加速度计测量体力活动的算法研究进展

范江江，陈庆果



·运动人体科学·

加速度计测量体力活动的算法研究进展

范江江，陈庆果

近年来，由于加速度传感器设备、算法体系的快速发展，它被广泛应用在体力活动（Physical activity PA）研究中，以感应、记录、存储机体活动原始数据信号，采用不同算法处理数据信号进而评估机体的能量消耗。为了客观准确评价体力活动能量消耗（physical activity energyexpenditure PAEE），对原始数据信号进行滤波处理、改变counts值切点、回归分析以及动作识别等不同方法计算PAEE监测体力活动。结合多种分析方法处理counts值，促进了体力活动研究的发展，欲更准确评价PAEE需要从多个独立的分析方法向多种方法的协同分析转变。采用文献资料法，对加速度传感器的发展和不同的算法进行比较综述，以期为后续的研究提供参考。

加速度传感器；PAEE；算法；活动识别；进展

随着社会的发展科技的进步，机械化程度的迅速增加，极大的方便了人们的日常生活，与体力活动（PA）相关的日常活动明显减少。1992年，体力活动不足被美国心脏协会（American Heart Association）列为心脏病的第4大可改变危险因子；2002年，体力活动不足被WHO列为发达国家人口死亡的十大原因之一，每年由于体力活动缺乏而死亡的人数大概为190万［1］。有规律适宜的体力活动，能够降低Ⅱ型糖尿病、心血管疾病以及骨质疏松等慢性疾病的发病率，能够降低成年人的早期死亡率20%-30%［2-3］，适量的体力活动能够促进儿童的生长发育，维持能量代谢平衡，还有利于儿童的心理健康［4］，减缓老年人生理机能的衰退，对心理健康等方面也有不可取代的作用［5］。为了客观准确测评体力活动能量消耗，指导科学健身，需要科学、有效、精确的体力活动测量方法。目前在众多体力活动的测量方法中，加速度计的测量结果表现出客观、准确、实用、可靠等诸多优势，被广泛使用在流行病学、运动干预、体力活动研究和人们日常健康管理中。

1980s基于重力感应设备的PA监测器首次应用在体育科研中［6］，1 990s加速度传感器的种类和数量快速增长［7］。早期，虽然加速度传感器在PA研究中广泛使用，但存在测量技术的局限性、仪器成本高昂、信效度检验困难等问题，至2 000s加速度传感器的使用（例如能量消耗预测方程推算、体力活动水平分类、信效度研究等）也存在众多争议［8］。以IDEEA为代表的五轴加速度计，还有在实验室条件下将气压计和三轴加速度计结合使用，可以精确测量身体重心的变化［9］。加速度传感器由单轴发展到多轴及加速度传感器和其他设备的联合使用，促进了加速度传感器的发展，加速度传感器小巧轻携及其强大的存储能力，可准确采集自由活动者数天的数据，引起了广大PA研究者浓烈的兴趣，所以使用加速度传感器测量体力活动的研究快速增长。

1　加速度传感器硬件设备的发展

随着电子技术的发展，加速度传感器和其它微电子技术有了很大进步，加速度传感器的内存迅速扩大而成本降低，采样频率也增加到了100Hz，下载速度有了很大的提高（7天采集的0.5G）［10］。现在便携式加速度传感器具有采样频率高、内存和电池容量大、加速度范围广、体积小、质量轻、能耗低等优点，同时研究人员也可以在开发商特定计算数据的基础上，从原始加速度信号获得更多的信息［11］。随着压敏电阻和电容式加速度传感器技术的日益成熟，通过原始信号的静态双流（直流电或直流信号）可以测出肢体角度推断身体位置［12］。目前的硬件设备可以捕捉、存储和下载大量的原始加速度信号，这些数据对PAEE的计算有积极作用，同时也对数据的处理和后期分析带来了较大困难；研究者和开发人员需要采用其他学科的交叉知识应对数据存储、大数据计算和数据分析的难题。

2　基于count值的算法的研究进展

2.1基于count值的算法体系

Count值是加速度传感器通过内置的特定指标体系选取和计算的数值，是从加速度传感器输出的原始结果被称作counts，它本身不具有真实的物理或生理学意义，各测量仪器count值的计算方式各不相同，比如常见的有加速度信号与坐标轴围成的所有面积和［13］、加速度信号达到某一标准的次数［14］和加速度信号达到某一标准线产生峰值的次数［15］等等，因此count值的意义是根据特定的计算方式得到的。目前研究中常使用加速度信号与坐标轴围成的面积这一指标。

2.2基于count值评估的能耗的方法

加速度传感器产生的海量原始数据不便于计算分析，需先将数据按照一定方式进行集约。基于counts值计算PAEE是目前最常使用的方法，众多研究都是基于counts值来建构计算模型，但原始加速度信号的过滤、修正和conuts的算法选择都不相同，针对同一活动计算数据差异大，各品牌的count数值在300-3000之间［16］，而在此基础上的计算模型区别大，不同类型的加速度计面对同一活动的数据也无法直接比较。

虽然硬件监控技术有很大的进步，但目前的许多研究仍是基于早期的分析方法，如用线性回归预测能量消耗、回归分析等确定不同活动强度的切点。国内外研究人员和学者对基于count值的原始数据和能量消耗的模型进行了较深的研究，采用回归分析的方法对于各运动类型的人群建立了相应的能耗方程［17-18］，由于不同加速度计原始信号选取的指标不同，导致输出的count值也不一致，所以建立的能耗模型各有差异，使同一PA产生了不同活动切点，这些不同的能耗方程和切点给PA研究带来了很大的困难［19-20］，目前采用counts值作为标准输出是限制加速度传感器技术的主要因素，使不同设备采集的数据公开透明，对统计分析模型进行有效性研究和统一校准，可提高对PAEE评价的客观性。

虽然大多数校准后的分析方程评估平均PAEE的效度比较好（正常健康成人和学生），但是对于个人和不同类型活动准确的评估能量消耗存在较大的误差［21］，个人运动能耗较大的测量误差阻碍了加速度计在测量有较高要求 （饮食和体力活动干预）研究中的应用［22］；采用多重、交叉检验的新模型可以提高数据分析的准确度，这种模型需要建立在开放、资源共享的平台上，学术界、开发商、科研部门互相协作寻找处理大量数据和相关传感器（例如陀螺仪、心率表）数据的方式，这些系统的特点是对原始信号数据使用完全透明可定制化的分析方式处理。对原始数据信号分析方法的有效性研究，将会建立更准确、客观的分析模型。

在数据分析时，发现体力活动的特征决定回归模型的斜率和截距的变化，但是单一的回归模型无法满足所有的活动类型，因此用运动强度（活动计数）代表能量消耗这样的输出结果是不准确的，并且，系统无法识别不涉及全身的身体活动和身体重心变化不明显的运动（自行车运动），会导致或高或低的能耗估计误差，所以这种算法的开发应该考虑到机体质心对不同运动强度能耗的影响［23］。毫不奇怪，关于使用哪种加速度传感器、佩戴的位置、如何计算原始数据都存在很大的争论。现在的技术进步需要建立在过去经验的基础上，利用原始加速度信号数据的潜在优势，用新方法分析高分辨率的数据，能够促进设备和算法的发展及体力活动的研究。

目前的难题是如何把加速度信号准确的转化为数值，客观的测评不同类型的PAEE，原始数据的分析模型和统计算法仍在不断发展中，研究人员和软件开发商在继续检验和优化多维算法；科研人员也设想用大数据的分析方法来分析原始数据信号，这些难题的解决需要交叉学科的知识和新研究方法的综合使用。

近年来研究者对高分辨率、海量原始加速度信号的捕获、存储和传输以及建立恰当的能耗计算模型进行了深入的研究，对PAEE的研究最显著的变化是，从传统的基于counts值的回归分析方法向动作识别的方法转变，并对以人工神经网络系统（Artificial neutral network）为代表的机械识别方式有了更深的研究，建立了更复杂的统计分析模型［24］。在建立能耗模型的过程中，研究人员发现PAEE不是唯一的结果变量，还可以提取与PAEE相关的原始信号数据。由于这些技术的发展，加速度传感器广泛使用在体质监测组群研究中，研究者对海量数据进行特异化处理，促进了加速度传感器信号处理技术和算法体系的发展。

3　基于活动识别的能耗评估方法

3.1运动方式识别的原理

运动方式识别是指在仅有运动数据的条件下，通过对数据进行科学的分析，获知体育运动类型的方式［25］。目前，人们经常使用视频技术和便携式设备技术进行人体运动姿态识别。基于视频技术的动作识别方式是从视频序列中提取能够反映人体动作的信息（如：模型参数、形状信息、运动信息以及方向信息等）进行人体动作匹配、判断当前体运动的类别并进行分类；基于便携式设备技术的动作识别是先使用各种传感器采集人体在运动过程中产生的数据，经预处理采集到的数据、提取出特征项，最后使用分类器分类和识别人体当前的运动姿态［26，28-29］。分类器的原理分为基于模板和运动状态转移两种方式，基于模板的分类方法一般会预先定义人体动作的模板（2D/3D均可），然后通过比较从视频序列中建立的人体动作表示信息与人体动作模板之间的相似度，选择距离测试样本最近的模板所代表的动作类别作为最终分类结果；基于状态转移的分类方法一般将每个静态的人体动作或姿势作为一个状态节点，随着人体的运动，这些状态节点通过时间关系可以联合起来表示一个完整的人体动作和行为。这种方法特别适用于复杂的人体动作识别中。便携式设备进行动作识别的原理是单片机控制传感器采集人体当前运动姿态的数据，并将采集到的数据直接存储到微控制器自带的内存中，然后通过系统协议将数据上传到上位机进行数据预处理，进行基于时域、频域方法的数据分析［27］。

最近几年，伴随人机交互等技术的快速发展，在竞技体育、康复治疗、体感游戏等各个方面，人体运动动作识别技术得到了普遍应用。目前在动作识别方面人们普遍认可的有固定阈值和基于参考模式的分类方法，前者是通过相关动作的阈值区分人体活动状态，此类阈值是经过多次反复试验得出的；后者是根据活动时的样本与模板样本的相关程度来区别人体活动状态［28］。人体日常活动的识别和运动能耗对指导运动健身有着很大的意义，这种动作的识别和运动能耗的检测可以通过间接或直接的方法监测，随着各种算法和硬件手段的提高，直接监测成了大家更为关注的方法。例如Kiani等［29］提出了应用模糊控制、神经网络或者统计学等算法进行活动类型的识别和运动能耗的检测，神经网络，应用于人体的活动类型识别，可以准确区分人体的日常活动类型，但是它的算法都需要在系统的MCU上实现，复杂度较高的算法（小波分析）在MCU上实现的难度较大。

3.2根据加速度特征值识别运动方式的能耗

新算法体系的开发是基于识别身体活动表现出的信号特征，确定预先定义组或群体活动类型，根据某种活动方式使用各自特定类型的算法模型，测评身体活动能量消耗［30-34］。这些新算法体系的发展促进了与其它使用加速度信号特征预测能量消耗的机械识别方式的发展［35］，例如使用加速度数据信号特征确定METs和身体活动类型的人工神经网络系统的发展［30-36］，然而这些方法也受限于以计数为基础的估算方法，它们不能解释说明在不同的活动中加速度特征值和能量消耗之间的特殊关联性［37］。最常用的身体活动识别方式如下：

1）用METs量表确定活动类型的能量消耗：根据大量本研究确定的《体力活动纲要》中每个组群的身体活动所对应的METs量表［38-39］，首先通过信号识别确定身体活动类型，再根据量表确定METs值进而计算能量消耗［40］，文献［41］引入人体形态指标（BMI）和其他静态指标（安静时的心率）确定不同个体动作识别模型，提高了能量消耗评价的准确性。

2）用加速度特征值估算能量消耗：为每种特定类型的活动方式建立回归方程［33］；同时也把基于counts值进行能耗评估的方法应用到多组群中建立回归模型；使用加速度计的特征变量和人体测量特征作为独立的变量建立回归模型［35］，这些方法的使用促进了PAEE测量的准确性。

Bonomi等［34］研究发现基于MET look up的方法评估活动的能量消耗明显优于使用单个加速度计counts值的方法。F. Albinali［32］等建立了加速度计估算日常活动中安静状态下的能量消耗评价方法的模型［38］，引入安静时的心率，METs量表评估能量消耗比基于counts值的方法评估能耗准确性高了15%。研究者也建议结合两种方式评测能量消耗，METs量表评估静态时能耗，加速度计counts值评估运动类活动，两种方法的联合使用评估能量消耗准确性更高。

3.3加速度特征值的影响因素

身体不同部位的加速度counts的可比性和准确性对PA研究产生了很大影响。例如，来自臀部和手腕的单轴加速度记录的counts和PAEE的相关性较低［42］，但是最近的一些研究表明利用三轴加速度计counts缩小了手腕和臀部数据的差距［43-44］，并且能区分久坐行为、家务、散步、跑等不同类型的活动［45］。从2003年起，美国将Actigraph加速度传感器用在美国国家营养和健康调查（NHANES）中监测PAEE，NHANES中的评价系统首次选择非优势手评定睡眠质量及对腕部设备效度进行研究［46］，但是手腕部并没有被认为是PA研究的标准部位。因此，早期的腕部加速度计校准研究没有确定左手或右手腕（主导或非惯用）对体力活动监测［37-39］，所以，选用优势或非优势手监测PAEE仍是一个有待验证的问题，很多研究者在PA领域用机械识别、统计学方法开始探索腕部加速度信号的转换公式并进行体力活动方式分类。为了更准确地对运动能耗进行监测，可以根据受试者特征、运动项目活动类型等因素来选择最合理的采样间隔、佩戴的时间及位置。

4　发展趋势

本文对相关的加速度传感器的算法进行了综述，通过大量研究证明，对原始加速度信号的处理方法达成共识将有利于PAEE的监测，促进PA领域的发展。不同设备的结果不能直接比较因此存在很多不同的算法，加强对原始加速度数据捕获的研究，有希望对来自同一研究的不同设备的counts值进行直接比较，促进特定设备的counts值切点研究，提高PAEE监测的透明性、客观性、准确性。注重对网络程序、数据校准研究或其他数据收集的标准化处理、选择机械识别潜在的信号特征的方法和算法体系的开发，将有利于加快加速度计算法的发展。

在硬件方面，对于运动中的能量消耗能够通过显示屏幕，告知携带者当前运动的累计时间、距离、速度和卡路里数值，并能检测位置信息和运动步伐，提供高精度的速度与距离数据，可以实时监测各种状态下的PAEE，反馈当前运动信息，指导科学运动健身。加速度传感器将逐步用来监测个人和组群的PA模式，最终，促进仪器设备测量与健康相关的运动指导方针的发展，能够较易的对日常PA的推荐量进行有效的追踪和控制，因此用户对加速度信号的分析提出了更高要求，所以需要通过协同一致的方法分析加速度数据，这样彼此间的数据才具有直接比较性。

［1］Durstine J L，Gordon B，Wang Z，et al.Chronic disease and the link to physical activity［J］.Journal of Sport and Health Science，2013（1）.

［2］White J，Jago R.Fat distribution，physical activity and cardiovascular risk among adolescent girls［J］.Nutrition，Metabolism and Cardiovascular Diseases，2013，23（3）:189-195

［3］Lau XC，Chong KH，Poh BK，et al.Chapter Tw。Physical Activity，Fitness and the Energy Cost of Activities:Implications for Obesity in Children and Adolescents in the Tropics［M］//JEYAKUMAR H.Advances in Food and Nutrition Research；Academic Press.2013:49-101

［4］Foy CG，Vitolins MZ，Case LD，et al.Incorporating prosocial behavior to promote physical activity in older adults:Rationale and design of the Program for Active Aging and CommunityEngagement （PACE）［J］.Contemporary Clinical Trials，2013，36（1）:284-297.

［5］Cheng S-J，Yu H-K，Chen Y-C，et al.Physical Activity and Risk of Cardiovascular Disease Among Older Adults［J］.International Journal of Gerontology，2013，7（3）:133-136

［6］Montoye H J，Washburn R，Servais S，et al.Estimation of energy expenditure by a portable accelerometer［J］.Medicine and Science in Sports and Exercise，1982，15（5）:403-407.

［7］Chen K Y，Bassett D R.The technology of accelerometry-based activity monitors:current and future［J］.Medicine and science in sports and exercise，2005，37（11）:S490.

［8］Troiano R P.A timely meeting:objective measurement of physical activity［J］.Medicine and Science in Sports and Exercise，2005，37 （11）:S487.

［9］陆姣姣，邱俊.加速度计在能量消耗预测中的应用研究综述［J］.南京体育学院学报:自然科学版，2014（4）.

［10］Troiano R P，McClain J J，Brychta R J，et al.Evolution of accelerometer methods for physical activity research［J］.British journal of sports medicine，2014:bjsports-2014-093546.

［11］Chen K Y，Janz K F，Zhu W，et al.Re-defining the roles of sensors in objective physical activity monitoring［J］.Medicine and science in sports and exercise，2012，44:S13.-23

［12］Rowlands A V，Olds T S，Hillsdon M，et al.Assessing sedentary behavior with the GENEActiv:introducing the sedentary sphere ［D］.Lippincott Williams&Wilkins，2013.

［13］Kiani K，Snijders C J，Gelsema E S.Computerized analysis of daily life motor activity for ambulatory monitoring［J］.Technology and Health Care，1997（4）.

［14］Heinz E A，Kunze K S，Sulistyo S，et al.Experimental evaluation of variations in primary features used for accelerometric context recognition［M］//Ambient Intelligence.Springer Berlin Heidelberg，2003.

［15］Van Laerhoven 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）.

［16］De Craemer M，De Decker E，Santos-Lozano A，et al.Validity of the Omron pedometer and the actigraph step count function in preschoolers［J］.Journal of Science and Medicine in Sport，2015 （3）.

［17］汤强，盛蕾，朱卫红.体力活动研究中加速度计的应用［J］.体育科学，2009（1）.

［18］戴剑松，孙 飙.体力活动测量方法综述［J］.体育科学，2005（9）.

［19］Matthew C E.Calibration of accelerometer output for adults［J］. Medicine and science in sports and exercise，2005（37）.

［20］Rothney M P，Schaefer E V，Neumann M M，et al.Validity of physical activity intensity predictions by ActiGraph，Actical，and RT3 accelerometers［J］.Obesity，2008（8）.

［21］Plasqui G，Bonomi A G，Westerterp K R.Daily physical activity assessment with accelerometers:new insights and validation studies ［J］.Obesity Reviews，2013（6）. Munguia Tapia E.Using machine learning for real-time activity recognition and estimation of energy expenditure［D］.Massachusetts Institute of Technology，2008.

［22］Welk G J.Principles of design and analyses for the calibration of accelerometry-based activity monitors［J］.Medicine and science in sports and exercise，2005，37（11 Suppl）:S501-11.

［23］Crouter S E，Kuffel E，Haas J D，et al.A refined 2-regression model for the ActiGraph accelerometer［J］.Medicine and science in sports and exercise，2010（5）.

［24］Liu S，Gao R，Freedson P.Computational methods for estimating energy expenditure in human physical activities［J］.Medicine and science in sports and exercise，2012（11）.

［25］王兆其，张勇东，夏时洪.体育训练三维人体运动模拟与视频分析系统［J］.计算机研究与发展，2015（2）.

［26］张昕阳.运动方式识别和能量消耗模型的研究［D］.上海:华东师范大学，2015.

［27］黄仁，田丰，田维兴.基于加速度传感器的运动模式识别［J］. Computer Engineering And Applications，2015（6）.

［28］苏婷.传感器信息集成在人体运动姿态捕获与识别中的应用［D］.哈尔滨:哈尔滨理工大学，2015.

［29］Kiani K，Snijders C J，Gelsema E S.Computerized analysis of daily life motor activity for ambulatory monitoring［J］.Technology and health care:official journal of the European Society for Engineering and Medicine，1997，5（4）:307-318.

［30］Altini M，Penders J，Amft O.Energy expenditure estimation using wearable sensors:a new methodology for activity-specific models ［C］//Proceedings of the conference on Wireless Health.ACM，2012:1.

［31］Albinali F，Intille S，Haskell W，et al.Using wearable activity type detection to improve physical activity energy expenditure estimation ［C］//Proceedings of the 12th ACM international conference on U-biquitous computing.ACM，2010.

［32］Tapia E M.Using machine learning for real-time activity recognition and estimation of energy expenditure［D］.Massachusetts Institute of Technology，2008.

［33］Bonomi A G，Plasqui G，Goris A H C，et al.Improving assessment of daily energy expenditure by identifying types of physical activity with a single accelerometer［J］.Journal of Applied Physiology，2009 （3）.

［34］Hees V T，Lummel R C，Westerterp K R.Estimating Activity-related Energy Expenditure Under Sedentary Conditions Using a Triaxial Seismic Accelerometer［J］.Obesity，2009（6）.

［35］Freedson P S，Lyden K，Kozey-Keadle S，et al.Evaluation of artificial neural network algorithms for predicting METs and activity type from accelerometer data:validation on an independent sample ［J］.Journal of Applied Physiology，2011（6）.

［36］Rothney M P，Neumann M，Béziat A，et al.An artificial neural network model of energy expenditure using nonintegrated accelerationsignals［J］.Journal of applied physiology，2007（4）.

［37］Bonomi A G，Plasqui G.“Divide and conquer”:assessing energy expenditure following physical activity type classification［J］.Journal of applied physiology，2012（5）.

［38］Ainsworth B E，Haskell W L，Whitt M C，et al.Compendium of physical activities:an update of activity codes and MET intensities ［J］.Medicine and science in sports and exercise，2000，32（9；SUPP/1）:S498-S504.

［39］Ainsworth B E，Haskell W L，Whitt M C，et al.Compendium of physical activities:an update of activity codes and MET intensities ［J］.Medicine and science in sports and exercise，2000，32（9；SUPP/1）:S498-S504.

［40］Bonomi A G，Plasqui G，Goris A H C，et al.Improving assessment of daily energy expenditure by identifying types of physical activity with a single accelerometer［J］.Journal of Applied Physiology，2009 （3）.

［41］IARC Working Group on the Evaluation of Carcinogenic Risks to Humans，World Health Organization，International Agency for Research on Cancer.Non-ionizing Radiation:Static and extremely low-frequency（ELF）electric and magnetic fields［M］.World Health Organization，2002.

［42］Swartz A M，Strath S J，Bassett D R，et al.Estimation of energy expenditure using CSA accelerometers at hip and wrist sites［J］. Medicine and Science in Sports and Exercise，2000，32（9；SUPP/ 1）:S450-S456.

［43］Phillips L R S，Parfitt G，Rowlands A V.Calibration of the GENEA accelerometer for assessment of physical activity intensity in children［J］.Journal of Science and Medicine in Sport，2013（2）.

［44］Esliger D W，Rowlands A V，Hurst T L，et al.Validation of the GENEA Accelerometer［J］.2011.

［45］Zhang S，Rowlands A V，Murray P，et al.Physical activity classification using the GENEA wrist-worn accelerometer［D］.Lippincott Williams and Wilkins，2012.

［46］Pate R R，Pratt M，Blair S N，et al.Physical activity and public health:a recommendation from the Centers for Disease Control and Prevention and the American College of Sports Medicine［J］.Jama，1995（5）.

Study of the Calculating Methods on Physical Activities with Acceleration

FAN Jiangjiang，CHEN Qingguo

With the development of acceleration sensory and the calculation methods，the researchers widely apply these new means to the study of physical activities.The energy expenditure of physical activity is evaluated by the original data signals，which primarily is reacted，recorded and stored by the equipment，and then handled according to the different calculation methods.In order to get the objective and accurate result of the energy expenditure of physical activity，many kinds of methods such as signal filtering processing，changes the value of count point-cut，regression analysis，action recognition of translation，are all conducted.The development of research on physical activity is based on a lot of ways to deal with the counts.Moreover，the ways of analysis must be changed from the unconnected condition to the integration，which is good for evaluating the APPE exactly.The paper depicts the development of the acceleration sensor and makes a comparison on the different calculating methods，which provides a reference for the follow-up research.

accelerometer；PAEE；logistics；activity-specific；evolution

G80-05

A

1003-983X（2016）07-0595-04

2016-05-13

范江江（1991-），男，甘肃庄浪人，在读硕士，研究方向：体力活动测量与评价.

四川师范大学体育学院，四川成都610068 Physical Education College，Sichuan Normal University，Chengdu Sichuan，610068