3～6岁儿童24小时动作行为与体脂率的关联性研究

常振亚 王玲 王树明

1 长沙师范学院学前教育学院（长沙 410100）

2 长沙师范学院体育科学学院（长沙 410100）

3 华东师范大学体育与健康学院（上海 200241）

睡眠、静坐行为和身体活动是个体分布在24小时内的三种身体行为，形成了从无强度到高强度的运动连续体。近些年，相关国外研究将这三种行为统称为“movement behaviors[1-3]”，国内相关学者将其翻译为“运动作息行为[4]”、“24 小时活动[5，6]”、“24 小时运动[7，8]”、24小时活动行为[9，10]或24小时动作行为[11]等。鉴于运动只是身体活动的一个下位概念，且睡眠不属于“运动”或“活动”范畴，因此将其翻译为“24小时动作行为”可能更为适宜[12]。传统研究通常是分别研究睡眠、静坐行为或身体活动与健康之间的关联，并且这些研究成果为个体保持充足睡眠、减少静坐行为和增加身体活动等方面提供了重要的证据支持[13-16]。但是，随着研究的不断深入，人们发现睡眠、静坐行为和身体活动是相互依存、相互转换的，于是开始不断强调24 小时动作行为与健康的整体关联[3，10，17-20]。中国首都儿科研究所、北京体育大学和西安交通大学第二附属医院等发布的《学龄前儿童（3～6岁）运动指南》[21]及世界卫生组织2019年发布的《5岁以下儿童睡眠、静坐行为和身体活动指南》[22]均反映了上述研究趋势。因此，对24小时动作行为的整体关注是研究中的一个积极进步，可以更加立体地提供改善儿童健康的机会[4，11]。

在24 小时动作行为与健康之间的关联性研究方面，挑战之一即统计学方法的适宜性。由于睡眠、静坐行为和身体活动在时间上的相互依存，使用传统统计技术例如回归分析时会引起共线性问题，协方差矩阵是单维的，使得相关学者只能将睡眠、身体活动和静坐行为的时间使用视为独立成分进行探究[4，23，24]。近些年，成分数据分析作为一种可以有效解决24小时动作行为数据分析中的共线性问题的方法而备受关注，也开始有诸多学者运用这一统计手段探究儿童24 小时动作行为与健康之间的关联[5，9，20，25-27]。然而这些研究的被试以学龄儿童为主，学龄前儿童相对较少，学龄前儿童当中基本均为国外学龄前儿童，国内学龄前儿童鲜有涉及[4，19，28]。在健康指标的选取上，身高体重指数（body mass index，BMI）是学者们选取的最常见的健康指标[23，29]，但它并不是一个最科学的指标。在评价个体肥胖时，体脂率（body fat percentage，BF%）要比BMI更能反映个体的真实肥胖状况。已有研究表明，身体活动和肥胖状况的关联依赖于肥胖指标的选取，当使用BF%指标时，有60%（3/5）的研究揭示BF%与身体活动呈反比，而使用BMI指标时仅有18%（2/11）的研究揭示BMI与身体活动呈反比[30]，可以佐证上述观点。

本研究基于上述研究，重点分析以下3 个方面：（1）24小时动作行为相对分布与BF%的关联情况；（2）调整行为整体及单个其他行为所花费的时间后，每种身体行为与BF%的关联；（3）一种行为等时替代另一种行为部分时间后BF%变化的剂量-效应关系。

1 对象与方法

1.1 研究设计与研究对象

以长沙市某高校学前教育学院为依托，在长沙市开展了“关注幼儿体质，呵护幼儿健康”为主题的体质监测公益活动。首先，结合实际测试条件，在长沙市所辖7个区县（不包括宁乡市和浏阳市）中随机抽取3区1县中的7 所幼儿园作为受试者的来源库，每个区县原则上抽取2 所幼儿园、1 所公办幼儿园和1 所民办幼儿园。由于实际条件的限制，其中1区仅选择了1所民办幼儿园。其次，根据《国民体质测定标准手册》（幼儿部分）的年龄分层方式，分别从7个年龄层（3岁、3.5岁、4岁、4.5 岁、5 岁、5.5 岁、6 岁）中随机抽取60 名共420 名儿童参与研究，各个幼儿园在每个年龄段上随机选择8～9 名幼儿参与。最后，实际有效参与研究的儿童有373 名，包括男童195 名、女童178 名，基本情况见表1。受试者在测量期间保持日常生活习惯。

表1 被试年龄、性别分布情况

1.2 研究方法

1.2.1 24小时动作行为测试

使用ActiGraph GT3X-BT 三轴加速度传感器（Pensacola，FL，USA）测量学龄前儿童的静坐行为（sedentary behavior，SB）、低强度身体活动（light physical activity，LPA）、中等强度身体活动（moderate physical activity，MPA）和高强度身体活动（vigorous physical activity，VPA）及中高强度身体活动（moderate-to-vigorous physical activity，MVPA）。受试者需要连续7天（5个工作日和2个周末日）佩戴，期间除洗澡、游泳、睡觉外其他时间均要求佩戴，佩戴部位为右侧髂脊上部。考虑到受试者较为年幼且加速度传感器松紧带的调节较为复杂，由事先培训过的老师或家长为受试者佩戴加速度传感器，且在测试过程中及时监控受试者的佩戴情况。

加速度传感器回收以后，运用配套数据处理软件ActiLife v6.11.4 对数据进行下载和初步分析，对于测量数据不符合要求或者有缺失的部分受试者及时补测。有效数据的标准为：在Choi 算法[31]作为未佩戴时间算法的前提下，至少3 天（包括2 个工作日和1 个周末日），每天佩戴时间至少480 分钟[32，33]。鉴于加速度传感器的强度分界值和采样间隔会显著影响学龄前儿童身体活动和静坐行为水平测试，经研究团队系统研究，确定本次研究加速度传感器的采样间隔为15 s[34]，强度分界值为Butte Preschoolers（2013）标准[34，35]，即SB 为0～239 counts/60 s，LPA 为 240～2119 counts/60 s，MPA 为2120～4449 counts/60 s，VPA 为4450 及以上counts/60 s。

由于加速度传感器仅在学龄前儿童清醒时段佩戴，且当前加速度传感器数据处理软件中缺乏有效的学龄前儿童睡眠算法，因此，本研究睡眠时长（sleep duration，SP）是通过家长报告获得的。本研究学龄前儿童睡眠时长问卷设计主要参考了欧洲ToyBox 项目（http://www.toybox-study.eu）核心问卷中的睡眠分量表，该量表已被相关研究表明具有较好的重测信度[36]。由此，通过以下三个问题综合计算睡眠时间。第一，最近一周，通常您的孩子晚上几点钟上床睡觉？第二，最近一周，通常您的孩子早上几点钟起床？第三，请您仔细思考一下，最近一周您孩子白天的小睡次数和睡眠持续时间，包括午休，然后在下表中勾选出孩子白天睡觉的总时长。在睡眠时间的选项设置上，晚上上床睡觉的时间包含10个选项（19:00以前；19:00～19:59；20:00～20:29；20:30～20:59；21:00～21:29；21:30～21:59；22:00～22:29；22:30～22:59；23:00～23:59；0:00以后），早上起床时间包括11个选项（5:00以前；5:00～5:59；6:00～6:29；6:30～6:59；7:00～7:29；7:30～7:59；8:00～8:29；8:30～8:59；9:00～9:29；9:30～9:59；10:00 以后），中午睡眠时长包括7 个选项（我的孩子工作日/周末白天不睡觉；少于1 小时；1～1.5 小时；1.5～2 小时；2～2.5小时；2.5～3小时；3小时以上）。一般选项取中间值作为实际的睡眠时间，而两端选项取界值作为实际的睡眠时间。问卷在加速度传感器回收时，由家长填写，如果有特殊情况，可以延迟1-2天完成。

1.2.2 体脂率测试

采用儿童型人体成分分析仪（Inbody J20）对学龄前儿童的BF%进行测评。该仪器利用电阻抗技术对学龄前儿童的BF%进行测评，其由韩国生物航天有限公司（Biospace Co.，Ltd. https://www.biospa ce.co.kr）生产，操作简单、安全可靠，对儿童无损伤、无痛苦，适用于国内学龄前儿童测评[37，38]。根据儿童型人体成分分析仪（inbodyJ20）内置的BF%上下限界值可以将幼儿划分为瘦型组、正常组和胖型组[37，38]。

1.2.3 控制变量调查

本研究控制变量主要为性别、年龄、父亲BMI、母亲BMI 和家庭经济地位（social economic status，SES）。性别和年龄来自测试班级花名册，父亲BMI、母亲BMI及SES来自问卷调查，SES问卷编制主要参考北京师范大学发展心理研究所袁晓娇的SES问卷[39]，包括父母文化程度、父母职业和家庭经济收入。袁晓娇等编制问卷时考虑到青少年可能不了解家庭收入，所以采用调查家庭资源的方式间接了解家庭收入，本研究由于是父母直接填写，因此，直接选用家庭经济收入指标。然后根据国际学生评估项目（PISA）计算SES的方法[40]，按四个步骤计算SES，进而按照上下1 个标准差的方法将SES分为3个等级进行分析，其中职业分类按照Ganzeboom 等的国际社会经济地位职业分类索引（ISEI）中的记分标准[41]进行。

1.3 统计学分析

成分数据统计中，首先采用成分数据的描述性统计方法，即以成分均值反映数据的集中趋势，以变异矩阵反映数据的离散趋势，呈现24小时动作行为数据的集中和离散情况[42]。其次，采用中心化条形图比较不同BF%群体之间学龄前儿童的24 小时动作行为差异状况。再次，基于成分数据统计中的等距对数比转换（isometric log ratio transformation，ilr）来进行多元回归分析，以系统考察SP、SB、LPA 和MVPA 与BF%的关联。具体来说，本研究构建的回归方程为E（Y/Z）=γ0+γ1Z1+γ2Z2+γ3Z3+…γd-1Zd-1+covariances，协变量依次为性别、年龄、父亲 BMI、母亲 BMI 和 SES，Zi=，其中d为成分数据中成分的数量，i=1，2，…，d-1，zi为ilr变换变量，bi为对应的成分数据。由此，本研究需要构建四个模型，模型中的γ1分别代表调整行为整体及单个其他行为所花费的时间后SP、LPA 和MVPA 相对于其他三种行为与BF%之间的关联，回归模型的显著性即代表24小时动作行为时间分布与BF%关联的显著性。最后，参考成分数据等时替代分析的已有研究方法[43，44]，运用R 软件v3.6.1，结合相关语言代码进行等时替代回归分析，以揭示不同动作行为相互替代后BF%的变化。

表2 学龄前儿童体脂率等指标基本情况

2 结果

2.1 学龄前儿童BF%等指标

男童身高显著高于女童，但体重、BMI和BF%无性别差异；随着学龄前儿童年龄的增加，身高和体重不断增加且总体具有显著性，但BMI和BF%无年龄差异；不同SES儿童在身高、体重和BMI上均无显著性差异，但在BF%上，低SES儿童显著高于中SES和高SES儿童（表2）。

2.2 学龄前儿童的24小时动作行为

本次研究学龄前儿童日均SP、SB、LPA和MVPA四部分所占的比例依次为43%、36.6%、16.6%和3.8%，换算为分钟/天为单位，四部分依次为619.2、527.04、239.04 和54.72。依据变异矩阵可知，最高对数比方差都涉及MVPA，表明在MVPA中花费的时间与其他行为的相互转换的概率最低。见表3。同时，最低对数比方差涉及的两种行为分别为SB 和SP，表明SB 和SP 在学龄前儿童四种行为中相互转换的概率最高（0.16）。

表3 学龄前儿童的24小时动作行为情况

2.3 不同BF%儿童24小时动作行为的差异

根据儿童型人体成分分析仪（inbodyJ20）内置的BF%上下限界值，将儿童划分为瘦型组（n=38）、正常组（n=212）和胖型组（n=123）。由图2 可知，三组幼儿24小时动作行为模式的差异主要集中于MVPA，随着BF%的上升，MVPA 水平依次迅速下降。另外，三组儿童在SB、SP和LPA上也有一定的差异，其中SB和SP均随着儿童BF%的上升而略有提高，而LPA 随着儿童BF%的上升而略有下降（图1）。

图1 不同BF%组学龄前儿童的24小时动作行为差异情况

图2 MVPA等时替代其他行为后BF%的变化情况

2.4 24小时动作行为与BF%等指标的整体关联

24小时动作行为时间分布与BF%和BMI的整体关联均具有显著的统计学意义（P＜0.01）。MVPA 每提高1 min/d，学龄前儿童BF%下降4.74%；SP每提高1 min/d，学龄前儿童BMI上升0.03kg/m2（表4）。

表4 24小时动作行为与BF%等指标的综合关联情况

2.5 24小时动作行为等时替代后BF%的变化

MVPA 等时替代其他动作行为时，学龄前儿童BF%均显著下降（β=-0.90～-4.27，P＜0.05），反之均显著上升（β=1.12～7.85，P＜0.05），其中，与LPA 相互替代时变化幅度最大；LPA 等时替代SB 15 min/d（β=-0.20，P＜0.05）和30 min/d（β=-0.44，P＜0.05）时，学龄前儿童BF%显著下降，反之显著上升；SP 等时替代SB 15 min/d（β=-0.14，P＜0.05）和30 min/d（β=-0.28，P＜0.05）时，学龄前儿童BF%均显著下降，反之显著上升；SP 等时替代LPA 时，学龄前儿童BF%均显著下降（β=-0.35～-1.55，P＜0.05），反之均显著上升（β=0.36～1.34，P＜0.05）（表5）。

表5 24小时动作行为等时替代后BF%的变化情况（n=373）

2.6 MVPA和其他动作行为等时替代后BF%的变化

随着MVPA 等时替代LPA、SB 和SP 时间的增加，BF%逐步下降，且下降幅度由大到小依次为MVPA 等时替代LPA、MVPA 等时替代SB、MVPA 等时替代SP。随着LPA、SB 和SP 等时替代MVPA 时间的增加，学龄前儿童BF%迅速上升，上升幅度大于MVPA 等时替代其他三种行为时的变化幅度（图2）。

2.7 不同BF%儿童群体MVPA与LPA的等时替代效果

当MVPA 等时替代LPA 时，学龄前儿童BF%下降幅度胖型组大于正常组，正常组大于瘦型组；当LPA等时替代MVPA 时，学龄前儿童BF%上升幅度胖型组大于正常组，正常组大于瘦型组（图3）。

图3 不同BF%组MVPA与LPA的等时替代情况

3 讨论

本研究对中国长沙地区3～6 岁儿童的SP、SB、LPA和MVPA与BF%的关联进行了研究。研究结果在支持MVPA 与学龄前儿童BF%负向关联的同时，呈现了MVPA与其他身体行为之间替代组合后BF%的变化情况，为相关健康促进工作提供了参考数据。

3.1 MVPA与学龄前儿童BF%的关联

诸多研究表明，学龄前儿童较高水平的MVPA 与较低的BF%显著相关[30，45-48]，MVPA 每增加5 min/d，BF%下降0.25%（P=0.02）[47]。本研究基本支持该观点，并且进行了进一步拓展，主要体现在三个方面。第一，MVPA 等时替代的身体行为不同，变化量存在差异。例如，当等时替代SP 15 min/d时，BF%下降0.90%（P＜0.05），当等时替代SB 15 min/d时，BF%下降1.05%（P＜0.05），当等时替代LPA 15 min/d 时，BF%下降1.26%（P＜0.05）。第二，MVPA和其他身体行为相互替代时等时替代效益具有不对称性。MVPA 等时替代其他行为时，BF%的下降幅度小于其他行为等时替代MVPA 时BF%的上升幅度，且这种趋势会随着等时替代时间的增加而愈发明显（见图2）。第三，等时替代效益具有群体差异性。不同BF%群体MVPA等时替代其他身体行为时的健康效益不同，儿童的肥胖程度越高，受益越大。此外，不同BF%群体的24小时动作行为的差异主要体现在MVPA上（见图1），这也进一步说明了已有研究观点[30，45-47]。这些研究结果启示相关教育工作者提高学龄前儿童MVPA 水平时，需要注意MVPA 时间增加的来源，以及健康促进的对象，以更好地促进学龄前儿童体脂状况的改善。

3.2 MVPA不变时，LPA、SB和SP与学龄前儿童BF%的关联

在实际健康促进或干预工作中，一方面，我们不可能无限提高学龄前儿童的MVPA水平，另一方面，复杂的现实条件下，理论上最优的健康促进路径也不一定是实践条件下最佳的干预路径，我们需要进一步探究其他科学的替代性方案。本研究基于这一点给出了一些替代性的健康促进方向，即MVPA不变时，LPA等时替代SB，或者SP等时替代LPA 或SB，也能促进学龄前儿童BF%的下降，虽然下降量较少。传统方法研究视角下，LPA、SB 和SP 与学龄前儿童BF%等肥胖指标的关联往往无统计学意义[47，49-51]，通常学者仅仅强调MVPA 的积极健康效益，致使MVPA 外的其他身体行为得不到重视，相关价值被忽视。本研究在成分数据的统计视角下，弥补了这一缺憾，发现了其他身体行为对于BF%的间接作用。

另外，本研究发现24小时动作行为不同身体行为与BMI的关联会随着研究视角的改变而变化。在传统割裂式独立的研究视角下，学龄前儿童的MVPA 与BMI 的关系呈现矛盾性结果，有研究认为是正向相关[52]，也有研究认为没有显著关联[53]，而在成分数据视角下，学龄前儿童的MVPA 与BMI 不再显著相关[17]，本研究结果支持这一观点。然而本研究与以往成分数据视角下24小时动作行为与BMI的关联（P=0.14）研究结果不一致[17]，本研究发现调整SB、LPA 和MVPA 后，SP 和BMI具有显著关联（P=0.02），原因可能与本文引言部分所述的BMI 与BF%的关系有关，BMI 高不一定BF%就高，本研究进一步研究发现成分数据视角下SP与BF%没有显著关联，也可以佐证这一观点。

3.3 本研究的优势与不足

本研究的优势是在24 小时全面评估学龄前儿童身体活动、静坐行为和睡眠时长的基础上，探究其与BF%的整体关联，同时引入了成分数据中新兴的研究方法——等时替代分析，呈现了24小时动作行为相互替代部分时间以后的剂量-效应变化，为中国后续制定学龄前儿童24 小时运动指南或24 小时活动指南提供了数据参考，为一线健康促进工作提供了启发。然而本研究也有一些不足之处。第一，膳食营养是影响BF%的重要因素，但本文没有纳入该因素。当前关于学龄前儿童膳食营养的调查问卷更多倾向于调查其膳食营养习惯问题，较少调查学龄前儿童膳食具体能量摄入，主要是因为能较为准确衡量学龄前儿童膳食营养能量摄入的调查问卷往往十分复杂。例如FFQ（Food Frequency Questionnaire），多达22 页，生活中常见的幼儿食物种类基本均有涉及[12]。同时问卷填写者还需要完成诸多种类食物的具体摄入量或摄入量范围，通常精确到克，这也会给家长或教师带来很大的挑战。因此，在相关学龄前儿童身体活动或静坐行为与身体成分的相关已发表研究文献中，诸多研究并未同时将膳食营养作为协变量[45，46，54]。尽管如此，本研究还是将与膳食营养密切相关的SES[55-58]作为协变量以控制膳食影响对BF%的影响。第二，加速度传感器仅能监测学龄前儿童身体活动和静坐时间，无法获得具体的身体活动即静坐行为类型，缺乏具体行为类型的支持，可能使研究结果的实践操作意义受到影响，建议未来研究者将24 小时动作行为拆解为更有意义的组合来探究其与BF%等健康指标的具体关联，以更好地指导实践。

4 结论

不同身体行为所花费时间的相互替代与3～6 岁儿童BF%的关联不同，其中MVPA 的时间占比尤为重要。未来教育者改善3～6 岁儿童的BF%时需着眼于行为整体，其中通过增加MVPA和降低LPA是改善3～6岁儿童BF%的有效方法之一。