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

陈庆果，袁 川，陈恩格，范江江



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

陈庆果，袁 川，陈恩格，范江江

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ActiGraph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，50名受测者佩戴2部红米NOTE2、1部三星NOTE3和1个ActiGraph-GT3X完成4类10项活动，每项活动5 min，加上间歇时间全程约65 min，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NOTE2手机共4天(2个工作日+2个休息日)，分析两类设备测量每日各类强度活动时间的一致性。结果：研究1中，智能手机与ActiGraph VM高度相关(ρ=0.87～0.92)；红米NOTE2(荷包)、三星NOTE3(腰部)和红米NOTE2(腰部)之间的相关系数分别为0.942和0.989；以ActiGraph为校标，三星NOTE3(腰部)、红米NOTE2(荷包)和红米NOTE2(腰部)的RMSA分别为: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、MPA和LPA时间上，ActiGraph和手机的相关系数分别为 0.819，0.762和0.669。Bland-Altman图显示，VPA的平均差为-2.8 min/天,MPA为-5.2 min/天、LPA为22.5 min/天。结论： 在VM以及每日LPA、MPA与VPA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ActiGraph的补充应用于体力活动干预和运动健身实践中。

体力活动;加速度传感器;智能手机;测量

1 前言

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[14]。加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[18]在实验室环境下采用双标水法评估GT3X(ActiGraph新一代产品)的准确性，其r2高达0.88，而间接测热法的结果也表明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[35]；在儿童群体[13,16]和老年群体[20]中的应用同样获得认可。因此，该设备已在北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域[9,10]。而在国内，王军利等[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ActiGrph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[40]，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[26，32]，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COUNT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[10]，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“ActiGraph”)的COUNT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一致性，以期为相关后续研究提供基础与依据。

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+2个工作日)携带1个红米NOTE2手机和1个ActiGraph。

2.1 研究1：实验室测试

2.1.1 测试对象

受试者为50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NOTE2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置于受试者左侧荷包处；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NOTE3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MATLAB软件和SPSS软件进行后期处理。

使用美国产ActiGraph加速度计同步监测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ActiGraph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Actilife 6.0软件中进行。

表 1 研究1受试者人体测量特征Table 1 The Anthropometry Characteristics of Participant (n=50)

表 2 本研究手机内置加速度传感器技术参数Table 2 Parameters of Built in Acceleration Sensor from Smart Phone

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VIVENTE-GOLD体成分仪测量体脂率。

正式测试时受试者需依次完成4类10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)，每项活动时间为5 min，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 min的数据进行分析[12]，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 m×1.0 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Ergometer 900,功率为：男性，受试者体重×0.980；女性，受试者体重×0.784[30]。

图 1 静止类、生活方式类、骑行类测试项目测试场地示意图Figure 1. the Test Scenarios of First Three Categories

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。

图 2 走跑类项目测试场地图Figure 2. the Test Scenarios of Walking and Jogging

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，ActiGraph与智能手机在VM数值上有较大差异，不适宜采用ICC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:0～0.19为微弱相关、0.2～0.39低度相关、0.4～0.59中度相关、0.6～0.79为显著相关和0.8～1.0为高度相关[23]。本研究中智能手机与ActiGraph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ActiGraph的矢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<0.05，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

受试者为26名在校大学生(男生13名，女生13名)，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

年龄(岁)身高(cm)体重(kg)男性22．6±1．8175．3±7．767．5±7．5女性22．1±2．7164．7±3．051．4±3．8

2.2.2 测试方案

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NOTE2智能手机，连续佩戴4天(2个工作日+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

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60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。

采用MATLAB 7.0对手机数据计算合成每分钟COUNT数值，采用Actlife 6.0将ActiGraph测得的原始数据转换为以“1 min”为采样时间的数据，利用手机强度界值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SPSS 22.0中的斯皮尔曼相关来分析手机和ActiGraph测量的各类强度活动总时间一致性，使用Bland-Altman法比较每日中手机测量和ActiGraph测量之间的差异。

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合成

智能手机信号处理包括滤波、修正和数据合成3个环节。

1.滤波

滤波(Wave filtering)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，是抑制和防止干扰的一项重要措施。首先，采用傅立叶转换(FFT)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0.2～10 Hz，参考孙泊等[3]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。

图 3 智能手机内置加速度传感器运动频谱分析图Figure 3. Spectrum Analysis on Movement Signal of Built-in Acceleration Sensor

2.数据的修正

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[31],公式为：Xt′=Xt-Xt-5-t，处理前、后对比见图4。

图 4 加速度信号去趋势前、后对比图Figure 4. Before after Comparison on Detrendency of Acceleration Signal

3.数据的合成

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)：

3.1.2 各设备测量活动的矢量计数的相关性分析

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；而红米NOTE2(腰部)和三星NOTE3(腰部)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个智能手机之间存在着高度相关(ρ=0.872～0.927);红米NOTE2(荷包)、三星NOTE3(腰部)和红米NOTE2(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 Descriptive Statistics of Movement VM

表 5 各设备测量的矢量计数值相关性Table 5 Correlations of Raw ActiGraph and Raw Phone

注：*代表高度显著性水平。

3.1.3 以ActiGraph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NOTE3(腰部)、红米NOTE2(荷包)、红米NOTE2(腰部)与ActiGraph的回归方程，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50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，RMSE分别为470.2、700.4和506.9(图5)，ActiGraph VM的预测准确性中三星NOTE3(腰部)最高，其次是红米NOTE2(腰部)和红米NOTE2(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。

图 5 不同智能手机预测ActiGraph的 矢量计数值准确性比较(实验室测试)柱状图Figure 5. Comparison of Predictive Accuracy of Different Smart Phone

在留一法交叉验证构建的回归模型中，非标准化回归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ActiGraph的强度界值(小强度为2 505，大强度为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3METs、6METs的分类标准，依据2010版体力活动能量消耗编码表中的MET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(荷包)手机外，其他两部手机的归类准确性为0%,但同时ActiGraph的归类准确性也为0%。在扫地活动上，ActiGraph准确率高出3部手机30.3%～37.3%，但整体的准确率较低。而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90%(表7)。

表 6 智能手机回归模型及各强度切点值Table 6 Regression Equations and Cut-points for Each Intensity Level of Physical Activity

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。

表 7 各设备对活动强度分类的正确率Table 7 Correct Classification of Activity Intensity Level for Each Device(%)

3.2 日常生活测试结果

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ActiGraph结果之间高度相关(VPA：ρ=0.819,P=0.000;MPA：)，在中等强度和小强度上，两者之间显著相关(ρ=0.762,P=0.000；LPA：ρ=0.665,P=0.000)。

表 8 各强度等级活动时间上ActiGraph与红米NOTE2(荷包)的相关性(日常生活)Table 8 Spearman Correlations between ActiGraph and HongMi Smart Phone(pocket) on the Minutes of Each Intensity Level

图 6 每天大强度体力活动时间一致性评价的 Bland-Altman图(ActiGraph和智能手机)Figure 6. Bland-Altman Plot Comparing Estimated Minutes of VPA Per day between the Phone and ActiGraph(free-living study)

图 7 每天中等强度体力活动时间一致性评价的 Bland-Altman图(ActiGraph和智能手机)Figure 7. Bland-Altman Plot Comparing Estimated Minutes of MPA Per day between the Phone and ActiGraph(free-living study)

图 8 每天小强度体力活动时间一致性评价的 Bland-Altman图(ActiGraph和智能手机)Figure 8. Bland-Altman Plot Comparing Estimated Minutes of LPA Per day between the Phone and ActiGraph(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COUNT，而不是3轴加速度计中某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[38]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，Powell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NOTE2、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ActiGraph的体力活动强度分类以及能耗计算模型等同样适用于智能手机，并且能够获取相似的测量结果；目前，ActiGraph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NOTE3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[21、29]，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-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，而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[37]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[39]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 Hz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60 Hz。一般来说，人体躯干的运动信息采集不低于30 Hz,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[24]。

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60 Hz),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，与运动无关的噪音(例如温度漂移、驾驶机动车干扰等)难以有效去除，而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[34]，本研究根据FFT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”[7，22]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

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[14]；2)单位时间加速度信号峰值[36]；3)单位时间加速度积分值[19]，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，不同品牌能耗仪纳入计算的运动轴也不同，有的只采用ACZ的数据合成COUNT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[25]，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ActiGraph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B-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ActiGraph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牌的评测，并在此基础上进一步建构基于智能手机COUNT值的能耗模型。

[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(10):76-79.

[2]明鑫,王斌.手机运动软件与 K4b2 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.

[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]向剑锋,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.

[6]AINSWORTH B,EHASKELL W L,HERRMANN S D.Compendium of phsycial actcvity[EB/OB].[2016-4-5].http://sites.google.com/site/compendiumofphysicalactivities.

[7]BRAGE S,WEDDERKOPP N,FRANKS P W,etal.Reexamination of validity and reliability of the CSA monitor in walking and running[J].Med Sci Sports Exe,2003,35(8):1447-1454.

[8]BUMAN M P,HEKLER E B,HASKELL W L,etal.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 assessment of physical activity in active,healthy older adults[J].Aging Phys Act,2009,17(1):17-30.

[10]CRAEMER M,DE DECKER E,SANTOS-LOZANO A,etal.Validity of the Omron pedometer and the actiraph step count function in preschoolers[J].J Sci Med Sport,2015,18(3):289-293.

[11]FREEDSON P,BOWLES H R,TROIANO R,etal.Assessment of physical activity using wearable monitors:recommendations for monitor calibration and use in the field[J].Med Sci Sports Exe,2012,44(1):1-4.

[12]FREEDSON P S,MELANSON E,SIRARD J.Calibration of the computer science and applications,Inc.accelerometer[J].Med Sci Sports Exe,1998,30(5):777-781.

[13]HANGGI J M,PHILLIPS L R S,ROWLANDS A V.Validation of the ACTIGRAPH in children and comparison with the GT1M ActiGraph[J].J Sci Med Sport,2013,16(1):40-44.

[14]HEINZ E A,KUNZE K S,SULISTVO S,etal.Experimental Evaluation of Variations in Primary Features Used for Accelerometric Context Recognition[M].Ambient Intelligence.Springer Berlin Heidelberg,2003:252-263.

[15]HEKLER E B,KLASNIJA P,TRAVER V,etal.Realizing effective behavioral management of health:The metamorphosis of behavioral science methods[J].Pulse,IEEE,2013,4(5):29-34.

[16]JANSSEN X,CLIFF D P,REILLY J J,etal.Predictive validity and classification accuracy of ActiGraph energy expenditure equations and cut-points in young children[J].PloS one,2013,8(11):e79124.

[17]JONES S L,WOOD K,THOMPSON R,etal.Effect of monitor placement on output from three different accelerometers[J].Med Sci Sports Exe,1999,31(5):S142.

[18]KELLY L A,MCMILLAN D G E,ANDERSON A,etal.Validity of actigraphs uniaxial and triaxial accelerometers for assessment of physical activity in adults in laboratory conditions[J].BMC Medical Physics,2013,13(1):5.DOI:10.1186/1756-6649-13-5..

[19]KIANI K,SNIJDERA C J,GELSEMA E S.Computerized analysis of daily life motor activity for ambulatory monitoring[J].Technol Health Care,1997,5(4):307-318.

[20]KOCHERSBERGER G,MCCONNELL E,KUCHIBHATLA M N,etal.The reliability,validity,and stability of a measure of physical activity in the elderly[J].Arch Phys Med Rehab,1996,77(8):793-795.

[21]LAU S L,DAVID K.Movement recognition using the accelerometer in smartphones[C]//Future Network and Mobile Summit,2010,IEEE,2010:1-9.

[22]LEVINE J A,BAUKOL P A,WESTERP K P.Validation of the Tracmor triaxial accelerometer system for walking[J].Med Sci Sports Exe,2001,33(9):1593-1597.

[23]MARTELLA R C,NELSON J R,MORGAN R L,etal.Understanding and Interpreting Educational Research[M].Guilford Press,2013:166.

[24]MATHIE M J,COSTER A C F,LOVELL N H,etal.Accelerometry:providing an integrated,practical method for long-term,ambulatory monitoring of human movement[J].Physiolo Meas,2004,25(2):R1.

[25]MIDORIKAWA T,TANAKA S,KANEKO K,etal.Evaluation of low-intensity physical activity by triaxial accelerometry[J].Obesity,2007,15(12):3031-3038.

[26]MORILLO L M S,GONZALEZ-ABRIL L,RAMIREZ J A O,etal.Low energy physical activity recognition system on smartphones[J].Sensors,2015,15(3):5163-5196.

[27]PHYSICAL ACTIVITY GUIDELINES ADVISORY COMMITTEE.Physical activity guidelines advisory committee report,2008[R].Washington,DC:US Department of Health and Human Services,2008:A1-H14.

[28]RAVI N,DANDEKAR N,MYSORE P,etal.Activity recognition from accelerometer data[C]//AAAI,2005: 1541-1546.

[29]SAPONAS T,LESTER J,FROEHLICH J,etal.ilearn on the iphone:Real-time human activity classification on commodity mobile phones[J].University of Washington CSE Tech Report UW-CSE-08-04-02,2008:1-4.

[30]SCJNELLER M B,PEDERSEN M T,GUPTA N,etal.Validation of five minimally obstructive methods to estimate physical activity energy expenditure in young adults in semi-standardized settings[J].Sensors,2015,15(3),6133-6151.

[31]]SEKINE M,TAMURA T.etal.Classification of acceleration waveform in a continuous walking record[A].Engineering in Medicine and Biology Society,In 20th Annual,1998,3:1523-1526.

[32]SHOAIB M,BOSCH S,LNCEL O D,etal.Fusion of smartphone motion sensors for physical activity recognition[J].Sensors,2014,14(6):10146-10176.

[33]SWARTZ A M,STRATH S J,BASSETT D R,etal.Estimation of energy expenditure using CSA accelerometers at hip and wrist sites[J].Med Sci Sports Exe,2000,32(Suppl):450-456.

[34]UITERWAAL M,GLERUM E B C,BUSSER H J,etal.Ambulatory monitoring of physical activity in working situations,a validation study[J].J Med Eng Technol,1998,22(4):168-172.

[35]VANHELST J,MILULOVIC J,BUI-XUAN G,etal.Comparison of two ActiGraph accelerometer generations in the assessment of physical activity in free living conditions[J].BMC Res Notes,2012,5(1):187.

[36]VAN L 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):142-149.

[37]VELHO L,FRERY A,GOMES J.Signal Theory[M].Image Processing for Computer Graphics and Vision:London Springer,2009:13-55.

[38]WELK G J.Principles of design and analyses for the calibration of accelerometry-based activity monitors[J].Med Sci Sports Exe,2005,37(11 Suppl):501-511.

[39]WELK G J.Use of accelerometry-based activity monitors to assess physical activity[J].Phys Activi Assessments Health-related Res,2002:125-141.

[40]ZANDBERGEN P A,BARBEAU S J.Positional accuracy of assisted gps data from high-sensitivity gps-enabled mobile phones[J].J Navigation,2011,64(3):381-399.

Assessment of Daily Physical Activity Using Built in Accelerometer of Smart Phone

CHEN Qing-guo,YUAN Chuan,CHEN En-ge,FAN Jiang-jiang

Objective:In order to make a foundation for future work,the purpose 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 its accuracy.Methods:A laboratory(study 1) and a free-living(study 2) protocol were conducted.In study 1,50 participants engaged in prescribed activities including 10 items of 4 categories over a 65-minutes period wearing simultaneously wore two Redmi note2,one Sumsung note3 and ActiGraph-GT3X.Based on raw signal being filtered,modified and synthesized,this research make a analysis on consistency between each devices and their classification accuracy on intensity of physical activity.In Study 2,26 participants wored ActiGraph and Redmi NOTE2 during 4 days(2 days+2 rest days),which its data 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 ActiGraph and the 3 phones were very strong(ρ=0.87～0.92).The correlation coefficient between Redmi(pocket),Sumsung(waist),between Redmi(waist) were Respectively 0.942 and 0.989; Regarded output of ActiGraph as standard,Samsung(waist),Redmi(pocket) and Redmi(waist) of RMSA 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 activity intensity was small.Within the study 2,results suggested on daily time of VPA,MPA and LPA,the correlation coefficient were respectively 0.819.0.762 and 0.669.Results from Bland-Altman plots suggested close mean absolute estimates of VPA(mean difference=-2.8 min),MPA(mean difference=-5.2 min) and VPA(mean difference=-22.5 min).Conclusion:On VM and daily LPA,MPA and VPA time,consistency between phones and ActiGraph was good,which infer that two devices can provide similar information from raw signals,and that phones used in this research can provide an acceptable alternative to an ActiGraph for being applied to intervention for physical activity and research on Epidemiology.

physicalactivity;accelerometer;smartphone;assessment

1002-9826(2016)06-0128-09

10.16470/j.csst.201606020

2016-05-09；

2016-07-27

“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(SYJS2015-09)。

陈庆果(1981-)，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-)，男，湖南株洲人，在读硕士研究生，主要研究方向为体质测量与评价，E-mail：251123523@qq.com。

四川师范大学 体育学院，四川 成都 610066 Sichuan Normal University,Chengdu 610066，China.

G804.6

A