确、连续测量身体活动情况而备　受研究者的青睐，尤其是ＡｃｔｉＧｒａｐｈ系列产品，其测量的信　效度得到了国内、外众多研究者的实证。在国外，Ｌｏｕｉｓｅ　等［”］在实验室环境下采用双标水法评估ＧＴ３Ｘ（Ａ＿ｃｔｉＧｒａｐｈ　持续时间约为７０　ｍｉｎ，测试中每个受试者需佩戴３部智能　手机和１个ＡｃｔｉＧｒａｐｈ；第２部分测试则在自由生活状态下　进行，受试者在连续４天时间里（２个休息日十２个工作　日）携带１个红米ＮＯＴＥ２手机和１个ＡｃｔｉＧｒａｐｈ。　２．１研究ｌ：实验室测试　新一代产品）的准确性，其　高达０．８８，而间接测热法的　结果也表骧了其测量的高准确性；在日常生活情景下的评　估也得出了类似的结论嘲；在儿童群　＿】３Ｉ弼和老年群体嘲　中的应用同样获得认可。因此，该设备已在ｊ匕美地区广泛应　用于流行病学调查、体质监测和运动健康干预领￣Ｊ：ｇａｏ］。而　在国内，王军剩等［４］的研究也表明其有较好的测量效度，且　在国内也被广泛应用到群体研究中。但该设备也存在着局　限性，主要是价格不菲，且需要专门去佩戴，会给佩戴者增加　额外的经济和精神上的负担，不利于长时间大样本的监测和　体质健康干预。　随着智能手机的快速普及，目前全球智能手机用户已　超过２０亿，其中，中国高居榜首，用户已高达６．２亿。智　能手机的性能不断完善，加速度传感器被普遍内置，运算　速度和储存能力不断提升，已经具备ＡｅｔｉＧｒｐｈ产品的硬件　条件，且不会给穿戴者增加额外的负担，被认为是一种潜　在的高成本效益的体力活动捕捉设备。虽然，目前有多款　智能手机软件可监测运动，但都主要是运用全球卫星定位　系统（以下简称“ＧＰＳ”），通过获取运动距离、时间来计算　速度，从而推算能量消耗，该方法只能在室外监测，测量误　差大。国内的４款ＡＰＰ预测值远低于Ｋ４ｂ２所测得的能　耗值［２］，国外的研究结果也类似［　，其在评估能量消耗上　有明显的缺陷，其主要原因是不能反映运动能耗最为敏感　的垂直轴的情况以及采样频率受限。　目前，基于智能手机内置加速度传感器的体力活动研　究集中，在电子信息工程领域，主要是利用神经网络模型　进行动作类型的识别［船　，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（加速度计）测量准确性　的评估研究众多，各种基于ＣＯＵＮＴ数值的能耗推算模型　常见于各报告中，但原始加速度信号的过滤、修正以及　Ｃ０Ｉ】ＮＴ的算法，仍然是各品牌的商业机密，面对同一活　动，各品牌的ＣＯＵＮＴ差异在３００￣３　０００之间［】０］，故无法　直接将加速度计的成果应用到智能手机上。因此，有必要　探讨手机加速度信号的处理以及ＣＯＵＮＴ数值的算法，并　与测量准确性得到公认的ＡｃｔｉＧｒａｐｈ—ＧＴ３Ｘ（以下简称“Ａｅ—　ｔｉＧｒａｐｈ”）的Ｃ（）【　结果和体力活动能耗分类表进行比　较，对其在实验室情景和自然生活情景下测量的准确性进　行初步的研究，探讨不同佩戴部位、不同型号手机测量的　２．１．１　测试对象　受试者为５Ｏ名在校大学生（男生２５名，女生２５名），　所有人员身体健康，上、下肢均无疾病史，且其在测试前１　天无大强度的体力活动，测试前签署知情同意书，正式测　试在餐后１　ｈ后进行。　２．１．２测量仪器　选择２部红米ＮＣＹＦＥ２和１部三星ＮＯＴＥ３手机作为　测试手机，其内置加速度传感器参数见表２，这样既能够　进行相同手机（２部红米ＮＯＴＥ２）不同佩戴部位之间的比　较，又能够对同一佩戴部位（腰部）的不同型号手机进行　比较。　本研究自编加速度传感器原始数据采集软件，该软件能　够设置采样频率，同时记录３个轴的加速度原始数据并以　ＣＳＶ格式保存在手机中。测试时，将１部红米ＮＯＴＥ２置于　受试者左德荷包处；１部三星ＮＯＴＥ３和１部红米ＮＯＴＥ２重　叠放置，通过自制弹性腰带固定于受试者左侧髋部。本次测　试将三星Ｎ（￣Ｅ３手机的采样频率设为５０　Ｈｚ，红米ＮＯＴＥ２　手机为７５　Ｈｚ。测试后，将原始数据下载归档，利用Ｍ．　一　ＬＡＢ软件和　Ｓｓ软件进行后期处理。　使用美国产ＡｃｔｉＧｒａｐｈ加速度计同步监ｉ赌受试者体力　活动情况，该设备重量０．２７　ｇ，内存１６　ＭＢ，采样范围为　０．２５～２．５　ｇ，其测量的信效度已被国内外大量研究所证　实，并且被广泛应用，因此，把其测量结果作为参照标准。　测试中统一将ＡｅｔｉＧｒａｐｈ用弹性腰带固定在受试者右侧髋　部、肚脐水平的高度、ＡｃｔｉＧｒａｐｈ的重置及后期数据处理等　工作在配套的Ａｃｔ［１ｉｆｅ　６．０软件中进行。　收稿日期：２０１６－０５－０９；修订日期：２０１６—０７—２７　基金项目：“十二五”国家科技支撑计划资助项目（２０１２ＢＡＫ－　２１Ｂ００）；四川师范大学实验技术与管理重点项目　（ＳＹＪＳ２Ｏ１５－０９）。　作者简介：陈庆果（１９８１一），男，四川泸州人，副教授，博士，硕士研究　生导师，主要研究方向为体质测量与评价，Ｅ－ｍａｉｌ：　７９３１１５３０＠ｑｑ．ｃｏｍ；袁川（１９９３一），男，湖南株洲人，在读　硬士研究生，主要研究方向为体质测量与评价，Ｅ－ｍａｉｌ：　２５１１２３５２３＠ｑｑ．ｃｏｒｎ。　作者单位：四川师范大学体育学院，四川成都６１００６６　Ｓｉｃｈｕａｎ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ。Ｃｈｅｎｇｄｕ　６１００６６。Ｃｈｉｎａ．　】２９　中国体育科技２０１６（第５２卷）第６期　传感器型号　量程（ｇ）　轴数　精度（ｇ）　延迟（　ｓ）　功率（ｗ）　２．１．３测试方案　提前２天与受试者预约测试时间并告知着装、饮食等　相关注意事项；测试当天使用恒康家业ＨＫ－６００身高体重　仪测量受试者身高和体重，使用韩国ＶＩ￣－ＮＴＥ－㈣成分仪测量体脂率。　正式测试时受试者需依次完成４类１ｏ项活动，分别　为：静止类（静坐、原地站立、电脑打字）、生活方式类（扫　体　地、整理书桌）、骑行类（功率车７０　ｒｐｍ、功率车１００　ｒｐｍ）和　走跑类（慢走２．５　ｍｐｈ、快走４　ｍｐｈ、慢跑５　ｍｐｈ），每项活动　Ｆｉｇｍ－￣２．围２走跑类项目测试场地圈　ｔｈｅ　Ｔｅｓｔ　ｓｃｍｌｌ＾０ｓ　ｏｆ　ＷａＩｋｉｌＩｇ　ａｎｄ　Ｊ０嚼嚷　时间为５　ｒａｉｎ，各项活动之间间隔时间依据心率恢复情况而　定（１～５　ｍｉｎ），每项活动取其中第２～４　ｍｌｎ的数据进行分　析Ｌｌ２ｊ，前３类测试在实验室内布置的生活情景中进行（图　１）。静坐和站立时，受试者自我选择舒适的坐姿和站姿，身　体放松。打字时，受试者要将预设好的纸质文档上的内容转　２．１．４　数据处理与统计分析　对手机加速度信号处理采用ＭＡＴＬＡＢ　７．０编程计算，　首先，对每个轴的原始加速度信号进行傅立叶变化（ＦＦＴ）　决定其带通频率，利用二阶巴特沃兹带通滤波器滤波后进　行修正（去趋势）处理，其后计算每分钟积分数（Ａｃｔｉｖｉｔｙ　ｃｏｕｎｔ，以下简称“ＡＣ”），最后将３个轴的ＡＣ合成总的矢量　变为电子文档，打字速度自行控制。扫地时，工作人员事先　将碎纸屑撒在地面上，受试者模拟平时扫地的状态进行清　扫。整理书桌时，工作人员把７０本编好号的书籍完全打　乱后平铺在２．４　ｍＸ１．０　ｍ的条桌上，受试者需按照编号　重新将书归置好。功率车使用Ｅｒｇｏｒｒ￣ｅｒ　９００，功率为；男　性，受试者体重×０．９８０；女性，受试者体重×０．７８４［　。　计数值（以下简称“ＶＭ　），数据处理过程见３．１．１。　由于合成ＶＭ的前期原始数据预处理和计算公式的　差异，Ａ￣Ｇ．ａｐｈ与智能手机在ＶＭ数值上有较大差异，不　适宜采用ＩＯ２反映各手机与ＡｃｔｉＧｒａｐｈ之间的一致性，又　鉴于数据分布非正态，故采用Ｓｐｅａｒｍａｎ等级相关反映一致　性，判断标准为：Ｏ～０．１９为微弱相关、０．２～０．３９低度相　关、０．４～Ｏ．５９中度相关、０．６～Ｏ．７９为显著相关和０．８～　１．０为高度相关［２习。本研究中智能手机与ＡｃｆｉＧｒａｐｈ之间　模型的建构与测量效度的判断采用留一交叉验证法，将每　一个样本作为测试样本，其他ｎ—１个样本作为训练样本，　得到ｎ个测试结果、用ｎ个结果的平均值来建构模型和衡　量模型的性能。同时将向剑峰等［５］建立的ＡｃｉｆＧｒａｐｈ的矢　图１　静止类、生活方式类、骑行类测试项目测试场地示意图　ｌ￣ｉｇｕｒｅ　１．ｔｈｅＴｅｓｔ　ｓｃ蜘　ｏｆＦｉｒｓｔ１１．ｒ　ｔｅ　量计数临界点转换为各个智能手机的临界点，然后把各类　活动归类为小强度体力活动（ＬＰＡ）、中等强度体力活动　（ＭＰＡ）和大强度体力活动（ＶＰＡ），与依据体力活动能量消　走跑测试在标准４００　ｍ跑道上进行（图２），每５　ｍ放　置一个标志桶。测试时播放相应的音频，节拍每响一次受　试者走（跑）完５　ｍ，速度根据节拍和标志物进行调整，受　耗编码表［６］得到的强度分类进行比对，判断其归类的准确　性。统计分析中显著性水平定义为Ｐ＜Ｏ．０５，高度显著性　水平定义为Ｐ＜０．０１。　２．２研究２：日常生活测试　２．２．１测试对象　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，有工作人员骑行陪同对受试者进行实时　提醒。　］３Ｏ　受试者为２６名在校大学生（男生ｌ３名，女生ｌ３名），　陈庆果，等：基于智能手机内置加速度传感器的日常体力活动监测研究　均身体健康，其在测试前接受相关设备的操作使用培训，　明确设备的穿戴规范，掌握手机软件的使用。　表３研究２受试者人体测量特征　Ｔａｂｌｅ　３　Ｔｈｅ　Ａｎｔｈｒｏｐｏｍｅｔｒｙ　Ｃｉｍｒａｃｔｅｔ－ｉｓｔｉｃｓ　和加速度强度界值分别对各自仪器测得的活动进行强度分　类，最后计算出各设备每日中各类强度活动总时间。利用　Ｓｓ　２２．ｏ中的斯皮尔曼相关来分析手机和ＡｅｔｉＧｒａｐｈ测　量的各类强度活动总时间一致性，使用Ｂｌａｎｄ—Ａｉｒｍａｎ法比　较每日中手机测量和ＡｃｔｉＧｒａｐｈ测量之问的差异。　ｏｆ晰ｉｄＩ鼬ｎｔ（　士ＳＤ，ｎ＝２６）　３研究结果　３．１实验室测试结果　３．１．１　智能手机加速度信号处理和数据台成　２．２．２　测试方案　智能手机信号处理包括滤波、修正和数据合成３个　环节。　测试前对所有受试者进行培训。正式测试时，受试者　右侧腰部佩戴ＡｃｔｉＧｒａｐｈ（佩戴要求同测试１），上衣靠近腹　部的荷包放置红米Ｎ０ＴＥ２智能手机，连续佩戴４天（２个　工作日十２个休息日，睡眠外其他时间均需佩戴），测试期　间每天上午８：００闹钟提醒佩戴。智能手机采样频率调为　３０　Ｈｚ，与ＡｃｔｉＧｒａｐｈ采样频率一致。　２．２．３数据处理与统计分析　１．滤波　滤波（Ｗａｖｅ　ｆｌｉｔｅｒｉｎｇ）是将信号中期望频段信号保留，　将其他频段噪声和干扰及特定波段频率滤除的操作，是抑　制和防止于扰的一项重要措施。首先，采用傅立叶转换　（Ｈ　）技术将加速度时域信号转变为频谱信号，根据波峰　观察主要频率，同时结合先验知识确定加速度信号所处频　率确定带通滤波器的滤波频段，图３表明，３台手机Ｘ、Ｙ、　ｚ　３个数轴主频率基本都在１０　Ｈｚ以内，同时考虑到一般　测试后把手机和ＡｃｔｉＧｒａｐｈ数据下载进行数据筛查，　每小时中如出现连续６Ｏ个零值数据则视为无效，每天有　效时间不足１０　ｈ视为无效天数，无效天数的数据不进入　到数据分析程序。　传感器都有直流漂移，直流分量较大，并且为抑制压电传　感器老化和温度变化等低频信号的干扰，将带通频率设计　为０．２～１Ｏ　Ｈｚ，参考孙泊等　司的研究实践和具体的数据特　征，采样采用二阶巴特沃兹带通滤波器对Ｘ、Ｙ、Ｚ　３轴的　原始加速度数据进行滤波。　采用ＭＡＴＬＡＢ　７，０对手机数据计算合成每分钟　（Ｘ）ＵＮＴ数值，采用Ａｃｔ．１ｉｆｅ　６．０将ＡｅｔｉＧｒａｐｈ测得的原始数　据转换为以“ｌ　ｍｉｎ”为采样时间的数据，利用手机强度界值　话　警　薯　０　Ｚ　ｉ　｛ｔ｛　２０００　一ｏｏ　囊　基　毫ｌ（）００　０　话　螬　０　Ｚ　Ｆｒｅｑｕｅｎｃｙ（Ｈｚ）　Ｆｒｅｑｕｅｎｃｙ（Ｈｚ）　Ｆｒｅｑｕｅｎｃｙ（Ｈｚ）　第一列处理前频谱图　第二列处理前额谱图　第三列处理前频谱图　图３餐能手机内置加速度传感器运动频谱分析圈　啦３．Ｓｐｅｃｔｒｕｍ　ｌａｌ　０１１Ｍｏｖｅｍｅｎｔ　ｏｆＢｕｉｌｔ－ｉｎＡｃｃｅｌｅｒａｔｉｏｎ　Ｓｅｎｓｏｒ　２．数据的修正　轴过滤后的加速度数据进行去趋势处理以消除重力分量　的影响［３¨，公式为：　：Ｋ—　图４。　１３１　为了去除重力趋势的作用，同时考虑手机携带的固　定问题——重力会产生分量影响各轴，因此，同时对３个　一　，处理前、后对比见　中国体育科技２０１６（第５２卷）第６期　２Ｏ　ｌＯ　０　向的，原始数据有正负，因此，先取绝对值后再计算积分。　由于在实际生活中手机通常被放置在荷包里面，固　１０　定条件不如能耗仪，传感器的运动轴与实际运动情况不　能有效匹配，同时重力的分量往往对各轴均有影响。因　时间（ｒａｉｎ）　—２Ｏ　第三列处理前时域图　２Ｏ　ｌ０　０　此，不能采用单一轴的ＡＣ数值表征活动情况，需对３轴　的数据进行合成矢量计数（ＶＭ）：　ＶＭ：（Ａ　十Ａ　＋Ａ　）　／０　ｌ０　２０　－３．１．２各设备测量活动的矢量计数的相关性分析　时间　ｍ）　ＳＳ－￣＇ｌ处理后时域圈　表４的结果表明，加速度ＶＭ和３部手机ＶＭ之间　在不同项目上的变化趋势基本一致。在ＶＭ算法相同的　圈４加速度信号去趋势前、后对比圈　Ｆｉｇｕｒｅ　４．Ｂｅｆｏｒｅ　ａｆｔｅｒ　ＣｍＩｌＩ蛆　Ｏｎ　３个手机中，红米ＮＯＴＥ２（荷包）在所有活动中ＶＭ均高　于其他两部手机，通过配对样本ｔ检验表明差异均具有　非常显著性；丽红米ＮＯＴＥ２（腰部）和三星ＮＯＴＥ３（腰　Ｄｅｔｒｅｎｄｅｎｃｙ　ｏｆ　Ａｃｃｅｌｅｒａｔｉｏｎ　ｓｉ髀ｌ　３．数据的合成　部）之间的ＶＭ差异均不具有统计学意义　斯皮尔曼相　关检验的结果表明（表５），在ＡｃｔｉＧｒａｐｈ和３个智能手机　加速度传感器会产生海量数据，数据的合成也就是　ＡＣ的计算必不可少，常用的计算指标有单位时间以内的　积分值、信号峰值和阈值计数等。但目前最为常用的是计　算积分值。鉴于绝大部分加速度传感器的原始信号均是双　之间存在着高度相关（ｐ一０．８７２～０．９２７）；红米ＮＯＴＥ２　（荷包）、三星Ｎ　ｒＥ３（腰部）和红米Ｎ（）１匝２（腰部）之间　的相关系数分别为０．９４６和０．９８９，也均属于高度相关。　表４活动矢量计数的描述性统计　Ｔａｂｌｅ　４　ＤｅｓＩ　ｐｔｉｖｅ　Ｓｔａｔｉｓｔｉｃｓ　ｏｆＭｏｖｅｍｅｎｔ　ＶＭ　表５各设备测量的矢量计数值相关性　Ｔａｂｌｅ　５　Ｃｏｒｒｅｌａｔｉｏｎｓ　ｏｆＲａｗ　ＡＩ嫩Ｑ　ｐＩＩａｎｄ　ａｗ　ＲＰｈｏｎｅ　三星ＮＹｌＸ３（腰部）最高，其次是红米ＮＯＴＥ２（腰部）和红米　ＮＯＴｔ￣（荷包），表明智能手机的型号对预测准确性的影响要　小于佩戴部位的影响。　螬　露　注：＊代表高度显著性水平。　窖　坦　坚　林　３．１．３以￣ｌｉＧｒａｐａ为校标的３部智能手机交叉验证结果　通过留一法交叉验证的方法分别建立三星ＮＣＩＩ］￣（腰　部）、红米Ｎ（了ｒＥ２（荷包）、红米ＮＯＴＥ２（腰部）与Ａｃ　的　趟　露　回归方程，其具体过程为将每一个样本作为测试样本，其他　４９个样本作为训练样本，得到５０个测试结果、用５Ｏ个结果的　平均值来建构模型和衡量模型的性能。其实际值与预测值之　间的平均差值分别为２６７．７、３８３．２和２７９．０，Ｉ　１３２　分别为　４７０．２、７００．４和５０６．９（图５），￣Ｃ．ａｐｈ　ＶＭ的预测准确性中　胨庆果，等：基于智能手机内置加速度传感器的目常体力活动监测研究　在留一法交叉验证构建的回归模型中，菲标准化回归　ＡｃｔｉＧｒａｐｈ的归类准确性也为Ｏ　。在扫地活动上，Ａｃｔｉ—　系数和截距为留一法交叉验证中所有模型的平均值，在此　基础上输入Ａ￣ｆｉＧｒａｐｈ的强度界值（小强度为２　５０５，大强　Ｇｒａｐｈ准确率高出３部手机３Ｏ．３　～３７．３　，但整体的准　确率较低。丽在慢走和快走活动中，ＡｃｔｉＧｒａｐｈ略高于其他　３部智能手机，且所有设备分类准确率均高于９Ｏ％（表７）。　表６智能手机回归模型及各强度切点值　Ｔａｂｌｅ　６　Ｒ蛾驴　ｓｉ０ｎ　Ｅｑｕａｔｉｏｎｓ　ａｎｄ　Ｃｕｔ－ｐｏｉｎｔｓ　ｆｏｒＥ雕　ＩｎｔｅｎｓｉｔｙＬｅｖｅｌ　ｏｆＰｈｙｓｉｃａｌＡｃｔｉｖｉｔｙ　度为５　９０５）推算各个智能手机的ＶＭ界值。　３．１．４各设备对体力活动强度分类的正确率　依据表６的界值将各类型的活动分为小强度体力活　动、中等强度体力活动和大强度体力活动。同时使用　３Ｍ￣＇ｓ、６ＭＥＴｓ的分类标准，依据２０１０版体力活动能量　消耗编码表中的旧值，将本测试中各类活动也分为低、　中、高３种类型，以此分类结果为标准判断手机分类的准　确性。由表７可知，对于静息类的活动，手机归类的准确　性几乎为１００％，而对于自行车骑行，除红米ＮＯＴＥ２（荷　注：截距和非标准化回归系数为留一法交叉验证中所有模型的平　均值。　包）手机外，其他两部手机的归类准确性为Ｏ　，但同时　表７各设备对活动强度分类的正确率　Ｔａｂｌｅ　７　Ｃ０ｆｒｅｃｔ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆＡｃｔｉｖｉｔｙ　Ｉｎｔｅｎｓｉｔｙ　ｅｖｅｌＬ　ｆｏｒＥａｃｈ　Ｄｅｖｉｃｅ（％）　３．２日常生活测试结果　（Ⅵ）Ａ：ｐ＝０．８１９，Ｐ　０．０００；ＭＰＡ：），在中等强度和小强　度上，两者之间显著相关（ｐ　０．７６２，Ｐ＝０．０００；Ｉ　Ａ：ｐ　０．６６５，Ｐ＝０．０００）。　通过对数据进行整理后获取有效天数８９天，将其纳　入统计分析中。由表８可知，在每日大强度体力活动时间　的测量上，智能手机和ＡｃｆｉＧｒａｐｈ结果之间高度相关　裹８各强度等级活动时间上ＡｅｔｉＣｒａｐｈ与红米ＮＯＴＥ２（荷包）的相关性（日常生活）　Ｔａｂｌｅ　８　Ｓ￣ｍｎａｎ　Ｃｏｒｒｅｌａｔｉｏｎｓ　ｂｅｔｗｅｅｎ　ＡｅｔｉＧｒａｐｈ　ａｎｄ　ｎｏｎｇＭｉ　Ｓｍａｒｔ　Ｐｈｏｎｅ（ｐｏｃｋｅｔ）ＯｉｌｔｈｅＭｉｎｕｔｅｓ　ｏｆＥａｄｌ　Ｉｎｔｅｎｓｉｔｙ　Ｌｅｖｅｌ　在分析相关性的基础上，进一步利用Ｂｔａｎｄ—Ａｌｔｍａｎ图　评价两设备测量结果的一致性。在每Ｉｔ大强度体力活动　时间的评估上，从图６可以看出，８９对数据差值的均数　：一２．８，　一４．５３；８９个点中仅有１个点位于一致性界　限（　）以外，比例为１．１２　，小于５％的标准。　在中等强度体力活动上，８９对数据差值的均数　一　－５．２，ＳＤ＝４．５３（图７），８９个点中仅有１个点位于一致　性界限（　±１．Ｏ６ＳＤ）以外，比例为１．１２％，小于５％的标　准。　图６每天大强度体力活动时间一致性评价的　ｌａｎｄ－ＡｌＢｔｍａｎ豳（ＡｅｔｉＧｒａｐｈ和智能手机）　Ｈ　ｒｅ　６．Ｂｌａｎｄ—Ａｌｔｍａｎ　Ｐｌｏｔ　ｃ（粕ｐ日ｒｉ鸣ＥｓｔｉｍａｔｅｄＭｉｎｕｔｅｓ　在小等强度体力活动上，　＝２２．５，ＳＤ＝２８．７，４个点　位于一致性界限以外，比例为４．４８　，同样小于５％的标　准。　ｏｆ　ＶＰＡ　Ｐｅｒ　ｄａｙ　ｂｅｔｗｅｅｎ　ｔｈｅ　Ｐｈｏｎｅ　ａｎｄ　ＡｃｔｉＧｒａｐｈ（ｆｒｅｅ－ｌｉｖｉｎｇ　ｓｔｕｄｙ）　１３３　中国体育科技２０１６（第５２卷）第６期　。　十１　９５　ＳＤ　ｍ　ｏ　。　７，８　：　。瑚　＝Ｉ　一　，　。　ｎ　∥　ｌｌ？　。　－　—Ｉ驰ｓＤ　－１８　２　，　●　．　ｔ　１００　ｌ５０　２００　圈７每天中等强度体力活动时间一致性评价的　Ｂｌａｎｄ－ＡＲｍｍ￣图（ＡｃｔｉＧｒａｐｈ和智能手机）　Ｆｉｂｒｅ　７．　Ｂｌａｎｄ‘ＡＲｍａｎ　Ｐｌｏｔ　Ｃｏｍｐａｒｉｎｇ　Ｅｓｔｉｍａｔｅｄ　Ｍｉｎｕｔｅｓ　ｏｆＭＰＡ　Ｐｅｒ凼Ｉｙ　ｂｅｔｗｅｅｎｔｈｅ　Ｐｈｏｎｅ　ａｎｄ　ＡａｉＧｎ￣（ｔｒｅｅ—ｌｉｖｉｎｇ￣ｔｕｄｙ）　＋｝９６　ＳＤ　７８　９　：　、：　。。　…　辩　芝Ｉ．　…　一’　２２　５　一｝９６　ＳＤ　一３３　９　＿　围８每天小强度体力活动时间一致性评价的　Ｂｌａｎｄ－Ａｉｍ－ａｍ图（ＡｅｔｉＧｒａｐｈ和智能手机）　Ｆ￣ｕｒｅ　８．　Ｂｌａｎｄ—Ａｉｒｍａｎ　Ｐｌｏｔ　Ｃ（脚舯ｄｌＩｇ　Ｆ＿￣ｆｉｎｍｔｅｄ　Ｍｉｎｕｔｅｓ　ｏｆ　ＬＰＡ　Ｐｅｒ　ｄａｙ　ｂｅｔｗｅｅｎ　ｔｈｅ　Ｐｈｏｎｅ　ａｎｄ　ＡｃｔｉＧｎ￣（ｆｒｅｅ—ｌｉｖｉｎｇ　ｓｔｕｄｙ）　４分析讨论　４．１不同佩戴部位测量结果的分析　本研究显示，无论智能手机被置于髋部还是荷包中其　测量结果均可接受，表明相同的手机佩戴在上衣荷包和腰　部对ＶＭ测量结果的影响有限，其中主要的原因可能是：　１）佩戴部位都能够代表身体的质心部位；２）本研究使　用ＶＭ代表（Ｘ）ＵＮＴ，而不是３轴加速度计中莱１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，这与侯仓健等［１］在活动识别研究中的　处理方式类似。本研究的结果与Ｊｏｎｅｓ等［１７］和Ｗｅｌｋ等嘲　的研究结果相似，其研究认为，放置位置对单轴加速度计　的输出结果有明显影响，对多轴加速度计无显著影响。但　在此基础上，Ｐｏ￣ｄｌ等对此问题进行了进一步探究，结果　表明，在小强度活动中，佩戴部位对加速度计输出的　ＣＯＵＮＴ值无影响，但在大强度活动中影响逐渐增加。本　研究的结果表明，智能手机可以根据使用者的习惯用专用　腰带置于腰间，或者放置在上衣荷包里。放在荷包中，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。未来的研究中需要进一步丰富佩戴的部位，比如是跑　步爱好者喜欢将手机绑置在上臂处或者将智能手环（例如　Ｆｉｔｂｉｔ，Ｊａｗｂｏｎｅ）佩戴在手腕位置，同时应进一步探讨不同　１３４　测量部位结果差异是否主要来自大强度体力活动。　４．２不同设备测量结果的分析　本研究中佩戴在腰部的红米Ｎ（］ｒｍ２、三星ＮＯＴＥ３手　机均与ＡｃｔｉＧｒａｐｈ测量结果高度相关，这不仅表明不同设　备的原始信号提供高度相似的信息，还提示基于ＡｅｆｉＧｒａｐｈ　的体力活动强度分类以及能耗计算模型等丽样适用于智　能手机，并且能够获取相似的测量结果；目前，ＡｅｔｉＧｍｐｈ软　件中自带有８个能耗推算公式，以后这些方程的建构方法　和适用条件均可嫁接到后期智能手机能耗评测的研究上。　本研究选择的红米ＮＯＴＥ２属于低价位手机，其传感器和　其他硬件的性能水平属于中低端，虽然本研究显示，在相　同佩戴部位下其测量结果与三星ＮＵｒＥ３手机具有高度一　致性，但并不能得出普适性的结论。在未来的研究中还应　将更多价位、更多配置水平的手机纳入到评测中，为结论　的概化提供依据。　４．３体力活动类型划分方法的分析　本研究采用强度切点的方法划分体力活动，而不是最　新的基于神经网络或者机器学习的活动类型识别法［２　瑚］，　虽然前者在测量准确性上并无优势，但却在体力活动与健　康量一效关系的研究中广泛应用［８］，并且在国内、外的体力　活动指南中均强调活动的强度，而不是活动的类型［２７］。采　用强度划分的方法更具有实用性，其不仅可以直接与各体　力活动指南相对应，而且还能主动匹配国内、外的相关研　究。本研究的结果显示，在小强度体力活动、中等强度体　力活动和大强度体力活动时间的估算上，手机和ＡｃｔｉＧｒａｐｈ　具有一致性，丽后者测量的各强度体力活动时间与健康效　应之间的联系已经得到大量流行病学研究的实证支持，表　明，手机也同样可以应用到流行病学的研究和运动与健康　干预实践中。同时，手机测量无需在精力和费用上增加佩　戴者的额外负担，并且数据能够进行远程实时的交互传　递，更利于大量人群体力活动监控和干预。　４．４手机加速度传感器采样频率设置和滤波分析　本研究手机的采样频率的设置主要考虑运动信息的　捕捉，根据Ｎｙｑｕｉｓｔ标准［３　］采样频率必须为人体运动各部　位最大频率的两倍，如该标准不满足则快速运动的信息无　法准确采集。Ｗｅｌｋ等［吲的研究表明，身体的加速度信号　一般低于１０　Ｈｚ；在人体质心处的日常体力活动运动频率　在０．３～３．５　Ｉ－］ｚ之间。然而，远离身体质心的上肢在特定　运动中频率高达２５　Ｈｚ，而脚跟落地跑步时足部的频率瞬　时峰值可达６Ｏ　Ｈｚ。一般来说，人体躯干的运动信息采集　不低于３０　Ｈａ，但当用于步态研究、跑步峰值加速度监测等　时采样频率应该更高　］。　滤波过程中有效带通频率的设置，可以降低传感器老　化或者漂移产生的低频（小于０．１　Ｈｚ）影响，减弱电子或　电器等高频噪音（大于６ｏ　Ｆｋ），从而使得输出的信号更接　近于人体真正的运动信号。带通太宽时，与运动无关的噪　陈庆果，等：基于智能手机内置加速度传感器的日常体力活动监测研究　音（例如温度漂移、驾驶机动车干扰等）难以有效去除，而　牌的评测，并在此基础上进一步建构基于智能手机　带通太窄时真正的运动信号又会被遗漏。目前，运动能耗　检测仪的带通滤波频率一般在０．２５～７　Ｈｚ之间［如，本研　Ｏ【）１】ＮＴ值的能耗模型。　参考文献：　［１］侯仓健，陈岭，吕明琪，等．基于加速度传感器的放置方式和位　置无关运动识别［Ｊ］．计算机科学，２０１４，４１（１ｏ）：７６—７９．　究根据骶　频谱分析结果，结合先验知识确定手机的带　通频率为０．２～１０　Ｈｚ之间。而在该带通频段下，是否也　存在像部分能耗仪那样的小强度不敏感［３３］和极大强度容　易出现“平台＂ｃ７　］的问题，需要后续研究深入探讨。　４．５加速度传感器原始数据的合成和提取　［２］明鑫，王斌．手机运动软件与Ｋ４６２测量步行运动能耗的比较研　究［Ｊ］．安徽体育科技，２０１５，３６（３）：５５—５８．　［３］孙泊，刘宇，庄涛，等．基于腰部加速度计的行走能耗建模实验研　究［Ｊ］．体育科学，２０１３，（４）：３６—４１．　人体能耗监测仪输出的数值并不是每个轴的加速度　具体数值，而是熟知的ＣＯＵＮＴ值，实为原始信号时域特　征的提取，并没有生物学上的实际含义。而不同品牌能　耗监测仪提取的时域特征也不尽相同，总结起来共分为：　１）阈值计数单位时间超过某一数值的次数［１　；２）单位时　间加速度信号峰值　。明；３）单位时间加速度积分值　…，而　加速度积分的应用最为广泛，本研究沿用此指标。但即　使采用加速度积分这一指标，不同品牌能耗仪纳人计算　的运动轴也不同，有的只采用ＡＣｚ的数据合成（　（）ＵＮＴ　值来预测走跑时的能耗，有的利用ＡＣｚ和ＡＣＨ合成　ＶＭ。Ｍｉｄｏｒｉｋａｗａ等认为，ＶＭ可以全面地反映体力活动　中身体的活动情况　］，并且在智能手机的数据处理中取　３个轴的ＶＭ可以解决因为设备放置方式不同而造成的　信号差异问题［２８］。因此，在放置条件的不确定性较大的　情况下，智能手机数据的合成不应取单一数轴的值来表　征整个活动情况。　４．６本研究的局限　本研究以ＡｅｔｉＧｒａｐｈ为校标，尽管该设备测量的准确　性已得到大量实证研究的支持，但其测量结果并非“金标　准”。因此，在本研究中不能根据　Ａ图差值的置信区间　简单地判断误差的来源来自智能手机，更不能说明智能手　机测量能量消耗的误差究竟有多大。未来的研究应该以　间接测热法的结果为基础建构相关能耗模型直接评测其　测量的误差。　本研究的另外一个不足之处是对手机在荷包中的固　定条件进行了限定，要求受试者将手机放置在右侧腰部的　荷包中，并且该荷包的大小适中，能够固定手机避免产生　过大的相对运动，而这有悖于一般使用者的使用习惯。因　此，在未来研究中，应该进一步探究不同固定条件，不同放　置位置对智能手机ＶＭ的影响，探究智能手机在运动能耗　监测中的使用条件，为其普及应用提供依据。　５结论　本研究显示，在ＶＭ值以及每日小强度、中等强度与　大强度体力活动时间的测量上，两款智能手机与ＡｃｆｉＧｒａｐｈ　的结果高度一致，并且手机型号和佩戴部位对测量的影响　有限，这表明，本研究所选用品牌和型号的智能手机可以　作为ＡｃｔｉＧｒａｐｈ的替代品用于体力活动干预和流行病学的　研究中。未来应进一步丰富智能手机佩戴部位和手机品　［４］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）：７１～７７．　［５］向　锋，李之俊．应用ＡｃｔｉＧｒａｐｈ三轴加速度传感器矢量计数监　测日常体力活动的研究［Ｊ］．体育科学，２０１３，３３（１１）：７５—８３．　ｒ６］ＡＩＮＳＷＯＲＴＨ　Ｂ，ＥＨＡＳＫＥＬＬ　Ｗ　Ｌ，ＨＥＲＲＭＡＮＮ　Ｓ　Ｄ．Ｃｏｍ－　ｐｅｎｄｉｕｍ　ｏｆ　ｐｈｓｙｃｉｌａ　ａｃｔｃｖｉｔｙ［ＥＢ／（）Ｂ］．［２０１６－４—５］．ｈｔｔｐ：／／ｓｉｔｅ＆　ｇｏｎｇｌ￣ｃｏｍ／ｓｉｔｅ／ｃｏｍｐｅｎｄｉｕｍｏｆｐｈｙｒｓｉｃａｌａｃｔｉｉｖｔｉｅｓ．　ｒ７］ＢＲＡＧＥ　Ｓ，ｗ翻）ＤＥＲＫ（）ＰＰ　Ｎ，ＦＲＡＮＫＳ　Ｐ　Ｗ，ｅｔ　ｎｚ．Ｒｅｅｘａｍｉ—　ｎａｔｉｏｎ　ｏｆ　ｖａｌｉｄｉｔｙ　ａｎｄ　ｒｅｌｉａｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ＣＳＡ　ｍｏｎｉｔｏｒ　ｉｎ　ｗａｌｋｉｎｇ　ｎａｄ　ｒｕｎｎｉｎｇ［Ｊ］．Ｍｅｄ　Ｓｃｉ　ｓｐｏｒｔｓ　Ｅｘｅ，２００３，３５（８）：１４４７～１４５４．　［８］ＢＵＭＡＮＭＰ，ＨＥＫＬＥＲＥＢ，ＨＡＳＫＥＬＬＷ　Ｌ，ｅｔ　ａ１．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　ａｓｓｅａｓｍｅｎｔ　ｏｆ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｍｆ　ａｃｔｉｖｅ。ｈｅａｌｔｈｙ　ｏｌｄｅｒ　ａｄｕｌｔｓ［Ｊ］．Ａｇｉｎｇ　Ｐｈｙｓ　Ａｃｔ，２００９，１７（１）：１７—３０．　ｒ１Ｏ］ＣＲＡＥＭＥＲ　Ｍ，ＤＥ　ＤＥＣＫＥＲ　Ｅ，ＳＡＮＴＯＳ－ＬＯＺ￣ＭｑＯ　Ａ，ｅｔ　ａ１．　Ｖａｌｉｄｉｔｙ　ｏｆ　ｔｈｅ　Ｃｈｎｒｏｎ　Ｐｅｄｏｍｅｔｅｒ　ａｎｄ　ｔｈｅ　ａｃｔｉｒａｐｈ　ｓｔｅｐ　ｃｏｕｎｔ　ｆｕｎｃｔｉｏｎ　ｉｎ　ｐｒｅｓｃｈｏｏｌｅｒｓ［Ｊ］．Ｊ　ＳｃｉＭｅｄＳｐｏｒｔ，２０１５，１８（３）：２８９—２９３．　ｒ１１］Ｈ　ＥＤＳＯＮ　Ｐ，ＢＯＷＬＥＳ　Ｈ　Ｒ，ＴＲＯＩＡＮＯ　Ｒ，ｅｔ　ａ１．Ａｓｓｅｓｓ—　ｍｅｒｉｔ　ｏｆ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｕｓｉｇｎ　ｗｅａｒａｂｌｅ　ｍｏｎｉｔｏｒｓ：ｒｅｃｏｍｍｅｎ—　ｄａｔｉｏｎｓ　ｆｏｒ　ｍｏｎｉｔｏｒ　ｃｌａｉｂｒａｔｉｏｎ　ｎａｄ　ｕｓｅ　ｉｎ　ｔｈｅ　ｆｉｅｌｄ［Ｊ］．Ｍｅｄ　Ｓｃｉ　Ｓｐｏｒｔｓ　Ｅｘｅ，２０１２，４４（１）：１－４．　ｒｌ２］ＦＲＥＥＤＳＯＮ　Ｐ　Ｓ，ＭＥＬＡＮＳＯＮ　Ｅ，ＳＩＲＡＲＤ　ｊ．ｃａ１ｉｂｒａｔｉｏｎ　ｏｆ　ｔｈｅ　ｃｏｍｐｕｔｅｒ　ｓｃｉｅｎｃｅ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ，Ｉｎａ　ａｅｃｅｌｅｒｏｍｅｔｅｒ［Ｊ］．　Ｍｅｄ　Ｓｃｉ　Ｓｐｏｒｔｓ　Ｅｘｅ，１９９８，３０（５）：７７７—７８１．　［１３３　ＨＡＮＣＸ３Ｉ　Ｊ　Ｍ，ＰＨＩＬＬＩＰＳＬＲ　Ｓ．ＲＯＷＬＡＮＤＳＡ　Ｖ＿Ｖａｌｉｄａ—　ｔｉｏｎ　ｏｆ　ｔｈｅ　ＩＧＲＡＰＨ　ｉｎ　ｃｈｉｌｄｒｅｎ　ａｎｄ　ｃｏｍｐａｒｉｓｏｎ　ｗｉｔｈ　ｔｈｅ　ＧＴＩＭ　ＡｃｔｉＧｒａｐｈ［Ｊ］．Ｊ　Ｓｃｉ　Ｍｅｄ　Ｓｐｏｒｔ，２０１３，１６（１）：４０—４４．　［１４］ＨＥＩＮＺＥＡ，ＫＵＮＺＥＫ　Ｓ，ＳＬｒＬＩＳＴＶＯ　Ｓ，ｅｔａ１．Ｅｘｐｅｒｉｍｅｎｔａｌ　Ｅｖａｌｕａｔｉｏｎ　ｏｔ　Ｖａｒｉａｔｉｏｎｓ　ｎｉ　Ｐｒｉｍａｒｙ　Ｆｅａｔｕｒｅｓ　Ｕｓｅｄ　ｆｏｒ　Ａｃｃｅｌｅｒ—　ｏｍｅｔｒｉｃ　Ｃｏｎｔｅｘｔ　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｍ］．Ａｍｂｉｅｎｔ　Ｉｎｔｅｌｌｉｇｅｎｃ￣Ｓｐｒｉｇｎ—　ｅｒ　Ｂｅｒｌｉｎ　Ｈｅｉｄｅｌｂｅｒｇ，２００３：２５２—２６３．　［１５］ＨＥＫＬＥＲ　Ｅ　Ｂ，ＫＬＡｓＮｌＪＡ　Ｐ，ＴＲＡＶＥＲ　Ｖ，ｅｔ　ａ１．Ｒｅａｌｉｚｉｇｎ　ｅｆ—　ｆｅｃｔｉｖｅ　ｂｅｈａｖｉｏｒａｌ　ｍａｎａｇｅｍｅｎｔ　ｏｆ　ｈｅａｌｔｈ：　ｅ　ｍｅｔａｍｏｒｐｈｏｓｉｓ　ｏｆ　ｂｅｈａｖｉｏｒｌａ　ｓｃｉｅｎｃｅ　ｍｅｔｈｏｄｓ［Ｊ］．Ｐｕｌｓｅ，ＩＥＥＥ，２０１３，４（５）：２９—３４．　［１６］ＪＡＮＳＳＥＮＸ，ＣＬＩＦＦＤＰ，ＲＨＬＬＹ　Ｊ　Ｊ，ｅｔ８ｚ．Ｐｒｅｄｉｃｔｉｖｅ　ｖａｌｉｄｉｔｙ　ｎａｄ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｏｆ　Ａ￣ｉＧｒａｐｈ　ｅｎｅｒｇｙ　ｅｘｐｅｎｄｉｔｕｒｅ　ｅ—　ｑｕａｔｉｏｎｓ　ｎａｄ　ｃｕｔ－ｐｏｉｎｔｓ　ｉｎ　ｙｏｕｎｇ　ｃｈｉｌｄｒｎｅ［Ｊ］．Ｐｌｏｓ　ｏｎｅ，２０１３，８　］３５　中国体育科技２０１６（第５２卷）第６期　（１１）：ｅ７９１２４．　［２９］ＳＡＰＯＮＡＳＴ，ＬＥＳＴＥＲ　Ｊ，ＦＲＯＥＨＬＩＣＨ　Ｊ，群ａｌ。ｉｌｅａｒｎ　ｏｎｔｈｅ　ｉｐｈｏｎｅ：Ｒｅａｌ－ｔｉｍｅ　ｈｕｍａｎ　ａｃｔｉｉｔｖｙ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｏｎ　ｃｏｍｍｏｄｉｔｙ　Ｅ１７３　Ｊ　０】　ｓ　ｓ　Ｌ，ＷＯＯＤ　Ｋ，ＴＨＯＭＰＳＯＮ　Ｒ，ｅｔａ１．Ｅｆｆｅｃｔ　ｏｆ　ｍｏｎｉｔｏｒ　ｐｌａｃｅｍｅｎｔ　ｏｎ　ｏｕｔｐｕｔ　ｆｒｏｍ　ｔｈｒｅｅ　ｄｉｆｆｅｒｅｎｔ　ａｃｅｅｌｅｒｏｍｅｔｅｒｓ［Ｊ］．　ＭｅｄＳｃｉ　ＳｐｏｒｔｓＥｘｅ，１９９９，３１（５）：Ｓ１４２．　ｍｏｂｉｌｅ　ｐｈｏｎｅｓ［Ｊ］．Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｗａｓｈｉｎｇｔｏｎ　ＣＳＥ　Ｔｅｃｈ　Ｒｅｐｏｒｔ　ＵＷ－ＣＳＥ＿ｏ８－０４－０２，２０Ｏ８：１ｑ．　［１８］ＫＥＬＬＹＬＡ，ＭＣＭＩＬＬＡＮＤＧＥ，ＡＮＤＥＲＳＯＮＡ，　ａ１．Ｖａ一　１ｉｄｈｙ　ｏｆ　ａｃｔｉｇｒａｐｈｓ　ｕｎｉａｘｉａｌ　ａｎｄ　ｔｒｉａｘｉｌ　ａｃｃｄｅａｘｏｍｅｔｅｒｓ　ｆｏｒ　ａｓ—　［３Ｏ］ｓｃＪＮＥＬＬＥＲＭＢ，ＰＥＤＥＲＳＥＮＭＴ，ＧＵＰＴＡＮ，ｅｔａ１．Ｖａｌｉａ—ｄ　ｔｉｏｎ　ｏｆ　ｆｉｖｅ　ｍｉｎｉａｌｍｌｙ　ｏｂｓｔｒｕｃｔｉｖｅ　ｍｅｔｈｏｄｓ　ｔｏ　ｅｓｔｉｍａｔｅ　ｐｈｙｓｉｃａｌ　ａｃｔｉｉｔｖｙ　ｅｎｅｒｇｙ　ｅｘｐｅｎｄｉｔｕｒｅ　ｉｎ　ｙｏｕｎｇ　ａｄｕｌｔｓ　ｉｎ　ｓｅｍｉ－ｓｔａｎｄａｒｄ—　ｓｅｓｓｍｅｎｔ　ｏｆ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｉｎ　ａｄｕｌｔｓ　ｎ　ｌｉａｂｏｒａｔｏｒｙ　ｃｏｎｄｉｔｉｏｎｓ　ＥＪ］．ＢＭＣ　Ｍｅｄｉｃａｌ　Ｐｈｙｓｉ￣，２０１３，１３（１）：５．Ｄ０　：１０．１１８６／１７５６—　６６４９—１３—５．．　ｉｚｅｄ　ｓｅｔｔｉｇｓ［ｎＪ］．Ｓｅｎｓｏｒｓ，２０１５，１５（３），６１３３－６１５１．　［３１］］ＳＥＫＩＮＥ　Ｍ，ＴＡＭＵＲＡ　Ｔ．ｅｔ　ａ１．Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ａｃｃｅｌｅｒａｔｉｏｎ　ｗａｖ￣ｏｌ２Ｄ＿ｉｎ　ａ　ｃｏｎｔｉｎｕｏｕｓ　ｗａｌｋｉｇ　ｒｎｅｃｏｒｄ［Ａ］．Ｅｎｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｍｅｄｉｃｉｎｅ　ｎｄ　Ｂｉａｏｌｏｇｙ　Ｓｏｃｉｅｔｙ，Ｉｎ　２０ｔｈ　Ａｎｎｕａｌ，１９９８，３：１５２３—　１５２　６．　Ｅ１９］ＫＩＡＮＩＫ，ＳＮＵＤＥＲＡＣＪ，ＧＥＬＳＥＭＡＥＳＣｏｍｐｕｔｅｒｉｚｅｄ　ａｎａｌ—　ｙｓｉｓ　ｏｆ　ｄａｉｌｙ　ｈｉｅ　ｍｏｔｏｒ　ａｃｔｉｉｖｔｙ　ｆｏｒ　ａｍｂｕｌａｔｏｒｙ　ｍｏｎｉｔｏｒｉｎｇ［Ｊ］．　Ｔｅｃｈｎｏｌ　Ｈｅａｌｔｈ　Ｃａｒｅ，１９９７，５（４）：３０７—３１８．　［２Ｏ］Ｋ０ＣＨＥＲ　疆｜ＲＧＥＲ　Ｇ，ＭＣＯＤＮＮ盼１　Ｅ，ＫＵＣＨＢＨＡＴＬＡ　ＭＮ，ｅｔａ１．Ｔｈｅ　ｒｅｌｉａｂｉｌｉｔｙ，ｖａｌｉｄｉｔｙ，ａｎｄ　ｓｔａｂｉｌｉｔｙ　ｏｆ　ａ　ｍｅａｓｕｒｅ　［３２］ｓＨＯＡｍ　Ｍ，Ｂ（）ｓｃＨ　ｓ，ｕ　ｃＥＬ　ｏ　Ｄ，ｅｔ　ａ１．Ｆｕｓｉｎ　ｏｏｆ　ｓｍａｒｔ－　ｐｈｏｎｅ　ｍｏｔｉｏｎ　ｓｅＤ．８ｏｒｓ　ｆｏｒ　ｐｈｙｓｉｃｌａ　ａｃｔｉｖｉｔｙ　ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｓｅｎ—　ｓｏｒｓ，２０１４，１４（６）：１０１４６－１０１７６．　ｏｆ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｉｎ　ｔｈｅ　ｅｌｄｅｒｌｙ［Ｊ］．Ａｒｃｈ　Ｐｈｙｓ　Ｍｅｄ　Ｒｅｈａｂ，　１９９６，７７（８）：７９３—７９５．　［３３］ＳＷＡＲＴＺ　Ａ　Ｍ，ＳＴＲＡＴＨ　Ｓ　Ｊ，ＢＡＳＳＥＴＴ　Ｄ　Ｒ，ｅｔ　ａｔ．Ｅｓｔｉｍａ－　ｔｉｏｎｏｆｅｎｅｒｇｙｅｘｐｅｎｄｉｔｕｒｅｕｓｉｎｇＣｓＡ　ａｃｃｅｌｅｒｏｍｅｔｅｒｓ　ａｔｈｉｐ　ａｎｄ　Ｅ２１］ＬＡｕｓＬ，ＤＡＶＩＤＫ　Ｍｏｖｅｍｅｎｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇｔｈｅ　ａｃｃｅｌｅｒ—　ｏｍｅｔｒｉｅｎ　ｓｍａｒｔｐｈｏｎｅｓ［Ｃ］／／ＦｕｔｕｒｅＮｅｔｗｏｒｋａｎｄＭｏｂｉｌｅＳｕｍ－　ｍｉｔ，２０１０，ＩＥＥＥ，２０１０：１－９．　ｗｒｉｓｔ　ｓｉｔｅｓ￣Ｊ］．Ｍｅｄ　ｅｉＳ　Ｓｐｏｒｔｓ　Ｅｘｅ，２０００，３２（ＳｕｐｐＤ：４５０－４５６．　［３４］ＵＩＴＥＲＷＡＡＬＭ，ＧＬＥＲＵＭＥＢＣ，ＢＵＳＳＥＲＨ　Ｊ，ｅｔａ１．Ａｎ　ｂｕｌａｔｏｒｙ　ｍｏｎｉｔｏｒｉｎｇ　ｏｆ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｉｎ　ｗｏｒｋｉｇ　ｎｓｉｔｕａｔｉｏｎｓ，ａ　Ｅ２２］ＬＥＶＩＮＥ　Ｊ　Ａ，ＢＡＵＫＯＬ　Ｐ　Ａ，ＷＥＳＴＥＲＰ　Ｋ　Ｐ．Ｖａｌｉｄａｔｉｏｎ　ｏｆ　ｔｈｅＴｒａｃｒａｏｒｔｒｉａｘｉｌａ　ａｃｅｅｌｅｒｏｍｅｔｅｒ　ｓｙｓｔｅｍｆｏｒｗａ￣ｎｇＵ］．Ｍｅｄ　Ｓｃｉ　Ｓｐｏｒｔｓ　Ｅｘｅ．２ｏｏ１，３３（９）：１５９３—１５９７．　ｖａｌｉｄａｔｉｏｎ　ｓｔｕｄｙ［Ｊ］．Ｊ　Ｍｅｄ　Ｅｎｇ　Ｔｅｅｈｎｏｌ，１９９８，２２（４）：１６８－１７２．　［３５］ＶＡＮＨＥＬＳＴＪ，ＭＩＬＵＬＯＶＩＣＪ，ＢＵＩ－ＸＵＡＮＧ，ｅｔａ１．Ｃｏｍｐａｒｉ－　ｓｏｎ　ｏｆ　ｔｗｏ　Ａ￣ｉＧｒａｐｈ　ａｃｅｅｌｅｒｏｍｅｔｅｒ　ｇｅｎｅｒａｔｉｏｎｓ　ｉｎ　ｔｈｅ　ａ８８￣－　［２３１　ＭＡＲＴＥＬＬＡＲＣ，ＮＥＬＳＯＮＪＲ，Ｎ　ＧＡＮＲＬ，ｅｔａ１．Ｕｎｄｅｒ—　ｓｔａｎｄｉｎｇ　ａｎｄ　Ｉｎｔｅｒｐｒｅｔｉｎｇ　Ｅｄｕｃａｔｉｏｎａｌ　Ｒｅｓｅａｒｃｈ［Ｍ］．Ｇｕｉｌｆｏｒｄ　Ｐｒｅｓｓ，２０１３：１６６．　ｍｅｎｔ　ｏｆｐｈｙｓｉｃａｌ　ａｃｔｉｉｖｔｙｉｎｆｒｅｅｌｉｖｉｎｇｃｏｎｄｉｔｉｏｎｓ［Ｊ］．ＢＭＣＲｅｓ　Ｎｏｔｅｓ，２０１２，５（１）：１８７．　Ｅ２４］ＭＡＴＨＩＥ　ＭＪ，ＣＯＳＴＥＲ　Ａ　Ｃ　Ｆ，Ｌ０ⅦＬＬ　Ｎ　Ｈ，ｅｔａ１．Ａｃｃｅｌｅｒ－　ｏｍｅｔｒｙ：ｐｒｏｖｉｄｉｇ　ａｎｎ　ｉｎｔｅｇｒａｔｅｄ，ｐｒａｃｔｉｃａｌ　ｍｅｔｈｏｄ　ｆｏｒ　１ｏｎ￣ｇ－　［３６］ＶＡＮＬＫ，ＧＥＬＬＥＲＳＥＮ　Ｈｗ．Ｓｐｉｎｅｖｅｒｓｕｓｐｏｒｃｕｐｉｎｅ：Ａ　ｓｔｕｄ—　ｙ　ｉｎ　ｄｉｓｔｒｉｂｕｔｅｄ　ｗｅａｒａｂｌｅ　ａｃｔｉｉｖｔｙ　ｒｅｏｇｎｉｃｔｉｏｎ［Ｃ］／／Ｗｅａｒａｂｌｅ　Ｃｏｍｐｕｔｅｒｓ，２００４．ＩＳＷＣ　２００４．Ｅｉｇｈｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｔｅｒｍ，ａｍｂｕｌａｔｏｒｙ　ｍｏｎｉｔｏｒｉｇ　ｎｏｆ　ｈｕｍａｎ　ｍｏ＇ｃｅｎｌｎｔｅ［Ｊ１．Ｐｈｙｓｉｏｌｏ　Ｍ＝ｅａｓ，２００４，２５（２）：Ｒ１．　ｏｒ乙砸ＥＥ，２００４，（１）：１４２－１４９．　［２５］Ｍ田）ＯＲⅡ　ⅣＡ　Ｔ，ＴＡＮＡＫＡ　Ｓ，ＫＡＮＥＫＯ　Ｋ，　ａ１．Ｅｖａｌｕａ—　ｔｉｏｎ　ｏｆ　ｌｏｗ－ｉｎｔｅｎｓｉｔｙ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｂｙ　ｔｒｉａ五ａｌ　ａｅｅｅｌｅｒｏｍｅｔｒｙ　［３７３　ＶＥＬＨＯ　Ｌ，ＦＲＥＲＹ　Ａ，ＧＯＩＶＩＥＳ　Ｊ．Ｓｉｇｍ￣ｌ　Ｔｈｅｏｒｙ［Ｍ］．Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｇ　ｆｏｒ　Ｃｏｍｐｕｔｅｎｒ　Ｇｒａｐｈｉｃｓ　ａｎｄ　Ｖｉｓｉｏｎ．．Ｌｏｎｄｏｎ　Ｓｐ￣ｎｇ—　ｅｒ，２００９：ｌ３－５５．　［Ｊ］．Ｏｂｅｓｉｔｙ，２００７，１５（１２）：３０３１—３０３８．　［２６］ＭＯＲＩＬＬＯ　Ｌ　Ｍ　Ｓ，Ｇ０ＮｚＡＩ｜ＥＺ＿　Ｒ　Ｌ，ＲＡＭＩＲＥＺ　Ｊ　Ａ　０，　ｅｔ　ａｔ．Ｌｏｗ　ｅｎｅｒｇｙ　ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｒｅｃｏｇｎｉｔｉｏｎ　ｓｙｓｔｅｍ　ｏｎ　ｓｍａｒｔ—　Ｅ３８］ＷＥＬＫＧＪ．Ｐｒｉｎｃｉｐｌｅｓ　ｏｆ　ｄｅｓｉｇｎａｎｄａｎａｌｙｓｅｓｆｏｒｔｈｅ　ｃａｌｉｂｒａｔｉｏｎ　ｏｆ　ａｃｃｅｌｅｒｏｍｅｔｒｙ－ｂａｓｅｄ　ａｃｔｉｖｉｔｙ　ｍｏｎｉｔｏｒｓ［Ｊ］．Ｍｅｄ　Ｓｅｉ　Ｓｐｏｒｔｓ　Ｅｘｅ，２００５，３７（１１　Ｓｕｐｐ１）：５０１—５１１．　ｐｈｏｎｅｓ口］．Ｓｅｎｓｏｒｓ，２０１５，１５（３）：５１６３—５１９６．　［２７］ＰＨＹｓＩＣＡＬ　ＡＣＴｒⅥＴＹ　Ｇ１用）ＥＬ　砸ｌｓ　ＡＤＶｌ９０ＲＹ　ＣＯ　嗄＿　ＭＩＴＴＥＥ．Ｐｈｙｓｉｃａｌ　ａｃｔｉｖｉｔｙ　ｇｎｉｄｅｌｎｅｉｓ　ａｄｖｉｓｏｒｙ　ｃｏｍｍｉｔｔｅｅ　ｒｅ—　Ｅ３９］ｗＥⅨＧｊ－Ｕｓｅｏｆ　ａｃｃｅｌｅｒｏｍｅｔｒｙ－ｂａｓｅｄａｃｔｉｉｖｔｙｍｏｎｉｔｏｒｓｔｏ　ａｓ一　８ｅｓｓ　ｐｈｙｓｉｃａｌ　ａｔｃｉｉｖｔｙ［Ｊ］．Ｐｈｙｓ　Ａｃｔｉｉｖ　Ａｓｓｅｓｓｍｅｎｔｓ　Ｈｅａｌｔｈ－ｒｅ－　ｌａｔｅｄ　Ｒｅｓ。２００２：１２５—１４１．　ｐｏｒｔ，２００８［Ｒ］．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＵＳＤｅｐａｒｔｍｅｎｔ　ｏｆＨｅａｌｔｈａｎｄ　ＨｕＩｎａｎ　Ｓｅｒｖｉｃｅｓ，２０ｏ８：Ａ１一Ｈ１４．　［－４０］ｚ　嘲　强ＲＧＥＮＰＡ，ＢＡＲＢＥＡＵＳＪ．Ｐｏｓｉｔｉｏｎａｌａｃｃｕｒａｃｙ　ｏｆ　ａｓ—　ｓｉｓｔｅｄ　ｇｐｓ　ｄａｔａｆｒｏｍｈｉｇｈ－ｓｅｎｓｉｉｖｔｉｔｙｇｐｓ－ｅｎａｂｌｅｄｍｏｂｉｌｅｐｈｏｎｅｓ　［２８］ＲＡⅥＮ，ＤＡＮＤＥＫＡＲ　Ｎ，ＭＩＹ８０ｌＲＥ　Ｐ，ｅｔ　ａ１．Ａｃｔｉｖｉｔｙ　ｒｅａ￣ｇｍ－　ｔｉｎ　ｏｆｒｏｍ　ａｃｃｅｌｅｒｏｍｅｔｅｒ　ａｔｄａ［ｃ］／／ＡＡＡ１，２００５：１５４１－１５４６．　［Ｊ］．Ｊ　Ｎａｖｉｇａｔｉｏｎ，２０１１，６４（３）：３８１—３９９．　★　１３６