体力活动测量方法与工具的新趋势

马勇，马佳仪，孙志远，田雪文

摘要：体力活动不足已成为引起非传染性疾病的主要原因之一，体力活动水平的测量是进行运动干预的前提条件，以测量与评价方式为核心，对传统的测量方法和最新研究成果进行了归纳分析，并对其发展的新趋势进行了阐述，包括基于GPS跟踪器或惯性测量单元IMU的测量、针织压阻织物（KPF）、可穿戴式生物传感器、基于机器学习和深度学习的传感器、基于数据融合的神经网络方法等。提出重点研制适合我国国民体质特征的测量工具和身体活动计算方程，并根据不同生理条件和年龄阶段的人群，探索多种测量方法相结合，从而为准确评估国民体力活动水平和运动促进健康提供参考依据。

关键词：体力活动水平;测量;评价;研究进展

中图分类号：G804.49文献标识码：A文章编号：1006-2076（2021）04-0112-07

New trend of physical activity measurement and instrument

MA Yong1 ，MA Jiayi2，SUN Zhiyuan2，TIAN Xuewen2

1.Shandong Sports Training Center， Jinan 250102， Shandong， China; 2. Shandong Sport University， Jinan 250102， Shandong， China

Abstract：Insufficient physical activity has become one of the main causes for non-communicable diseases. The measurement of physical activity level is a prerequisite for sports intervention. With measurement and evaluation methods as the core， the traditional measurement methods and the latest research results are summarized and analyzed. It also elaborated on the new trends of its development， including measurement based on GPS tracker or inertial measurement unit （IMU）， knitted piezoresistive fabric （KPF）， wearable biosensor， sensor based on machine learning and deep learning， and method based on data fusion neural network. According to people with different physiological conditions and ages， a combination of multiple measurement methods should be explored; focusing on the development of measurement tools and physical activity calculation equations suitable for Chinese national physical characteristics; so as to provide reference for accurately assessing the national physical activity level and sports promotion of health.

Key words：physical activity level; measurement; evaluation; research progress

体力活动的缺乏已成为引起非传染性疾病的主要原因之一，据WHO统计全球25的成年人和80以上的青少年人口缺乏体力活动。提高体力活动水平是显著增加健康效益的重要方式，通过提高体力活动水平，增强身体素质，减少医疗支出。体力活动水平的测量是进行运动干预、健康促进的前提。虽然身体活动的重要性得到了认可，但我们目前对体力活动测量和分析技术的理解是有限的。与发达国家相比，我国体力活动研究起步晚，未进行系统性研究，整体发展水平与发达国家相比差距明显。目前，有多种评估体力活动的方法。在选择测量技术时，研究人员不仅需要考虑测量的可行性和实用性，还需要考虑方法的有效性、可靠性和敏感性。本研究基于相关文献的查阅，对目前常见的体力活动测量工具进行分析，并对新兴体力活动测量和分析技术进行剖析，为进一步准确测量国民体力活动水平提供参考依据。

1體力活动测量方法分类

体力活动水平的测量与评价依赖于精确的测量工具和分析方法，主要分为两大类：主观评价和间接测量。主观评价：根据受试者的回忆和想象以及主试者的直接观察，通过获得一定量的训练学指标来判定体力活动的水平。最具有代表性的有体力活动问卷和行为观察法。间接测量：通过测量被试者的生理生化指标并进行科学分析，从而间接得到体力活动量，主要有双标水法、基础代谢率测量法、心率测量法和运动传感器等测量方法。

1.1体力活动问卷

体力活动问卷是众多测量与评价方法中最常见的方法，但是与加速度计和双标水法相比，该方法对体力活动水平测量存在一定的偏差，其主要原因是问卷调查中存在较多的主观干扰因素，参与者对体育活动的记忆不准确，增加了记忆偏差的风险。Daniel等（2016）通过对青少年体育锻炼问卷（PAQ-A）进行修改和分层划分， PAQ-A内部一致性（α=0.72）和重测信度（ICC=0.78）均显著提高，有效规避了记忆偏差带来的风险。

除此之外，特殊人群与健康者相比，在活动限度、活动方式和耐受程度等都存在明显的不同，因此针对特定人群专门设计体力活动问卷可在一定程度上提高其准确性。Tsunenori等对日语版《大龄儿童体育活动问卷》（PAQ-C）进行了改进和验证，通过验证内部一致性（α=0.80）和重测可靠性（ICC=0.83）发现修改后的问卷具有较高的可靠性和有效性，更加适合大龄体育儿童的体力活动测量;西班牙文版的BPAQ-MI是一种有效可靠的工具（内部一致性α=0.920），可以从社会生态的角度来确定残疾学生在进行体育活动中遇到的障碍。

1.2行为观察法

行为观察法是体力活动水平测量与评价中最早应用的方法之一， 行为观察法在儿童青少年体力活动水平的测量与评价中应用较多，青少年课外体育观察系统（SOPLAY）被认为是评估青少年体力活动较为准确的测量工具之一，经效度检验可在多场所对青少年体力活动进行评估。由于受试者存在主观能动性，在得知自己被观察时，可能会改变自己日常的行为习惯。因此，干预者的忠诚度是该测量方法的核心关键。为提高该方法的准确性和适用范围，行为观察法需要建立一定的培训审核制度，提高观察者的工作水平，制定科学的观察自核量表用于验证干预者忠诚度。

1.3双标水法

双标水法是通过体内同位素稀释法测量人体总水分，从而对人体能量消耗情况进行评估，该方法是间接量热法的一个创新变体，通过体内同位素稀释法测量人体总水分来评估人体成分的具体形式包括光密度法、身体阻抗、全身电导率、双能X射线吸收法和磁共振成像等测量方式。到目前为止，双标水法仍然是健康受试者、患者和运动员能量评估的重要方式。

1.4基础代谢率测量法

基础代谢率测量法由间接热量测量法、直接热量测量法和公式估算法组成。现有的热量预测公式数目繁多，其预测能力参差不齐，准确系数在0.31～0.92之间不等。Pedro等通过重建量热信号（CSRM），将传感器测得的功率调整为数学模型，该数学模型由Wbody（t）=A0+PAiexp的指数和组成（t/si），通过应用这种新方法（CSRM）和逆滤波器方法（IFM），可能会规避直接测热法的不足。近年来出现心肺功能测试仪所用的分析系统是目前国际通用的一种无创间接测热法系统，已被广泛应用于实验和临床研究。另外，研究人体较长时间的能量消耗和体力活动的详细情况，能量代谢舱（MetabolicChamber）无疑是最好的选择，所以国际上又重新将能量代谢舱作为能量代谢测定的“金标准”。

1.5心率测量法

心率测量法常用于运动训练监控，心率变异性可以较好地反映运动员的不同运动类型和不同运动负荷。在心率监测过程中，高精度的心率检测是很困难的，这可以通过应用有效的图像处理技术来克服。Abdulaziz等研发了一个Eulerian video magnification algorithm用以辅助心率监测系统的可视化过程，远程光电容积描记术（rPPG）通过摄像机对人类心脏活动进行非接触式监视，都能较好地解决该问题。

1.6运动传感器

运动传感器是流行病学研究中的首选测量工具，作为一种收集训练学指标的体力活动测量工具，该设备在业界得到了广泛使用。在移动设备中嵌入小巧的、轻便的传感器变得普及，较有力地推动了研究热点转向借助传感器数据解决人体活动识别问题。近年来许多研究应用了新兴的加速度计评估身体活动，例如使用可穿戴显示器来测量人类的身体活动取得了很好的效果，加速度计对步行、跑步、骑自行车和跳绳等运动项目的体力活动水平进行了精确分类，其准确性高达100。Aziz等使用加速度计成功地测量了成年人或走动障碍者的身体活动和久坐行为，采用线性判别分析，在对跌倒类型进行分类时，总体准确性高达89。但是，当在高度短暂的活动中使用相同的方法以及检测到由于晕厥导致的跌倒时，就会出现问题。未来的技术改进将需要检查原始加速度信号并开发用于准确能量消耗预测和活动分类的高级模型。

2体力活动测量工具发展新趋势

智能化和无创性测量设备是发展的新趋势，具体包括：测量原始数据的传感器，可穿戴设备的芯片和可视化数据传输效果监视器等，用于收集持续监测健康、运动活动、评估性能和其他方面的测量中的数据。运动传感器同其他生理生化测试设备结合使用也将得到大范围提高，并且为了便于大众使用，将运动传感器测量的体力活动和健康联系起来，使得这些装置的测量数据更容易获得。除了机器学习和模式识别之外，数学建模还通过结合加速度计、心率监测器、间接量热法 （IC） 和人体测量数据来改进能量消耗估计。此外，更复杂的技术，如人工神经网络 （ANN），可以通过网络提供数据信息，然后更好地预测能量消耗或运动。本文将从动作捕捉和识别、体力活动数据采集、数据分析与处理三个方面展开综述。

2.1动作捕捉和识别

基于GPS跟踪器或惯性测量单元IMU的测量的动作捕捉系统。Awolusi等通过射频识别系统（RFID），基于无线电波和信号的投影来传输数据，識别人的状态。随着全球定位系统的精度提高，通过预处理技术，一些GPS跟踪器或惯性测量单元（IMU）利用经度与纬度之间的差异测量当前速度、最大速度和距离等信息，例如，集成GPS传感器的运动手表可以显示实时位置。

除此之外，针织压阻织物（KPF）被证明是一种很好的人体运动检测工具，这一重要的发现将会加快智能纺织品的发展（如图1所示）。运动感应服装是通过将应变传感器应用于普通服装上的特定区域来制造的，通过身体形状的变化而引起应变场的变化来重建人类的运动。智能纺织品具备成本低、重量轻、灵活性高等优点。

显而易见，对于简单的体力活动或姿势识别可以采用多种技术进行确定，一旦动作技术变得复杂多样，确定效果大打折扣。深度学习在图像识别和语音识别方面的出色表现，促进了深度学习在基于传感器的人体活动识别的运用，且已有研究人员证明运用深度学习可以获得较好性能。经过实验比较发现，基于深度学习的方法比利用机器学习的方法活动识别准确率提高20，基于深度学习的方法对活动识别的平均准确率达到了85。

2.2体力活动数据采集

可穿戴式传感器在体育运动中的应用尚处于起步阶段，运动类型不同，佩戴位置的差异，导致穿戴式传感器精准性不足是现存的较大挑战。如今大多数设备仅测量距离、速度和加速度等基本的运动参数，亟需通过测量电解质、神经肽等生化指标来反映受试者的体力活动、体能疲劳和精神敏锐度等，从而通过生化指标来“量化运动者”。与直接血液分析相比，分析汗液和唾液被认为是一种有吸引力的新兴方法，因为它具有无创性和持续供应。可穿戴生物传感器的出现可用来测量唾液和汗液中汗液的分析物，以评估运动能力和体力活动水平，这是评估人类表现的重要一步。Kim等制造了一种护口生物传感器，通过在柔性聚对苯二甲酸乙二醇（PET）基板上丝网印刷三个独立的层来测量乳酸水平，该生物传感器经过测试，以良好的线性和0.988的相关系数可以很好地测量未刺激的人唾液中的乳酸水平。最近，NextFlex和加州大学圣地亚哥分校的一个协作小组（2019）制造了一种智能护齿生物传感器（图2），可以根据唾液中的乳酸和葡萄糖含量检测出脱水、疲惫和精神状态的早期征兆，该设备能够更换电极以测量其他生物标志物，例如UA。同样，Kenzen Wear的Echo贴片是一种贴在躯干上的表皮传感器（图3），除了测量pH值和皮肤温度外，还可以监测汗液中的钠和钾。血浆乳酸浓度与汗液乳酸的浓度非常接近，可指示身体的运动能力和运动强度。一种混合型表皮可穿戴设备，包括可过滤的印制了三电极电流型乳酸生物传感器和两个ECG电极，用于同时实时测量心脏中的乳酸和电活动。

基于深度学习技术的皮肤传感器。Kyun Kyu Kim等人提出一种超灵敏的皮肤传感器，它可以测量远离关节的小皮肤变形之前无法检测到的信号，并结合深度神经网络来阐明相应身体部位的运动。该传感器安装在手腕上，就能够提取与多个手指运动相对应的信号，比精确定位每个关节和肌肉更有效。传感器的性能是通过一个具体的理论模型设计的，连续的激光蛇形图案也允许传感器整合地附着在表皮上，深度神经网络成功地解码来自手腕的时域传感器信号，从而产生相应的手指运动，其中的RSL系统引导用户从腕关节的任意部位收集数据，并使用反映原始运动的虚拟3D手在实时演示中自动训练模型。该传感器也适用于骨盆，能够实时成功地产生动态步态运动。这将促进对人体运动的间接远程测量，并且可用于依赖运动感知的各种应用。

2.3数据分析与处理

基于机器学习和深度学习的传感器。机器学习与加速度计的结合使用似乎可以高精度地识别特定运动。Leutheuser等利用机器学习与特征提取相结合，能够以89.6的准确度正确识别基本的日常生活体力活动。相反，当活动类型和环境变得复杂，不仅限于特定地跌倒或基本运动时，准确度下降。Duncan等人通过机械学习与特征提取相结合，在实验室中步行或奔跑所测准确度达到97，进行现场测试时，精度下降了13个百分点，这表明在实验室范围之外的可靠性可能有待提高。

Trost等提倡使用另一种形式的机器学习（ANN），并在活动分类中具有较高的准确性（88.4）。這种类型的机器学习已被应用于具有高度准确性和可靠性的多种设置，并依赖受自然神经元启发的计算模型来处理和链接输入的数据。目前，这些技术仅限于对简单运动或基本体力活动进行分类，因此，需要进一步的研究来扩展这些模型以适用于更通用的设备。除此之外，Goncalves利用Xbox Kinect相机结合模式通过动态时间扭曲识别方法，与其他测量模式具有较高的相似性，该相似性可能随时间而变化。在Fulk等人研究中，通过计算机识别信号的来源，传感器可以预测姿势活动，在8名参与者中，发现姿势活动的准确度为99～100，这表明使用适当的样本量，加速度和压力曲线的组合，可以准确的评估活动姿势。如图4所示，Xiao等使用了一个力敏感电阻器，将其应用于上肢来分析前臂的力量肌电信号，准确识别出上肢运动（准确度为92）。

基于数据融合的神经网络方法。韩欣欣等提出一种基于数据融合的卷积神经网络方法，借助利用轴之间的相关性的单通道数据融合方法得到融合数据，将融合数据输入到卷积神经网络中提取特征，在WISDM数据集上的实验结果表明，该方法的准确率达到了98.80，优于不使用数据融合的卷积神经网络方法（图5）。但是仅基于深度卷积神经网络的数据融合方法对个别的活动识别准确率比较低，尤其是对较少发生的、容易混淆的活动，识别准确率比较低。宋欣瑞引入了环神经网络，将基于卷积神经网络的数据融合模型与循环神经网络结合，得到CNN+GRU的深度混合神经网络模型（图6）。该模型对活动识别的平均准确率达到了90，对非周期性活动识别准确率提高了9。

近年来新兴的加速度计技术分析，主要是基于实验室的研究，使用的样本量小且具有探索性，并且在一系列活动中测量准确性的程度不一致。此外，由于影响步态和体育活动特征的个体因素会因年龄，性别和运动能力而异，未来的研究应包括更详细的参与者特征。运动传感器设备是否具备行为改变技术成为了关键因素，用于从事矩阵代数运算的芯片是否变得更智能、更便宜和更容易获得将成为影响运动传感器发展的必然决定因素。

3结语

大量的新兴技术分析揭示了体力活动测量的高精度，然而，许多研究是探索性的或需要进一步发展以在更大的样本中建立可靠的准确测量。体力活动测量领域发展迅速，新兴的技术仅在相对较小的样本中取得了不同程度的成功，而且一系列活动的测量准确度也不一致。确定这些技术所达到的准确度非常重要，以便研究人员能够对分析方法做出明智的选择。

体力活动水平的测量与评价是一项复合型测量工程，理想的测量方法应该具备测量程序客观严谨、数据准确、方便易行、花费少、非干扰、无创伤、便于管理、注重细节化测量和个体化差异性以及适用于大样本测量的特点。目前尚未发现可以进行精确测量的单一理想方法。以合理的准确性和可接受的成本测量体力活动对于理解体力活动与健康之间的关系至关重要。体力活动水平的量化非常复杂，它的精确量化可能是研究和促进体力活动关键步骤，精确的体力活动测量将会进一步提高我们对体力活动与健康之间关系的认识和了解。从目前情况看，每种测量方法都有优缺点，没有一种方法可以独立完成准确的测试。根据不同生理条件和年龄阶段的人群，探索多种测量方法的结合是未来的发展趋势。现在主流的测试工具大都产自国外，更适合国外人群的体质特征，下一步应重点研制适合我国国民体质特征的测量工具，自主研制出适合中国国民身体活动的计算方程，提高关键核心技术创新能力。对于测试设备开发者，在开发和完善设备的同时，还需综合考虑收入较低者对健康促进的需求，尽力做到满足大众的健康诉求。

此外，未來的研究应包括更详细的参与者特征，因为影响体力活动特征的许多个体因素因年龄、性别和运动能力而异，尽管采用了不同的技术，但这些问题始终未能很好的解决。因此，随着方法的发展，建议改进分析技术以解决参与者的差异，为每种技术建立可接受的测量身体活动的准确度水平，以及不同活动的“质量”，例如步态特征、活动持续时间和特质差异有待进一步研究。最后，姿势活动的分类，应纳入调查身体活动的研究中，以更好地了解和研究体力活动。

参考文献：

[1]WHO.Physical inactivity a leading cause of disease and disability， warns WHO.（2020-09-21）.https：//www.who.int/health-topics/physical-activity.

[2]谭少华，高银宝，等.社区步行环境的主动式健康干预——体力活动视角.城市规划，2020，44（12）：35-46.

[3]吴志建，王竹影，等.城市建成环境对老年人健康的影响：以体力活动为中介的模型验证.中国体育科技，2019，55（10）： 41-49.

[4]Clark C. C.， Barnes C. M.， et al.A Review of Emerging Analytical Techniques for Objective Physical Activity Measurement in Humans.Sports Med，2017，47（3）：439-447.

[5]邱俊强，陈演，等.运动促进健康：基于能量平衡理论的回顾与展望.北京体育大学学报，2021，44（5）：2-20.

[6]Dowd K. P.， Szeklicki R.， et al.A systema tic literature review of reviews on techniques for physical activity measurement in adults： a DEDIPAC study.Int J Behav Nutr Phys Act，2018，15（1）：15.

[7]Haskell W. L.， Lee I. M.， et al.Physical activity and public health： updated recommendation for adults from the American College of Sports Medicine and the American Heart Association.Med Sci Sports Exerc，2007，39（8）：1423-1434.

[8]Arvidsson D.， Fridolfsson J.， et al.Measurement of physical activity in clinical practice using accelerometers.J Intern Med，2019，286（2）：137-153.

[9]Ndahimana D.， Kim E. K.Measurement Methods for Physical Activity and Energy Expenditure： a Review.Clin Nutr Res，2017，6（2）：68-80.

[10]Aggio D.， Fairclough S.， et al.Validity and reliability of a modified english version of the physical activity questionnaire for adolescents.Arch Public Health，2016（74）：3.

[11]Isa T.， Sawa R.， et al.Reliability and Validity of the Japanese Version of the Physical Activity Questionnaire for Older Children.Clin Med Insights Pediatr，2019（13）：1179556519835833.

[12]beda-Colomer Joan， Monforte Javier， et al.Reasons for sport practice and drop-out in university students with disabilities： influence of age and disability grade[].cultura_ciencia_deporte，2018，13（37）： 51-60.

[13]Luc Vanhees， Johan Lefevre， et al.How to assess physical activity？ How to assess physical fitness？.European Journal of Cardiovascular Prevention & Rehabilitation，2005，12（2）：102-114.

[14]Pedro F. Saint-Maurice， Greg Welk， et al.Validation of the SOPLAY Direct Observation Tool With an Accelerometry-Based Physical Activity Monitor.Journal of Physical Activity and Health，2011，8（8）：1108-1116.

[15]Elizabeth A. Baker PhD MPH， Michael Elliott PhD， et al.Implementing and Evaluating Environmental and Policy Interventions for Promoting Physical Activity in Rural Schools.Journal of School Health，2017，87（7）：538-545.

[16]Westerterp Klaas R.Doubly labelled water assessment of energy expenditure： principle， practice， and promise..European journal of applied physiology，2017，117（7）：1277-1285.

[17]Yang X.， Li M.， et al.Basal energy expenditure in southern Chinese healthy adults： measurement and development of a new equation.Br J Nutr，2010，104（12）：1817-1823.

[18]Sabounchi N. S.， Rahmandad H.， et al.Best-fitting prediction equations for basal metabolic rate： informing obesity interventions in diverse populations.Int J Obes （Lond），2013，37（10）： 1364-1370.

[19]鹿琦.中國成年人基础代谢率实测值与公式计算值的一致性研究.湖北体育科技，2018，37（11）：992-995.

[20]Abdulaziz Alarifi， Amr Tolba， et al.Visualization process assisted by the Eulerian video magnification algorithm for a heart rate monitoring system： mobile applications.Multimedia Tools and Applications： An International Journal，2020，79（7）：5149-5160.

[21]Chu AHY， Ng SHX， et al.Domain-Specific Adult Sedentary Behaviour Questionnaire （ASBQ） and the GPAQ Single-Item Question： A Reliability and Validity Study in an Asian Population.Int J Environ Res Public Health，2018，15（4）：739.

[22]Li F.， Shirahama K.， et al.Comparison of Feature Learning Methods for Human Activity Recognition Using Wearable Sensors.Sensors （Basel），2018，18（2）：679.

[23]Leutheuser H.， Schuldhaus D.， et al.Hierarchical， multi-sensor based classification of daily life activities： comparison with state-of-the-art algorithms using a benchmark dataset.PLoS One，2013，8（10）： e75196.

[24]Aziz O.， Park E. J.， et al.Distinguishing the causes of falls in humans using an array of wearable tri-axial accelerometers.Gait Posture，2014，39（1）：506-512.

[25]Evenson K. R.， Goto M. M.， et al.Systematic review of the validity and reliability of consumer-wearable activity trackers.Int J Behav Nutr Phys Act，2015（12）：159.

[26]Troiano Richard P.， McClain James J.， et al.Evolution of accelerometer methods for physical activity research..British journal of sports medicine，2014，48（13）：1019-1023.

[27]Clark C. C.， Barnes C. M.， et al.A Review of Emerging Analytical Techniques for Objective Physical Activity Measurement in Humans.Sports Med，2017，47（3）：439-447.

[28]Siervo M.， Bertoli S.， et al.Accuracy of predictive equations for the measurement of resting energy expenditure in older subjects.Clin Nutr，2014，33（4）： 613-619.

[29]Ibukun Awolusi， Eric Marks， et al.Wearable technology for personalized construction safety monitoring and trending： Review of applicable devices.Automation in Construction，2018（85）：96-1060.

[30]Sturges R. P.， Feather John.International encyclopedia of information and library science.London： Routledge，1997： 492.

[31]Hana Charvátová， Ale Procházka， et al.GPS-based analysis of physical activities using positioning and heart rate cycling data.Signal， Image and Video Processing，2017，11（2）：251-258.

[32]Chen Dongyi， Lawo Michael.Smart Textiles and Smart Personnel Protective Equipment.Cham： Springer International Publishing，2017： 333-357.

[33]Muhammad Muaaz et al.Wi-Sense： a passive human activity recognition system using Wi-Fi and convolutional neural network and its integration in health information systems. Annals of Telecommunications， 2021（4）：1-13.

[34]Silvia Chiappin， Giorgia Antonelli， et al.Saliva specimen： A new laboratory tool for diagnostic and basic investigation.Clinica Chimica Acta，2007，383（1）：30-40.

[35]Kim J.， Valdes-Ramirez G.， et al.Non-invasive mouthguard biosensor for continuous salivary monitoring of metabolites.Analyst，2014，139（7）：1632-1636.

[36]Dhruv R. Seshadri， Ryan T. Li， et al.Wearable sensors for monitoring the physiological and biochemical profile of the athlete.npj Digital Medicine，2019，2（21）：6-21.

[37]Jia W.， Bandodkar A. J.， et al.Electrochemical tattoo biosensors for real-time noninvasive lactate monitoring in human perspiration.Anal Chem，2013，85（14）： 6553-6560.

[38]Kim K. K.， Ha I.， et al.A deep-learned skin sensor decoding the epicentral human motions.Nat Commun，2020，11（1）： 2149.

[39]Alo U. R.， Nweke H. F.， et al.Smartphone Motion Sensor-Based Complex Human Activity Identification Using Deep Stacked Autoencoder Algorithm for Enhanced Smart Healthcare System.Sensors （Basel），2020，20（21）：6300.

[40]Duncan S.， White K.， et al.Convergent validity of a piezoelectric pedometer and an omnidirectional accelerometer for measuring children’s physical activity.Pediatr Exerc Sci，2011，23（3）： 399-410.

[41]Trost S. G.， Wong W. K.， et al.Artificial neural networks to predict activity type and energy expenditure in youth.Med Sci Sports Exerc，2012，44（9）：1801-1809.

[42]Yao X.， Liu Y.A new evolutionary system for evolving artificial neural networks..IEEE transactions on neural networks，1997，8（3）：694-713.

[43]Goncalves N.， Rodrigues J. L.， et al.Preliminary study on determining stereotypical motor movements.Annu Int Conf IEEE Eng Med Biol Soc，2012（2012）：1598-601.

[44]Fulk G. D.， Sazonov E.Using sensors to measure activity in people with stroke.Top Stroke Rehabil，2011，18（6）：746-757.

[45]Xiao Z. G.， Menon C.Towards the development of a wearable feedback system for monitoring the activities of the upper-extremities.J Neuroeng Rehabil，2014（11）：2.

[46]韓欣欣，叶剑，等.基于数据融合的CNN方法用于人体活动识别.计算机工程与设计，2020，41（2）：522-528.

[47]宋欣瑞.基于多传感器数据融合的人体复杂活动识别研究.哈尔滨：哈尔滨工业大学，2019： 65.

[48]Mercer K.， Li M.， et al.Behavior Change Techniques Present in Wearable Activity Trackers： A Critical Analysis.JMIR Mhealth Uhealth，2016，4（2）： e40.

[49]Livingstone M. B.， Robson P. J.， et al.How active are we？ Levels of routine physical activity in children and adults.Proc Nutr Soc，2003，62（3）： 681-701.

[50]Ainsworth B.， Cahalin L.， et al.The current state of physical activity assessment tools.Prog Cardiovasc Dis，2015，57（4）： 387-395.