基于iPhone4s iOS7 系统健身应用软件计步功能的效度研究

翁锡全 刘新 徐洪想 林文弢

广州体育学院（广州510500）

步行作为一项日常体力活动其健身效果已得到大量研究的证实[1,2]，但是日常生活中，如何便利、准确测量步行以了解身体活动量是学者和大众普遍关心的问题。 随着科技的发展，三轴加速度计[3,4]、DynaPort[5]与计步器[6]不同程度地用于追踪、记录人体日常生活行为及步数，从而得到日常身体活动量，但是目前并不普及。智能手机的出现， 不仅改变了以往手机单一通讯的功能，而且改变了人们生活和行为方式。在智能手机的众多功能中， 借助于某些传感器和模块设计的健康管理和健身应用软件是最令人瞩目和期待的。近几年来，已有国外学者对利用智能手机健身应用软件自我监控体力活动做了一些开创性的研究，如Kirwan[7]对参加网上每天一万步活动的200名成员进行为期3个月的干预实验，其中实验组（50人）利用智能手机iSteplog软件记录受试者的步数，对照组（150人）进行网站干预手段，研究结果显示，在为期90天的研究期间，实验组平均有62天记录了其步数，高于对照组的41天，使用该应用软件用户每天的步行数增加， 且该软件记录的步数与实际步数无显著性差异。Carter[8]对128名超重受试者利用智能手机健身应用软件、 网站和日记记录三种方式进行为期6个月的降体重干预，研究结果发现智能手机干预组体重下降明显高于其他两组。迄今为止，我国虽然有不少关于智能手机健身应用软件研制及步态识别的报道[9-12]，却仍未见有智能手机健身应用软件计步功能准确性的研究报道。 因此，本研究拟对基于iPhone4s iOS7系统App Store上的4款健身应用软件计步功能进行效度评价， 为大众选择合适的健身应用软件监测日常体力活动提供参考。

1 研究对象与方法

1.1 研究对象

随机选择广州体育学院研究生男、女各5名作为受试者，健康状况良好，心肺功能良好，无高血压等疾病，具有良好的身体素质，有长期参加体育锻炼的习惯，对实验目的、方法及要求均知情，并签署知情同意书。 受试者基本情况见表1。

表1 研究对象基本情况

1.2 研究方法

1.2.1 健身应用软件的选择

分析基于iPhone4s iOS7系统App Store上架的所有健身应用软件的计步功能，并选出4款代表性健身应用软件， 包括动动健康、Steps Mania、Runtastic Pedometer和ibody运动。

1.2.2 测试方案

测试在实验室进行(25～27°C，55%～70%RH)，采用美国产TRACKMASTER TMX425CP型专业跑步机进行走跑测试， 测试速度参考国内外同类研究设置为3.2 km/h、4.8 km/h、6.4 km/h、8.1 km/h、9.7 km/h等5种负荷强度[13-16]，坡度为0。 3.2 km/h代表慢走、4.8 km/h代表正常步速行走、6.4 km/h代表快走、8.1 km/h代表慢跑、9.7 km/h 代表中速跑。 测试时， 受试者首先佩戴装有iPhone4s手机的臂包（佩戴位置为上臂外侧），然后开始以相应测试速度适应3 min， 达到热身和提高代谢水平、 心率后， 启动动动 健康、Steps Mania、Runtastic Pedometer和ibody运动等4款健身应用软件 （启动前按要求输入受试者体重、身高）进行5 min走跑运动，结束后停止身体移动，记录此时4款健身应用软件自动记录的步数。每种速度测试5次。为避免疲劳影响测试结果，前三种速度运动间歇5 min，后两种速度运动间歇10 min。实际步数则同时由2名工作人员进行人工记录。

1.2.3 数据处理与统计分析

采用SPSS17.0对测试结果进行统计分析， 采用均数和标准差（±s）描述连续性变量，采用单因素方差分析比较男女之间的差异，用配对t检验、直线相关回归分析、ICC（Intraclass Correlation Coefficient，组内相关系数)及Bland-Altman法[17]进行一致性检验，P < 0.05为具有显著性意义，P < 0.01为具有非常显著性意义。

2 研究结果

2.1 4款健身应用软件测量步数与实际步数的比较

由表2可见，5种运动状态下女受试者实际步数均高于男受试者， 且在6.4 km/h时有显著性差异 （P <0.05），4款健身应用软件步数测量值仅在4.8 km/h时动动健康、Runtastic Pedometer、Steps Mania 3种健身应用软件男受试者测量步数高于女受试者， 但无统计学意义（P > 0.05），其余速度运动状态下4款健身应用软件女受试者测量步数均高于男受试者，且在6.4 km/h时动动健康和Steps Mania软件男女间有非常显著和显著性差 异 （P < 0.01，P < 0.05）， 在9.7 km/h 时Runtastic Pedometer软件女受试者测量步数也非常显著高于男受试者（P < 0.01）。与实际步数比较，动动健康软件除6.4 km/h女性外，其余男、女步数测量值均低于实际值，且在3.2 km/h时男、女步数测量值均非常显著性低于实际步数（P < 0.01）；而Runtastic Pedometer应用软件在3.2 km/h和4.8 km/h时男、女步数测量值都非常显著性高于实际步数（P < 0.01）， 其他速度只有8.1 km/h男性步数测量值显著性高于实际步数（P < 0.05）；Steps Mania软件在5种不同运动状态下男步数测量值显著性或非常显著性低于实际步数（P < 0.05，P < 0.01），女受试者除了8.1 km/h和9.7 km/h外， 其他速度下步数测量值均非常显著性低于实际步数（P < 0.01）；ibody运动应用软件在3.2 km/h和6.4 km/h时男女步数测量值除6.4 km/h男性外均显著高于实际步数（分别P < 0.05，P < 0.01），4.8 km/h、8.1 km/h和9.7 km/h时测量值均低于实际步数，其中除4.8 km/h男性外无显著性差异。

由表3可见，不分男女情况下，动动健康软件仅有速度在3.2 km/h时步数测量值显著低于实际步数 （P <0.05）， 其他速度时均无显著性差异。 Runtastic Pedometer应用软件在速度为3.2 km/h和4.8 km/h时的测量步数非常显著高于实际步数（P < 0.01），其他速度均无显著性差异。 Steps Mania应用软件在8.1 km/h和9.7 km/h时与实际值无显著性差异，其他速度走跑时测量步数均非常显著低于实际步数（P < 0.01）。ibody运动应用软件在8.1 km/h和9.7 km/h时与实际步数无显著性差异， 在3.2 km/h和6.4 km/h时测量步数非常显著性高于实际步数（P < 0.01），但在4.8 km/h时测量步数却显著性低于实际步数（P < 0.05）。

表2 不同速度下男女受试者进行5 min步行4款健身应用软件测量步数与实际步数比较

表3 不同速度下全部受试者进行5 min步行4款健身应用软件测量步数与实际步数比较(n=10)

2.2 4款健身应用软件测量步数与实际步数的直线相关性

将 动 动 健 康、Runtastic Pedometer、Steps Mania 及ibody运动等4款健身应用软件的各自测量步数与实际步数进行直线相关和回归分析， 制作散点图见图1、2、3、4，结果显示，4款健身应用软件测量步数与实际步数间均存在高度线性相关（r=0.868～0.969），其中动动健康应用软件测量步数与实际步数之间的相关系数明显高于其他3种健身应用软件，相关系数r值达到0.969。

图1 运动健康软件测量步数与实际步数比较散点图

图2 Runtastic Pedometer软件测量步数与实际步数比较散点图

图3 Steps Mania软件测量步数与实际步数比较散点图

图4 ibody运动软件测量步数与实际步数比较散点图

2.3 4款健身应用软件测量步数与实际步数的ICC一致性检验

表4是4款健身应用软件在各个速度水平上5 min及总体测量步数与实际步数的ICC系数， 结果显示，动动健康、Runtastic Pedometer和ibody运动应用软件在测量步数与实际步数的ICC介于0.399～0.914之间， 总体ICC分别为0.981、0.962及0.942， 显示在同一速度水平上同一应用软件测量数据与实际步数的一致性具有显著或非常显著性意义（P < 0.05，P < 0.01）。 Steps Mania应用软件只有当速度达到6.4 km/h或以上速度时测量步数与实际步数的一致性才表现非常显著性意义（P <0.01），其总体ICC系数为0.930。

表4 不同速度下4款健身应用软件测量步数与实际步数的ICC系数（n = 10）

2.4 4款健身应用软件测量步数与实际步数的Bland-Altman法一致性检验

本研究使用Bland-Altman法对4款健身应用软件步数测量值与实际步数进行一致性分析， 以两组指标的平均值作为X轴，两组指标的差值作为Y轴，图5～图8分别使用实线和两条虚线标记出Y轴的均值和95%的置信区间（Mean±1.96×SD)，越多的点落在置信区间内，差值均数越接近0，则一致性越好。 图中显示，实际步数与动动健康、Runtastic Pedometer、Steps Mania、ibody运动4款健身应用软件步数测量值差值的均值分别为12.18、-31.02、81.01、-20.38，95%CI分别为 （-51.09, 75.47）、（-130.58, 76.54）、 （-71.31, 232.35）、 （-143.95,120.01）， 绝大多数指标差值落在置信区间之内, 表明其测量结果的差异可被接受, 4款健身应用软件测量步数与实际步数的一致性较好。 动动健康和Steps Mania软件步数测量值偏倚（bias)大于0，显示二者略低估实际步数；Runtastic Pedometer和ibody运动软件步数测量值偏倚（bias)小于0，显示二者略高估实际步数。

图5 实际步数与运动健康软件测量步数的Bland-Altman散点图

图6 实际步数与Runtastic Pedometer软件测量步数的Bland-Altman散点图

图7 实际步数与Steps Mania软件测量步数的Bland-Altman散点图

图8 实际步数与ibody运动软件测量步数的Bland-Altman散点图

3 讨论

本研究基于iPhone4s iOS7系统App Store上的动动健康、Runtastic Pedometer、Steps Mania及ibody运动等4款健身应用软件， 探讨同一型号智能手机不同健身应用软件计步功能测量步数的准确性。 首先，单因素方差分析表明，5种速度运动状态下4款健身应用软件步数测量值均存在性别差异， 男性步数测量值普遍低于女性。 这一结果与Welk等的观点一致[16]：即身体形态指标与步数密切相关，身材高矮对步数影响较大，男性由于下肢长，步幅较大，步频相比女性慢，女性则依靠增加步频来保证步行时的速度。 其次，配对t检验结果发现，当速度为3.2 km/h时，4款健身应用软件无论是男、女还是总体测量步数均与实际步数相比有显著性或非常显著性差异（P < 0.05，P < 0.01），这与以往多数对计步器的研究文献一致[14，15,18-20]，其原因可能与慢速步行时不足以达到装置的“阈值”而影响记录有关[21，22]。 iPhone4s健身应用软件设计也是基于加速度计原理， 因此，就iPhone4s而言， 其动动健康、Runtastic Pedometer、Steps Mania及ibody运动等4款健身应用软件的测量步数不能真实反映人体缓慢行走时的体力活动量。 随着步速达到正常以上时，动动健康应用软件男、女及不分男女时测量步数与实际步数均不存在显著性差异（P > 0.05），表明在正常步速以上速度走跑时， 使用动动健康健身计步应用软件测量步数与实际步数具有较高的一致性， 其测量结果可以准确反映实际步数， 而Runtastic Pedometer 应用软件则要达到快走以上速度、Steps Mania和ibody运动应用软件达到慢跑和中速跑时才出现相同的情况。 以上结果提示，iPhone4s iOS7操作平台的4款健身应用软件计步准确性与身体活动状态有关，不同身体活动状态时健身应用软件对步态识别率不一样。Wu等[22]采用与iPhone相同传感器和操作平台的iPod Touch的计步应用软件对16名受试者静坐以及不同步调步行、慢跑和上、下楼等13种活动状态进行测试，结果上、下楼步行时识别率为52.3%～79.4%，平地步行时为90.1%～94.1%，慢跑时达到91.7%，而静坐时则达到100%。 由此可知，除静坐外，在平地运动时，计步应用软件对步态识别率较高， 且随速度加快健身应用软件计步测量的准确率也随之提高。

尽管各健身应用软件不同速度时其测量步数与实际步数的差异不一， 但对两者间的相关显著性水平影响不大。 从相关性分析看， 动动健康、Runtastic Pedometer、Steps Mania及ibody运动等4款健身应用软件测量值与实际步数的相关系数均较大， 接近0.9甚至达到更高水平，且具有统计学意义（P < 0.01），说明检验的4款健身应用软件测量值与实际值整体上能保持一致性，但也有文献指出[23]，相关分析是反映两变量线性关系的密切程度而非一致性， 相关系数不能完全反映一致性的大小。 因此，提出在实际一致性的评价中, 采用简单相关分析、ICC 系数与Bland-Altman 法作为统计方法时, 统计结果显示一致性较好。为此，本研究对4款健身应用软件测量步数与实际步数均进行ICC 系数与Bland-Altman 法统计学分析。ICC是指被测量值间变异占总变异的比例， 它对测量的系统误差和随机误差均较敏感， 其值介于0～1，ICC 系数大则表明多次测量的系统误差与随机误差较小，数据具有较好的一致性。表4显示，动动健康、Runtastic Pedometer及ibody运动应用软件在测试的5种速度中其测量步数与实际步数的ICC系数均存在显著性及非常显著性意义 （P < 0.05，P< 0.01），Steps Mania应用软件的ICC则在6.4 km/h时才具有显著性意义 （P < 0.01）， 在4款健康应用软件中ibody运动应用软件各种速度下的ICC系数相对较小，达不到Lee等[24]提出的两组数据计算的ICC不能低于0.75的条件， 但4款健康应用软件测量步数与实际步数的ICC系数都同步出现随速度提高而增大的规律，这一结果基本也与配对t检验一致，且总体ICC系数均达到0.90以上，超过0.75水平，说明当速度达到慢跑以上时，4款健身应用软件更能准确地反映实际步数。 通过对Bland-Altman散点图的分析可知，4款健身应用软件的偏倚度从小到大依次是动动健康、ibody运动、Runtastic Pedometer、Steps Mania，一致性界限内最大差值分别是126.56、263.96、215.02、302.66。 以上结果表明，虽然4款健康应用软件测量步数与实际步数存在较好的一致性， 但似乎并没有一种健身应用软件的一致性达到理想水平。 理论上认为步数预测的偏倚度、一致性界限内的最大差值愈小愈好，但目前还没有明确的判断标准。因此， 可认为动动健康和Runtastic Pedometer健身应用软件步数测量值的有效性水平明显好于其他两种健身应用软件。

综合以上分析，4款健身应用软件计步总体精确度大小依次是动动健康、Runtastic Pedometer、ibody运动和Steps Mania。 对 于iPhone4s 动 动 健 康、Runtastic Pedometer、Steps Mania及ibody运动等4款健身应用软件测量间的差异，可以从3方面进行解释。 第一，目前智能手机基本上都使用电子罗盘、 加速度传感器特别是iPhone4还率先使用陀螺仪传感器， 这些传感器可识别人体身体活动状态和行为，因此，可以监测日常体力活动量及运动行为的追踪与反馈。 由于基于这些传感器原理的不同健身应用软件设计时步数识别系统模型建立所用的采样率、阈值、时间间隔、提取方法以及造模采样环境不同，尽管一样使用iPhone4s，但健身应用软件不同，势必导致计步测量值或多或少的差异。 因商业方面因素限制， 本研究无法查阅到动动健康、Runtastic Pedometer、Steps Mania及ibody运动等4款健身应用软件以上的参数以及造模环境的资料。 第二，相同软件测量步数中存在性别差异。 男性的步数比女性少， 这是身高、体重不同的影响。 身高不同，步幅也不同，手机加速度传感器产生的震动就不同，身材高大的人步幅较大，手机传感器产生的震动波幅大，时间间隔长，身体矮小的人其时间间隔就小， 若超出应用软件设计时设定模型的取值范围，则影响收集数据和输出，从而引起应用软件系统的测量误差。 第三，手机在身体放置位置和行走场地环境不同也是影响健身应用软件测量步数准确性的因素[25]。

作为一种自我监测日常体力活动量的应用软件，即使在实验室条件下有比较理想的预测精度， 在日常身体活动的步数监测中也未必精确。 因为智能手机健身应用软件的计步与身体活动方式有关， 大众使用智能手机健身应用软件监测日常健身活动， 如步行、快走、慢跑等身体活动步数的测量效度会较理想，而其他如球类、武术类等非周期项目的身体活动，步数测量的有效性会降低。 虽然智能手机健身应用软件在日常体力活动中测量步数的精确性存在一定的不足， 但不会影响其总体使用。

4 小结

本研究基于iPhone4s iOS7系统测试的4款健身应用软件的测量步数存在性别差异， 且随着步行速度加快其测量准确率提高，都具有较好的一致性，可作为大众实时自我监测日常体力活动量的工具。 相对而言，动动健康和Runtastic Pedometer健身应用软件的测量一致性高于另外两种健身应用软件。

[1] Sallis JF, Glanz K. The role of built environments in physical activity, eating, and obesity in childhood. Future Child, 2006,16(1): 89-108.

[2] Warburton DE, Nicol CW, Bredin SS. Health benefits of physical activity: the evidence . CMAJ, 2006, 174 (6): 801-809.

[3] Albinali F, Intille S, Haskell W, et al. Using wearable activity type detection to improve physical activity energy expenditure estimation. Proceedings of the 12th ACM international conference on Ubiquitous computing.ACM.2010:311-320.

[4] de Vries SI, Garre FG, Engbers LH, et al. Evaluation of neural networks to identify types of activity using accelerometers.Med Sci Sports Exerc, 2011, 43(1): 101-107.

[5] van Hees VT, van Lummel RC, Westerterp KR. Estimating activity-related energy expenditure under sedentary conditions using a tri-axial seismic accelerometer. Obesity, 2009,17(6):1287-1292.

[6] 陈晓荣，李可基. 8种市售运动传感装置计步功能的效度研究. 中国运动医学杂志, 2010，29(4): 457-459.

[7] Kirwan M, Duncan MJ, Vandelanotte C, et al. Using smartphone technology to monitor physical activity in the 10,000 Steps Program: a matched case–control trial.JMIR,2012, 14(2): e55.

[8] Carter MC, Burley VJ, Nykjaer C, et al. Adherence to a Smartphone Application for Weight Loss Compared to Website and Paper Diary: Pilot Randomized Controlled Trial.JMIR, 2013, 15(4):539-546.

[9] 马松岩. 基于iOS平台的健身应用的设计与实现. 北京邮电大学, 2013.

[10] 谢雨驼, 边耐政. Android 手机端运动量检测的研究与应用.计算机应用与软件, 2012, 29(10): 227-229.

[11] 杨文君, 杨波, 王保强. 智能手机的运动量干预软件的研制.中国医疗器械杂志, 2012, 36(4): 244-247.

[12] 尹博. 基于GPS 和加速度传感器的运动类智能终端应用软件的设计与实现. 北京邮电大学, 2012.

[13] Crouter SE, Schneider PL, Karabulut M, et al. Validity of 10 electronic pedometers for measuring steps, distance, and energy cost. Med Sci Sports Exerc , 2003, 35(8): 1455-1460.

[14] Schneider PL, Crouter SE, Lukajic O, et al. Accuracy and reliability of 10 pedometers for measuring steps over a 400-m walk. Med Sci Sports Exerc , 2003, 35(10): 1779-1784.

[15] Swartz AM, Bassett DR, Moore JB, et al. Effects of body mass index on the accuracy of an electronic pedometer. Int J Sports Med, 2003, 24(8) :588-592.

[16] Welk GJ, Differding JA, Thompson RW, et al. The utility of the Digi-walker step counter to assess daily physical activity patterns.Med Sci Sports Exerc , 2000, 32 (9 Suppl): S481-488.

[17] Martin Bland J, Altman D G. Statistical methods for assessing agreement between two methods of clinical measurement .The Lancet, 1986, 327(8476): 307-310.

[18] Bassett Jr DR, Ainsworth BE, Leggett SR, et al. Accuracy of five electronic pedometers for measuring distance walked.Med Sci Sports Exerc, 1996, 28( 8) : 1071-1077.

[19] Bassett DR. Validity and reliability issue in objective monitoring of physical activity. Res Q Exercise Sport, 2000,71(1) : 30-36.

[20] Tudor -Locke C, Williams JE, Reis JP, et al. Utility of pedometers for assessing physical activity. Sports Med, 2004,34(5): 281-291.

[21] Cyarto EV, Myers A, Tudor-Locke C. Pedometer accuracy in nursing home and community-dwelling older adults. Med Sci Sports Exerc, 2004, 36(2): 205-209.

[22] Wu W, Dasgupta S, Ramirez EE, et al. Classification accuracies of physical activities using smartphone motion sensors . JMIR, 2012, 14(5): e130.

[23] 李镒冲，李晓松. 两种测量方法测量结果的一致性评价. 现代预防医学, 20073, 34(17): 3263-3269.

[24] Lee J, Koh D, Ong CN. Statistical evaluation of agreement between two methods for measuring a quantitative variable.Comput Biol Med,1989, 19(1): 61-70.

[25] 时岳, 喻纯, 史元春. 基于旋转模式的移动设备佩戴位置识别方法. 软件学报, 2013, 24（8）: 1898-1908.