加速度传感器能耗预测模型的建立与验证

向剑锋 李之俊

1 浙江师范大学体育与健康科学学院（浙江金华 321004）

2 上海体育科学研究所

实时监测体力活动中机体的能量消耗有利于提高日常健身的科学性，对预防肥胖、糖尿病等慢性疾病具有积极作用。加速度传感器可监测体力活动时身体的加速度，大量研究证实垂直轴加速度记数（accelerometry counts，AC）与运动能耗有高度相关性［1-3］。加速度传感器借助以AC为变量的能耗预测模型实时、便捷地监测体力活动能耗，具有广泛的应用前景。Actigraph加速度传感器是体力活动能耗监测中最受认可的加速度传感器，其配套软件Actilife主要采用Freedson［1］创建的能耗模型（简称 Freedson 模型，METs=1.439008+0.000795×AC）推算能耗。本研究以气体代谢法（IC法）为标准，通过多种体力活动方式建立能耗预测模型，并以连续4小时的体力活动数据验证Freedson模型［1］和本研究所建模型的有效性，筛选适合我国青年的体力活动能耗预测模型。

1 对象与方法

1.1 研究对象

80名非体育专业大学生，随机分为实验组和验证组（见表1），两组受试者身高、体重和BMI均无显著性差异（P>0.05）。所有受试者研究期间身体健康，均签署了知情同意书，自愿参加本项研究。

表1 受试者基本情况

1.2 研究方法

1.2.1 测试仪器

使用大学生体质测试专用身高体重计测量受试者身高（cm）和体重（kg），精确到0.1 cm和0.1 kg，使用韩国产Inbody 3.0体成分分析仪测量受试者体脂率，使用芬兰产T31型Polar表监测受试者心率（HR）。使用美国Manufacturing Technology Inc公司产Actigraph GT3X加速度传感器（简称GT3X）监测身体体力活动时的AC，该加速度传感器的信度已得到验证［4］。测试中统一使用弹性腰带将GT3X固定在右侧髋部、肚脐水平高度，采用Actilife 5.0软件校对、设置及处理GT3X数据。测试前将GT3X的采样时间设置为5 s。使用意大利COSMED公司生产的Cosmed K4b2（简称K4b2）气体代谢能耗分析仪实时监测能耗。测试后，将K4b2和GT3X测得的原始数据均转换为采样频率1 min的数据，AC单位为counts/min。体重可能对AC与能耗关系产生较大影响，本研究采用相对能耗METs的表达方式，未使用kcal、kJ等绝对能耗单位。考虑到受试者在实验中始终背负着约1 kg的仪器，为保证测试准确性，在K4b2中输入的体重为“原始体重+1 kg”［5］。

1.2.2 测试流程

所有测试均在上午8∶00～12∶30和下午13∶00～17∶30进行。受试者身着轻便运动服参加测试，首先测量身高、体重和体脂率，随后用15 min佩戴并熟悉K4b2、GT3X等仪器，在熟悉仪器并通过预测试后正式测试。正式测试时，实验组受试者按顺序完成如下7项体力活动：静坐、看书、整理书桌、扫地、慢走（4 km/h）、快走（6 km/h）和慢跑（8 km/h）。静坐时间至少10 min，取其中连续5 min最低平稳能耗均值作为安静能耗，取对应时间内的AC均值作为静坐时的AC值。其余6项体力活动各进行6 min，分析第4～6 min数据均值［1］。每项活动结束后适当休息，直到心率恢复到每分钟不高于静坐心率+10次再进行下一项活动。

每次测试开始时，实验人员看准电脑时间中某分钟开始的第1秒按压K4b2主机上的“Enter”键开始正式测试，确保GT3X和K4b2的监测时间与电脑同步。

验证组受试者首先填写一周体力活动调查问卷，研究人员根据问卷计算每人一周内主要的体力活动（睡觉除外）所占时间比例，依照该比例将受试者一周中最主要的12～15种体力活动组成约4 h的综合体力活动。随后，验证组受试者同步佩戴K4b2、Polar表和GT3X进行上述4 h体力活动。每2 h更换一次K4b2电池。

1.2.3 测试环境及测试要求

所有测试均在上海体育学院运动人体科学实验中心完成，受试者均按要求完成测试。测试期间温度18～25℃，湿度为50%～80%。静坐时，受试者采用舒适坐位，心情平静、身体放松；看书时，受试者以平日看书、学习的状态进行阅读，看书时可适当写字，也可有自然姿势变化；整理书桌时，受试者采取站立姿势，将多张书桌上杂乱的书籍杂物等东西摆放整齐；扫地时清扫面积约为50 m2，扫地前测试人员先在地上撒上纸屑等碎小杂物，受试者模拟平日扫地方法反复清扫。规定速度步行和跑步时，在体育馆内设置300 m椭圆形跑道，每5 m设置一个标记，测试时播放相应的节拍，每响一次受试者走（或跑）完5 m，从而控制运动速度。测试前受试者预先熟悉节拍和速度，正式测试中受试者根据节拍和标记控制速度。

1.3 统计学分析

2 结果

2.1 实验组 7项体力活动的AC、HR和METs

表2显示，本研究中各项体力活动的强度逐渐增加，AC和HR也同步增加。AC与体力活动METs值之间具有高度相关性，见图1。

表2 实验组7项体力活动的AC、METs和HR

图1 A C与体力活动M ET s散点图

2.2 能耗预测模型的建立

2.2.1 直线回归模型的建立

如表3所示，本研究以实验组3项走/跑活动数据和7项体力活动数据分别建立直线回归模型，记为模型1和模型2。

表3 直线回归模型

2.2.2 分段线性模型的建立

Crouter等［6］研究显示，以走/跑活动数据建立的单一直线回归模型明显低估上肢活动较多的日常体力活动能耗，直线回归模型推算的此类体力活动能耗大都低于3METs。考虑到3METs是中、低强度体力活动的临界点，本研究以3METs对应的AC值为临界点建立分段线性模型，以全面预测多种类型体力活动能耗。先根据模型2推算出3METs时AC≈1630 counts/min，确定1630 counts/min为AC临界点。随后，将实验组数据划分为AC<1630 counts/min和AC≥1630 counts/min两部分，分别建立回归方程。AC<1630 counts/min时，模型方程为METs＝1.419+0.005644×AC－5.927×10-6×AC2+1.993×10-9×AC3（R2=0.751）；AC≥1630 counts/min时，模型方程为 METs＝1.818+0.000752×AC（R2=0.851）。在 AC<1630 counts/min数据中，三次项曲线模型的拟合效果最好。

2.3 能耗预测模型的验证

对比分析不同能耗预测模型推算出的PAEE4h与IC法实测能耗，计算模型的预测精度。预测精度＝100×（IC法测试值－预测误差）/IC法测试值。从表4可见，分段线性模型预测精度最高；除分段线性模型外，模型1、模型2和Freedson模型［1］的PAEE4h预测值与IC法实测值均存在显著性差异。

表4 4个能耗预测模型对PA EE4h的预测准确性

从Altman-Bland分析图（图2）可见，分段线性模型的预测误差均值较低，对验证组受试者PAEE4h的预测误差均在95%置信区间内。

图2 分段线性模型预测PA EE4h的A l t ma n-Bl a n d图

3 讨论

加速度传感器是一种较成熟的体力活动监测工具，已广泛应用于欧美国家的体力活动监测中，并在我国逐渐推广应用［7-9］。由于体力活动中的AC与能耗之间存在良好的线性关系，以AC为自变量的直线回归模型成为最常用的能耗预测模型［1-3］。1998年，Freedson等［1］以三种不同强度（4.8 km/h、6.4 km/h、9.7 km/h）跑台运动为基础建立了以AC为自变量的直线回归模型，并作为Actigraph加速度传感器的官方指定能耗预测模型一直沿用至今。其他学者也效仿这一思路建立了多个直线回归模型，一些学者在建模时还纳入了多项非走/跑类体力活动的数据［6］。但是，对这些模型的验证结果显示，直线回归模型往往仅可较好预测走/跑等体力活动能耗，预测其他活动能耗误差较大［6］。

为更全面监测多种体力活动，Crouter［10］以 10 s为采样频率，计算每分钟内6个AC的变异系数（CV），当010%时，判断受试者在进行其他活动。随后，该研究以IC法为标准，分别建立了走/跑和其他类型活动的能耗预测模型。尽管该模型在一定程度上提高了能耗预测准确性，但分别从1 min的起始段、中段和末段获取的数据所得CV值可能存在巨大差异，反而增加了预测误差［11］。此外，该模型运算相对复杂，不便于推广应用。

在众多Actigraph能耗预测模型中，Freedson［1］模型应用最广，有研究证实该模型较好地分析了低、中、高强度体力活动的时间，但尚无研究证实该模型可准确监测长时间体力活动的能耗［6］。Leenders等［12］研究显示，该模型严重低估日均总能耗，平均误差约518 kcal/d。另一项类似研究也显示，该模型约低估北京市中青年男性日均体力活动总能耗 1.1 MJ/d（约 263 kcal/d）［13］。以上两项研究均以双标水法（DLW）所测能耗为参考标准，而Actigraph能耗预测模型普遍采用IC法为标准，参考标准不同可能对验证结果有影响，因此有必要以IC法为标准进行能耗预测模型验证研究。此外，人种、日常生活方式、环境等也可能影响能耗预测模型的准确性。

考虑以上因素，本研究以60名青年为对象，参考Freedson［1］、Crouter等［10］的研究思路，分别建立了3个能耗预测模型，建模时同样采用了METs这一相对能耗的表达方式。随后，采用20人每人约4 h连续体力活动数据验证所建能耗预测模型及Freedson［1］模型的效度，筛选效度较高的体力活动能耗预测模型。受IC法仪器的限制，验证中的体力活动时间为4 h，而4 h活动中各项体力活动的时间比例与日常生活相似，其验证结果仍可较好反映能耗预测模型在长时间体力活动能耗监测中的准确性。

模型 1 的建立思路与 Freedson［1］模型相似，但模型1的截距明显较高，这可能与实验环境、受试者人种等因素有关。分析实验组原始数据可知，在整理书桌、慢走、快走和慢跑时，模型1与原始数据的拟合度较好，但在静坐和使用电脑时明显高估能耗，高估值分别约为0.7 METs和0.59 METs；而Freedson［1］模型除略微高估静坐和使用电脑时的能耗外，均低估其余5项体力活动能耗预测值。由于大部分青年人日常生活中坐位体力活动时间较多，模型1可能高估青年人日常生活中大部分时间内的能耗。经4 h体力活动验证，模型1对PAEE4h的高估程度较大，其平均预测精度仅为80.49%；Freedson［1］模型总体低估PAEE4h，其平均预测精度为84.92%。配对t检验显示，两个模型的PAEE4h预测值与IC法实测值均有显著性差异。可见，仅以走/跑数据建立的直线回归模型难以准确预测长时间日常体力活动的总能耗。

本研究还采用7项体力活动数据建立了模型2。7项体力活动包括3种速度的走/跑、2种坐姿活动和2种站姿活动，具有一定代表性。与模型1相比，在静坐和使用电脑时模型2与实验组原始数据的拟合度有所提高，但仍存在一定程度的高估，高估值分别约为0.51 METs和0.41 METs。经4 h体力活动验证，模型2的预测精度比模型1高4%。但配对t检验结果显示，模型2仍显著高估PAEE4h。可见，在建模过程中纳入非走/跑类活动数据可在一定程度上提高直线回归模型的效度，今后可考虑适当调整不同种类体力活动的数量和比例，进一步降低模型对静力性体力活动能耗的高估程度，提高模型效度。

在建立分段线性模型的过程中，本研究简化了Crouter等［6］的研究方法，以 3METs对应的 AC 值（1630 counts/min）为临界点，以临界点前后的数据分别建立回归方程。该模型与实验组原始数据的拟合度较好，对扫地、步行等5项体力活动数据的拟合误差均低于0.2 METs，对整理书桌和慢跑的拟合误差约为0.25 METs。采用4 h体力活动验证可见，分段线性模型对PAEE4h的预测精度均值达91.35%，配对t检验显示其PAEE4h预测值与IC法实测值不存在显著性差异。分析Altman-Bland图可知，分段线性模型对PAEE4h的预测误差均在95%置信区间内，提示该模型对长时间体力活动能耗的预测准确性较高。值得注意的是，当AC值分别为1629 counts/min和1630 counts/min时，其能耗预测值分别为3.5 METs和3.04 METs，提示该模型对临界点上下数据的能耗预测值存在较大偏差。因此，该模型不宜局限于预测某特定体力活动的能耗，适于推算一段时间内的总能耗。

4 总结

本研究以多种体力活动为基础，建立了有效的Actigraph加速度传感器分段线性模型，可用于监测长时间日常体力活动总能耗。今后需从更多角度优化加速度传感器能耗预测模型，提高加速度传感器在日常体力活动监测中的效度。

［1］Freedson PS，Melanson E，Sirard J，et al.Calibration of the Computer Science and Applications，Inc.accelerometer.Med Sci Sports Exerc，1998，30（5）：777-781.

［2］Matthew CE.Calibration of accelerometer output for adults.Med Sci Sports Exerc，2005，37（Suppl 11）：S512-522.

［3］汤强，盛蕾，朱卫红.体力活动研究中加速度计的应用.体育科学，2009，29（1）：77-84.

［4］Yuri Feito.A comparison of commonly used accelerometer based activity monitors in controlled and free-Living environment.Knoxville：University of Tennessee，2010：13-18.

［5］Strath SJ，Bassett DR，AmSwartz JR，et al.Simultaneous heart rate-motion sensor technique to estimate energy expenditure.Med Sci Sports Exerc，2001，33（12）：2118-2123.

［6］Crouter SE，Churilla JR，Bassett DR Jr.Estimating energy expenditure using accelerometers.Eur J Appl Physiol，2006，98（6）：601-612.

［7］Mer MH，Oja P，Michael S.Physical activity and inactivity in an adult population assessed by accelerometry.Med Sci Sports Exerc，2007，39（9）：1502-1508.

［8］Troiano RP，Berrigan D，Dodd KW，et al.Physical activity in the United States measured by accelerometer.Med Sci Sports Exerc，2008，40（1）：181-188.

［9］Peters TM，Moore SC，Xiang YB，et al.Accelerometer-measured physical activity in Chinese adults.Am J Prev Med，2010，38（6）：583-591.

［10］Crouter SE，Clowers KG，Bassett DR Jr，et al.A novel method for using accelerometer data to predict energy expenditure.J Appl Physiol，2006，100（4）：1324-1331.

［11］Kuffel EE，Crouter SE，Haas JD，et al.Validity of estimating minute-by-minute energy expenditure with accelerometry.Med Sci Sports Exerc，2008，40（suppl 5）：s415.

［12］Leenders NY，Sherman WM，Nagaraja HN.Energy expenditure estimated by accelerometry and doubly labeled water：Do they agree?Med Sci Sports Exerc，2006，38（12）：2165-2172.

［13］刘爱玲，李艳平，宋军，等.加速度计对成人日常体力活动测量效度的研究.中华流行病学杂志，2005，26（3）：197-200.