智能手机测量中青年人日常体力活动能量消耗的研究

饶 伟

(浙江警官职业学院，浙江 杭州 310018)

0 前 言

美国运动医学会的年会中，有关体力活动的议题逐年在增多，身体活动的研究成为运动科学领域的焦点[1]。对身体活动测量的准确性显得尤为重要。历史上，研究人员依靠自我报告调查问卷评估身体活动水平，方法受制于实质报告偏差[2]。双标水法和间接热测量法虽然被认为是体力活动测量的金标准和亚标准[3,4]。但是由于测量成本高,又受到经济价格的影响，不适宜推广；加速度计的测量存在佩戴不方便，同时会给测试者带来经济和精神上的压力，不利于长期的监测身体活动[5]。

随着网络时代的到来，智能手机的用户逐年增加。早在2013年全球大约有68亿人使用手机；全球智能手机渗透率是29.5%[6]。同时智能手机内置加速度传感器得到快速发展，用户将它们视为个人和不太干扰的项目，智能手机正成为理想的无所不在的监控设备[6]。目前，国外基于智能手机对体力活动监测研究中，主要是通过电子工程和网络语言来进行对活动类型的识别，但是也有一部分用于体力活动能量消耗的研究，并且研究表明智能手机的监测是可靠的[7-10]。国内外有学者研究智能手机内置加速度传感器与加速度计基于实验室和自由生活的身体活动检测研究中,表明智能手机加速度传感器可以赋予类似的估计[4,11]。然而基于加速度计在体力活动能耗建模已有研究[12],而智能手机的体力活动能耗建模还需进一步研究探讨。因此，研究探讨智能手机内置加速度传感器日常体力活动能耗模型研究很有必要的。

1 研究对象与方法

1.1 研究对象

受试者为44名在校大学生，男女各22人。受试者均无身体疾病或身体不适，也无运动障碍和家族疾病遗传史。试验分为实验组(28人，男女各半)和验证组(16人，男女各半)表1。在测试前一天无大强度体力活动。正式试验前，由工作人员向受试者告知试验测试的详情和注意事项，经同意后在知情同意书上签字。

表1 本研究受试者人体测量特征一览表

1.2 研究方法

1.2.1 仪器设备。手机：选择1部红米N0TE2手机作为测试手机，其内置加速度传感器是型号为ACCELEROMETER的三轴计数器；量程为±2；测量精度为3.90E-3。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的格式保存在手机中。本次测试将其采样频率设为50Hz，将原始数据下载归档，利用SPSS统计软件进行后期处理。

K4b2：K4b2便携式气体代谢分析仪(COSMED，ROME，LTALY)，利用间接测量法原理，通过分析受试者呼吸每一口空气摄入的氧气量和呼出的二氧化碳含量，计算出单位时间的人体能耗。

1.2.2 测试方案。受试者在测试前2天收到测试时间并被告知着装、饮食等相关注意事项；实验组与验证组完成同样的测试。在测试当天先用恒康家业HK-600身高体重仪测量受试者的身高和体重。

在正式测量时,将一个的红米N0TE2手机放在受试者的左荷包处，同时配戴较标好的K4b2同步计数依次完成3类11项活动，活动包括静止类(躺、静坐、原地站立、电脑打字)、生活方式类(整理书桌、扫地)、周期类(慢走2km/h、快走6km/h、跑8km/h、功率自行车70转/分和100转/分。每一项活动的时间是5min，各项活动之间的间隔根据心率恢复情况而定(1～5min)。受试者选择自己喜欢的姿势完成躺、静坐和站立的测试；打字活动是将预设好的纸质文档上的内容转变为电子档，打字的速度自己控制；整理书桌时，受试者需要将70本编好号完全打乱平铺在2.4m×1.0m桌上的书籍按照编号重新归置好；扫地时，工作人员事先将撕碎的纸屑撒在地面上，受试者模拟平时扫地的状态进行清扫，接着在跑台上依次完成2km/h慢跑、6km/h快走和8km/h跑；在功率自行车上依次完成70转/分和100转/分的骑行。

1.2.3 数据处理与统计分析。测试后的K4b2、红米荷包手机内置加速度原始数据，通过在仪器配套的软件内将其原始数据转换为“1min”的采样频率的数据。在实际的统计分析中，取体力活动测试中的2-4min的数据进行分析。

数据通过excel2007软件和SPSS 21.0统计软件进行处理分析。用Pearson相关分析手机内置加速度计的VM值与能耗值(METs)的相关性。以VM、体重、身高、年龄、性别作为自变量，能耗MET作为因变量,通过逐步回归法建立能量消耗方程。通过Bland- Altman法检验实测值与预测值的一致性来检验所建方程的准确性。

以接受者工作特征ROC曲线建立在3METs、6METs的红米荷包手机VM的临界点。运动强度划分依据<3METs为小强度体力活动；≥3METs、<6METs为中等强度体力活动；≥6METs为高强度体力活动。

2 研究结果

2.1 能耗值与红米荷包VM特征分析

通过Pearson相关分析实验组中手机VM值与能耗值(METs)存在显著相关性，相关系数为0.924，P<0.01。在依次完成各项身体活动时，身体能量消耗呈现逐渐的递增，红米荷包测量的VM值也呈现相同的递增趋势。在走、跑活动时，MET值与VM值也是同时达到最大(表2)。通过将实验组的能耗值(METs)与手机(VM)做散点图可见两者存在线性相关，线性系数R2=0.854(图1)。

表2 本研究实验组11项体力活动的能耗和手机计数一览表

图1 本研究实验组手机VM与能耗(METs)的散点图

2.2 手机内置加速度计能耗方程建立

通过图1可知实验组的手机VM与能耗之间存在线性关系,因此本研究以实验组的红米荷包VM值、体重、身高、年龄、性别为自变量，以能量消耗值(METs)为因变量，通过逐步回归分析得到预测方程式：MET=0.015VM+0.027H-0.017BM，得到的方程包括VM、体重和身高三个自变量。其判别系数为0.926，校正后的R2为0.858，SEE为0.98，经F检验 P<0.01，说明自变量与因变量存在线性关系，方程的拟合程度较高(表3)。

表3 本研究所建能量消耗方程一览表

注:BM为体重、H为身高

2.3 预测方程的检验

2.3.1 预测值与实测值不同强度的相关检验。将验证组的数据带入预测方程得到能耗预测值(PAEE)。在大强度和中等强度身体活动能耗测量上，所建方程测量能耗(PAEE)与IC法测量能耗EE有显著相关(VPA：相关系数0.67，P<0.01、MPA：相关系数0.794，P<0.01)。在小强度身体活动能耗测量上，两者之间高度相关(LPA：相关系数0.826，P<0.01)。

表4 各强度等级方程预测能耗与实测能耗的相关性

2.3.2 实测值与预测值Bland-Altman一致性检验。在分析了预测值与实测值在强度等级下的相关性，考虑到日常生活方式的多样，所建方程主要是用于日常生活身体活动的能耗监测，如果只是对单项身体活动进行验证显然是不合理的，为此研究将活动分成不同活动类型进行方程的检验。为进一步加强分析预测方程对能量消耗测量的准确性，本研究使Bland-Altman统计方法分析方程预测值(PAEE)与K4b2的实测值(METs)的一致性。以两组指标的差值作为Y轴，以两组指标的平均值作为X轴，使用实线和两条虚线标记出误差均值和95%的置信区间(X±1.96SD)。

在经过Bland-Altman统计分析后(图2)，可以看出四种活动类型的实测值与预测值95%的残差均落在符合标准的一致性界限(±SD)以内。说明预测值与实测值具有较好的一致性，意味着预测方程对四种类型的活动均有较好的预测力。

图2 本研究所建方程的预测值与K4b2的实测值的Bland-Altman散点

2.3.3 不同性别、体重的VM、预测值、实测值的多元方差分析。表5中可知，不同性别、体重在静止类和走跑类活动是VM不具有差异性，P>0.05，而在日常生活类和骑行类，VM具有显著差异，P<0.01；除走跑类活动外不同体重的预测值都具有显著差异， P<0.01；在静止类和日常生活类，不同体重的实测值具有显著差异，P<0.01；其它两类活动实测值不具有差异显著差异，P>0.05；不同性别的受试者在日常体力活动下的实测值具有显著差异，P<0.01。

表5 性别、体重与不同活动类别的VM、预测值、

2.4 不同运动强度手机VM临界点的建立

本研究通过ROC曲线分析建立手机VM的临界点，3METs和6METs所对应的VM临界点分别为64.49counts/min、177.50counts/min。3METs建立的曲线下面积(AUC)为0.965，其敏感度为0.87,特异性为0.94。6METs建立的曲线下面积(AUC)为0.916，其敏感度为0.88，特异性为0.82(表6)。又如图3所示，两根ROC曲线都很接近图的左上角位置，说明该组的临界值具有很好的诊断价值。

表6 本研究以ROC曲线建立的红米荷包VM临界点一览表

图3 本研究建立的3METs(左)和6METs(右)临界点的ROC曲线

3 分析讨论

3.1 能耗预测结果的分析

借鉴Crouter等人的研究[13]，本研究实验设计体力活动时，基本涵盖了日常常见的身体活动包括了日常的躺、坐、站立、工作、劳务和日常休闲活动。这更有利于反映对日常体力活动监测评估的真实和准确性。Pearson相关分析可知,不同体力活动强度下,方程预测值(PAEE)与IC法测得实测值存在中度的相关性,低强度时,两者的相关性显著这和Henricson等人[14]以智能手机加速度传感器计数值，经过神经网络和机器学习建立的回归模型得到结果相似。Bland-Altman散点图分析可知，方程对验证组受试者能量消耗的预测误差基本都位于95%置信区间之内，符合预测误差位于在95%置信区间之外小于5%的要求。提示，其预测准确性都较高。可见，本研究所建能耗预测方程能够准确地测量日常体力活动的能耗。

本研究发现静止类和走、跑类活动时,不同体重的受试者手机计数的VM值差异不显著,这可能是静止活动的动作幅度较小，而走、跑运动具有较强的规律性和节奏性，这可能导致手机测量出的VM值较为稳定。而在日常的活动和骑行手机计数的VM值差异较为显著，日常活动的动作不是规则的，各个方向上的运动幅度不一致，同时骑行主要是下肢运动，不同的人上半身动的幅度不一样，这可能导致手机计数的VM产生差异。走跑类活动的能耗值在不同性别、体重的差异性不显著，走跑运动受到跑台的限制，其速度和节奏基本一样，基本不会受到人为因素的影响，且运动的强度较大， 日常生活活动性别对预测值和实测值的影响不一样，有可能是因为女生动作的熟练程度可能要高于男生，在这些活动的能量消耗成本可能就要低于男生。

3.2 不同强度的VM临界点效度分析

ROC曲线是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。当AUC<0.5表示根本无法准确诊断；AUC在0.5～0.7之间表示诊断准确性较低；AUC在0.7～0.9之间表示诊断准确性为中等，AUC>0.9表示具有高得诊断准确性[15]。其中，灵敏度(sensitivity)就是把实际为真值的判断为真值的概率；特异度(specificity)是把实际为假值的判断为假值的概率；误判率是把实际为假值的判断为真值的概率，其值等于1-特异度。最佳临界值的确定,是根据“尤登指数”(1-特异度+敏感度)来判断，当“尤登指数”取最大值时所对应的VM值即为最佳临界点。本研究以METs确定运动强度，通过ROC曲线分析确定不同运动强度手机VM的临界点。其3METs即低强度体力活动所对应的手机VM临界点为64.49counts/min,曲线下的面积(AUC)为0.965,敏感度为0.87,特异度为0.94；6METs即中等强度所对应的手机VM临界点为177.5counts/min，AUC为0.916,敏感度为0.88，特异度为0.82。提示两组的临界值具有高的诊断价值，说明手机VM能够很好地反应运动的情况。

国外有学者利用神经网络和机器语言学习对活动类别进行识别显示有利于提高对活动的识别[16-18]。测量的准确性可能比前者更有优势，但在国内外的对于体力活动研究指南中均强调活动强度而不是活动类型[19]。此外有研究认为基于神经网络和机器语言学习的主要局限在其复杂性和“黑色”盒子“的性质，其复杂性可能使得应用领域变得不方便[20]。本研究基于活动强度建立临界点更具有实际的应用性。

4 结 论

本研究在国内较早采用了智能手机加速度传感器检测体力活动能耗，建立的能耗方程与间接热测量法测量的结果一致性较好，建立的VM临界点能够很好诊断低、中等的运动强度水平和反映人体的运动状态。这表明本研究所用的智能手机可以用于青年人的日常体力活动监测。此外，研究没有涉及到其他人群的检测，是否能用于其他人群，还需进一步探讨研究， 未来可以进一步丰富在不同年龄段人群和不同手机品牌的测评。