馬勇，馬佳儀，孫志遠(yuǎn)，田雪文

摘要：體力活動不足已成為引起非傳染性疾病的主要原因之一，體力活動水平的測量是進(jìn)行運(yùn)動干預(yù)的前提條件，以測量與評價(jià)方式為核心，對傳統(tǒng)的測量方法和最新研究成果進(jìn)行了歸納分析，并對其發(fā)展的新趨勢進(jìn)行了闡述，包括基于GPS跟蹤器或慣性測量單元IMU的測量、針織壓阻織物（KPF）、可穿戴式生物傳感器、基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的傳感器、基于數(shù)據(jù)融合的神經(jīng)網(wǎng)絡(luò)方法等。提出重點(diǎn)研制適合我國國民體質(zhì)特征的測量工具和身體活動計(jì)算方程，并根據(jù)不同生理?xiàng)l件和年齡階段的人群，探索多種測量方法相結(jié)合，從而為準(zhǔn)確評估國民體力活動水平和運(yùn)動促進(jìn)健康提供參考依據(jù)。

關(guān)鍵詞：體力活動水平;測量;評價(jià);研究進(jìn)展

中圖分類號：G804.49文獻(xiàn)標(biāo)識碼：A文章編號：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

體力活動的缺乏已成為引起非傳染性疾病的主要原因之一，據(jù)WHO統(tǒng)計(jì)全球25的成年人和80以上的青少年人口缺乏體力活動。提高體力活動水平是顯著增加健康效益的重要方式，通過提高體力活動水平，增強(qiáng)身體素質(zhì)，減少醫(yī)療支出。體力活動水平的測量是進(jìn)行運(yùn)動干預(yù)、健康促進(jìn)的前提。雖然身體活動的重要性得到了認(rèn)可，但我們目前對體力活動測量和分析技術(shù)的理解是有限的。與發(fā)達(dá)國家相比，我國體力活動研究起步晚，未進(jìn)行系統(tǒng)性研究，整體發(fā)展水平與發(fā)達(dá)國家相比差距明顯。目前，有多種評估體力活動的方法。在選擇測量技術(shù)時(shí)，研究人員不僅需要考慮測量的可行性和實(shí)用性，還需要考慮方法的有效性、可靠性和敏感性。本研究基于相關(guān)文獻(xiàn)的查閱，對目前常見的體力活動測量工具進(jìn)行分析，并對新興體力活動測量和分析技術(shù)進(jìn)行剖析，為進(jìn)一步準(zhǔn)確測量國民體力活動水平提供參考依據(jù)。

1體力活動測量方法分類

體力活動水平的測量與評價(jià)依賴于精確的測量工具和分析方法，主要分為兩大類：主觀評價(jià)和間接測量。主觀評價(jià)：根據(jù)受試者的回憶和想象以及主試者的直接觀察，通過獲得一定量的訓(xùn)練學(xué)指標(biāo)來判定體力活動的水平。最具有代表性的有體力活動問卷和行為觀察法。間接測量：通過測量被試者的生理生化指標(biāo)并進(jìn)行科學(xué)分析，從而間接得到體力活動量，主要有雙標(biāo)水法、基礎(chǔ)代謝率測量法、心率測量法和運(yùn)動傳感器等測量方法。

1.1體力活動問卷

體力活動問卷是眾多測量與評價(jià)方法中最常見的方法，但是與加速度計(jì)和雙標(biāo)水法相比，該方法對體力活動水平測量存在一定的偏差，其主要原因是問卷調(diào)查中存在較多的主觀干擾因素，參與者對體育活動的記憶不準(zhǔn)確，增加了記憶偏差的風(fēng)險(xiǎn)。Daniel等（2016）通過對青少年體育鍛煉問卷（PAQ-A）進(jìn)行修改和分層劃分， PAQ-A內(nèi)部一致性（α=0.72）和重測信度（ICC=0.78）均顯著提高，有效規(guī)避了記憶偏差帶來的風(fēng)險(xiǎn)。

除此之外，特殊人群與健康者相比，在活動限度、活動方式和耐受程度等都存在明顯的不同，因此針對特定人群專門設(shè)計(jì)體力活動問卷可在一定程度上提高其準(zhǔn)確性。Tsunenori等對日語版《大齡兒童體育活動問卷》（PAQ-C）進(jìn)行了改進(jìn)和驗(yàn)證，通過驗(yàn)證內(nèi)部一致性（α=0.80）和重測可靠性（ICC=0.83）發(fā)現(xiàn)修改后的問卷具有較高的可靠性和有效性，更加適合大齡體育兒童的體力活動測量;西班牙文版的BPAQ-MI是一種有效可靠的工具（內(nèi)部一致性α=0.920），可以從社會生態(tài)的角度來確定殘疾學(xué)生在進(jìn)行體育活動中遇到的障礙。

1.2行為觀察法

行為觀察法是體力活動水平測量與評價(jià)中最早應(yīng)用的方法之一， 行為觀察法在兒童青少年體力活動水平的測量與評價(jià)中應(yīng)用較多，青少年課外體育觀察系統(tǒng)（SOPLAY）被認(rèn)為是評估青少年體力活動較為準(zhǔn)確的測量工具之一，經(jīng)效度檢驗(yàn)可在多場所對青少年體力活動進(jìn)行評估。由于受試者存在主觀能動性，在得知自己被觀察時(shí)，可能會改變自己日常的行為習(xí)慣。因此，干預(yù)者的忠誠度是該測量方法的核心關(guān)鍵。為提高該方法的準(zhǔn)確性和適用范圍，行為觀察法需要建立一定的培訓(xùn)審核制度，提高觀察者的工作水平，制定科學(xué)的觀察自核量表用于驗(yàn)證干預(yù)者忠誠度。

1.3雙標(biāo)水法

雙標(biāo)水法是通過體內(nèi)同位素稀釋法測量人體總水分，從而對人體能量消耗情況進(jìn)行評估，該方法是間接量熱法的一個(gè)創(chuàng)新變體，通過體內(nèi)同位素稀釋法測量人體總水分來評估人體成分的具體形式包括光密度法、身體阻抗、全身電導(dǎo)率、雙能X射線吸收法和磁共振成像等測量方式。到目前為止，雙標(biāo)水法仍然是健康受試者、患者和運(yùn)動員能量評估的重要方式。

1.4基礎(chǔ)代謝率測量法

基礎(chǔ)代謝率測量法由間接熱量測量法、直接熱量測量法和公式估算法組成?，F(xiàn)有的熱量預(yù)測公式數(shù)目繁多，其預(yù)測能力參差不齊，準(zhǔn)確系數(shù)在0.31～0.92之間不等。Pedro等通過重建量熱信號（CSRM），將傳感器測得的功率調(diào)整為數(shù)學(xué)模型，該數(shù)學(xué)模型由Wbody（t）=A0+PAiexp的指數(shù)和組成（t/si），通過應(yīng)用這種新方法（CSRM）和逆濾波器方法（IFM），可能會規(guī)避直接測熱法的不足。近年來出現(xiàn)心肺功能測試儀所用的分析系統(tǒng)是目前國際通用的一種無創(chuàng)間接測熱法系統(tǒng)，已被廣泛應(yīng)用于實(shí)驗(yàn)和臨床研究。另外，研究人體較長時(shí)間的能量消耗和體力活動的詳細(xì)情況，能量代謝艙（MetabolicChamber）無疑是最好的選擇，所以國際上又重新將能量代謝艙作為能量代謝測定的“金標(biāo)準(zhǔn)”。

1.5心率測量法

心率測量法常用于運(yùn)動訓(xùn)練監(jiān)控，心率變異性可以較好地反映運(yùn)動員的不同運(yùn)動類型和不同運(yùn)動負(fù)荷。在心率監(jiān)測過程中，高精度的心率檢測是很困難的，這可以通過應(yīng)用有效的圖像處理技術(shù)來克服。Abdulaziz等研發(fā)了一個(gè)Eulerian video magnification algorithm用以輔助心率監(jiān)測系統(tǒng)的可視化過程，遠(yuǎn)程光電容積描記術(shù)（rPPG）通過攝像機(jī)對人類心臟活動進(jìn)行非接觸式監(jiān)視，都能較好地解決該問題。

1.6運(yùn)動傳感器

運(yùn)動傳感器是流行病學(xué)研究中的首選測量工具，作為一種收集訓(xùn)練學(xué)指標(biāo)的體力活動測量工具，該設(shè)備在業(yè)界得到了廣泛使用。在移動設(shè)備中嵌入小巧的、輕便的傳感器變得普及，較有力地推動了研究熱點(diǎn)轉(zhuǎn)向借助傳感器數(shù)據(jù)解決人體活動識別問題。近年來許多研究應(yīng)用了新興的加速度計(jì)評估身體活動，例如使用可穿戴顯示器來測量人類的身體活動取得了很好的效果，加速度計(jì)對步行、跑步、騎自行車和跳繩等運(yùn)動項(xiàng)目的體力活動水平進(jìn)行了精確分類，其準(zhǔn)確性高達(dá)100。Aziz等使用加速度計(jì)成功地測量了成年人或走動障礙者的身體活動和久坐行為，采用線性判別分析，在對跌倒類型進(jìn)行分類時(shí)，總體準(zhǔn)確性高達(dá)89。但是，當(dāng)在高度短暫的活動中使用相同的方法以及檢測到由于暈厥導(dǎo)致的跌倒時(shí)，就會出現(xiàn)問題。未來的技術(shù)改進(jìn)將需要檢查原始加速度信號并開發(fā)用于準(zhǔn)確能量消耗預(yù)測和活動分類的高級模型。

2體力活動測量工具發(fā)展新趨勢

智能化和無創(chuàng)性測量設(shè)備是發(fā)展的新趨勢，具體包括：測量原始數(shù)據(jù)的傳感器，可穿戴設(shè)備的芯片和可視化數(shù)據(jù)傳輸效果監(jiān)視器等，用于收集持續(xù)監(jiān)測健康、運(yùn)動活動、評估性能和其他方面的測量中的數(shù)據(jù)。運(yùn)動傳感器同其他生理生化測試設(shè)備結(jié)合使用也將得到大范圍提高，并且為了便于大眾使用，將運(yùn)動傳感器測量的體力活動和健康聯(lián)系起來，使得這些裝置的測量數(shù)據(jù)更容易獲得。除了機(jī)器學(xué)習(xí)和模式識別之外，數(shù)學(xué)建模還通過結(jié)合加速度計(jì)、心率監(jiān)測器、間接量熱法 （IC） 和人體測量數(shù)據(jù)來改進(jìn)能量消耗估計(jì)。此外，更復(fù)雜的技術(shù)，如人工神經(jīng)網(wǎng)絡(luò) （ANN），可以通過網(wǎng)絡(luò)提供數(shù)據(jù)信息，然后更好地預(yù)測能量消耗或運(yùn)動。本文將從動作捕捉和識別、體力活動數(shù)據(jù)采集、數(shù)據(jù)分析與處理三個(gè)方面展開綜述。

2.1動作捕捉和識別

基于GPS跟蹤器或慣性測量單元IMU的測量的動作捕捉系統(tǒng)。Awolusi等通過射頻識別系統(tǒng)（RFID），基于無線電波和信號的投影來傳輸數(shù)據(jù)，識別人的狀態(tài)。隨著全球定位系統(tǒng)的精度提高，通過預(yù)處理技術(shù)，一些GPS跟蹤器或慣性測量單元（IMU）利用經(jīng)度與緯度之間的差異測量當(dāng)前速度、最大速度和距離等信息，例如，集成GPS傳感器的運(yùn)動手表可以顯示實(shí)時(shí)位置。

除此之外，針織壓阻織物（KPF）被證明是一種很好的人體運(yùn)動檢測工具，這一重要的發(fā)現(xiàn)將會加快智能紡織品的發(fā)展（如圖1所示）。運(yùn)動感應(yīng)服裝是通過將應(yīng)變傳感器應(yīng)用于普通服裝上的特定區(qū)域來制造的，通過身體形狀的變化而引起應(yīng)變場的變化來重建人類的運(yùn)動。智能紡織品具備成本低、重量輕、靈活性高等優(yōu)點(diǎn)。

顯而易見，對于簡單的體力活動或姿勢識別可以采用多種技術(shù)進(jìn)行確定，一旦動作技術(shù)變得復(fù)雜多樣，確定效果大打折扣。深度學(xué)習(xí)在圖像識別和語音識別方面的出色表現(xiàn)，促進(jìn)了深度學(xué)習(xí)在基于傳感器的人體活動識別的運(yùn)用，且已有研究人員證明運(yùn)用深度學(xué)習(xí)可以獲得較好性能。經(jīng)過實(shí)驗(yàn)比較發(fā)現(xiàn)，基于深度學(xué)習(xí)的方法比利用機(jī)器學(xué)習(xí)的方法活動識別準(zhǔn)確率提高20，基于深度學(xué)習(xí)的方法對活動識別的平均準(zhǔn)確率達(dá)到了85。

2.2體力活動數(shù)據(jù)采集

可穿戴式傳感器在體育運(yùn)動中的應(yīng)用尚處于起步階段，運(yùn)動類型不同，佩戴位置的差異，導(dǎo)致穿戴式傳感器精準(zhǔn)性不足是現(xiàn)存的較大挑戰(zhàn)。如今大多數(shù)設(shè)備僅測量距離、速度和加速度等基本的運(yùn)動參數(shù)，亟需通過測量電解質(zhì)、神經(jīng)肽等生化指標(biāo)來反映受試者的體力活動、體能疲勞和精神敏銳度等，從而通過生化指標(biāo)來“量化運(yùn)動者”。與直接血液分析相比，分析汗液和唾液被認(rèn)為是一種有吸引力的新興方法，因?yàn)樗哂袩o創(chuàng)性和持續(xù)供應(yīng)?？纱┐魃飩鞲衅鞯某霈F(xiàn)可用來測量唾液和汗液中汗液的分析物，以評估運(yùn)動能力和體力活動水平，這是評估人類表現(xiàn)的重要一步。Kim等制造了一種護(hù)口生物傳感器，通過在柔性聚對苯二甲酸乙二醇（PET）基板上絲網(wǎng)印刷三個(gè)獨(dú)立的層來測量乳酸水平，該生物傳感器經(jīng)過測試，以良好的線性和0.988的相關(guān)系數(shù)可以很好地測量未刺激的人唾液中的乳酸水平。最近，NextFlex和加州大學(xué)圣地亞哥分校的一個(gè)協(xié)作小組（2019）制造了一種智能護(hù)齒生物傳感器（圖2），可以根據(jù)唾液中的乳酸和葡萄糖含量檢測出脫水、疲憊和精神狀態(tài)的早期征兆，該設(shè)備能夠更換電極以測量其他生物標(biāo)志物，例如UA。同樣，Kenzen Wear的Echo貼片是一種貼在軀干上的表皮傳感器（圖3），除了測量pH值和皮膚溫度外，還可以監(jiān)測汗液中的鈉和鉀。血漿乳酸濃度與汗液乳酸的濃度非常接近，可指示身體的運(yùn)動能力和運(yùn)動強(qiáng)度。一種混合型表皮可穿戴設(shè)備，包括可過濾的印制了三電極電流型乳酸生物傳感器和兩個(gè)ECG電極，用于同時(shí)實(shí)時(shí)測量心臟中的乳酸和電活動。

基于深度學(xué)習(xí)技術(shù)的皮膚傳感器。Kyun Kyu Kim等人提出一種超靈敏的皮膚傳感器，它可以測量遠(yuǎn)離關(guān)節(jié)的小皮膚變形之前無法檢測到的信號，并結(jié)合深度神經(jīng)網(wǎng)絡(luò)來闡明相應(yīng)身體部位的運(yùn)動。該傳感器安裝在手腕上，就能夠提取與多個(gè)手指運(yùn)動相對應(yīng)的信號，比精確定位每個(gè)關(guān)節(jié)和肌肉更有效。傳感器的性能是通過一個(gè)具體的理論模型設(shè)計(jì)的，連續(xù)的激光蛇形圖案也允許傳感器整合地附著在表皮上，深度神經(jīng)網(wǎng)絡(luò)成功地解碼來自手腕的時(shí)域傳感器信號，從而產(chǎn)生相應(yīng)的手指運(yùn)動，其中的RSL系統(tǒng)引導(dǎo)用戶從腕關(guān)節(jié)的任意部位收集數(shù)據(jù)，并使用反映原始運(yùn)動的虛擬3D手在實(shí)時(shí)演示中自動訓(xùn)練模型。該傳感器也適用于骨盆，能夠?qū)崟r(shí)成功地產(chǎn)生動態(tài)步態(tài)運(yùn)動。這將促進(jìn)對人體運(yùn)動的間接遠(yuǎn)程測量，并且可用于依賴運(yùn)動感知的各種應(yīng)用。

2.3數(shù)據(jù)分析與處理

基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的傳感器。機(jī)器學(xué)習(xí)與加速度計(jì)的結(jié)合使用似乎可以高精度地識別特定運(yùn)動。Leutheuser等利用機(jī)器學(xué)習(xí)與特征提取相結(jié)合，能夠以89.6的準(zhǔn)確度正確識別基本的日常生活體力活動。相反，當(dāng)活動類型和環(huán)境變得復(fù)雜，不僅限于特定地跌倒或基本運(yùn)動時(shí)，準(zhǔn)確度下降。Duncan等人通過機(jī)械學(xué)習(xí)與特征提取相結(jié)合，在實(shí)驗(yàn)室中步行或奔跑所測準(zhǔn)確度達(dá)到97，進(jìn)行現(xiàn)場測試時(shí)，精度下降了13個(gè)百分點(diǎn)，這表明在實(shí)驗(yàn)室范圍之外的可靠性可能有待提高。

Trost等提倡使用另一種形式的機(jī)器學(xué)習(xí)（ANN），并在活動分類中具有較高的準(zhǔn)確性（88.4）。這種類型的機(jī)器學(xué)習(xí)已被應(yīng)用于具有高度準(zhǔn)確性和可靠性的多種設(shè)置，并依賴受自然神經(jīng)元啟發(fā)的計(jì)算模型來處理和鏈接輸入的數(shù)據(jù)。目前，這些技術(shù)僅限于對簡單運(yùn)動或基本體力活動進(jìn)行分類，因此，需要進(jìn)一步的研究來擴(kuò)展這些模型以適用于更通用的設(shè)備。除此之外，Goncalves利用Xbox Kinect相機(jī)結(jié)合模式通過動態(tài)時(shí)間扭曲識別方法，與其他測量模式具有較高的相似性，該相似性可能隨時(shí)間而變化。在Fulk等人研究中，通過計(jì)算機(jī)識別信號的來源，傳感器可以預(yù)測姿勢活動，在8名參與者中，發(fā)現(xiàn)姿勢活動的準(zhǔn)確度為99～100，這表明使用適當(dāng)?shù)臉颖玖浚铀俣群蛪毫η€的組合，可以準(zhǔn)確的評估活動姿勢。如圖4所示，Xiao等使用了一個(gè)力敏感電阻器，將其應(yīng)用于上肢來分析前臂的力量肌電信號，準(zhǔn)確識別出上肢運(yùn)動（準(zhǔn)確度為92）。

基于數(shù)據(jù)融合的神經(jīng)網(wǎng)絡(luò)方法。韓欣欣等提出一種基于數(shù)據(jù)融合的卷積神經(jīng)網(wǎng)絡(luò)方法，借助利用軸之間的相關(guān)性的單通道數(shù)據(jù)融合方法得到融合數(shù)據(jù)，將融合數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中提取特征，在WISDM數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法的準(zhǔn)確率達(dá)到了98.80，優(yōu)于不使用數(shù)據(jù)融合的卷積神經(jīng)網(wǎng)絡(luò)方法（圖5）。但是僅基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法對個(gè)別的活動識別準(zhǔn)確率比較低，尤其是對較少發(fā)生的、容易混淆的活動，識別準(zhǔn)確率比較低。宋欣瑞引入了環(huán)神經(jīng)網(wǎng)絡(luò)，將基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合，得到CNN+GRU的深度混合神經(jīng)網(wǎng)絡(luò)模型（圖6）。該模型對活動識別的平均準(zhǔn)確率達(dá)到了90，對非周期性活動識別準(zhǔn)確率提高了9。

近年來新興的加速度計(jì)技術(shù)分析，主要是基于實(shí)驗(yàn)室的研究，使用的樣本量小且具有探索性，并且在一系列活動中測量準(zhǔn)確性的程度不一致。此外，由于影響步態(tài)和體育活動特征的個(gè)體因素會因年齡，性別和運(yùn)動能力而異，未來的研究應(yīng)包括更詳細(xì)的參與者特征。運(yùn)動傳感器設(shè)備是否具備行為改變技術(shù)成為了關(guān)鍵因素，用于從事矩陣代數(shù)運(yùn)算的芯片是否變得更智能、更便宜和更容易獲得將成為影響運(yùn)動傳感器發(fā)展的必然決定因素。

3結(jié)語

大量的新興技術(shù)分析揭示了體力活動測量的高精度，然而，許多研究是探索性的或需要進(jìn)一步發(fā)展以在更大的樣本中建立可靠的準(zhǔn)確測量。體力活動測量領(lǐng)域發(fā)展迅速，新興的技術(shù)僅在相對較小的樣本中取得了不同程度的成功，而且一系列活動的測量準(zhǔn)確度也不一致。確定這些技術(shù)所達(dá)到的準(zhǔn)確度非常重要，以便研究人員能夠?qū)Ψ治龇椒ㄗ龀雒髦堑倪x擇。

體力活動水平的測量與評價(jià)是一項(xiàng)復(fù)合型測量工程，理想的測量方法應(yīng)該具備測量程序客觀嚴(yán)謹(jǐn)、數(shù)據(jù)準(zhǔn)確、方便易行、花費(fèi)少、非干擾、無創(chuàng)傷、便于管理、注重細(xì)節(jié)化測量和個(gè)體化差異性以及適用于大樣本測量的特點(diǎn)。目前尚未發(fā)現(xiàn)可以進(jìn)行精確測量的單一理想方法。以合理的準(zhǔn)確性和可接受的成本測量體力活動對于理解體力活動與健康之間的關(guān)系至關(guān)重要。體力活動水平的量化非常復(fù)雜，它的精確量化可能是研究和促進(jìn)體力活動關(guān)鍵步驟，精確的體力活動測量將會進(jìn)一步提高我們對體力活動與健康之間關(guān)系的認(rèn)識和了解。從目前情況看，每種測量方法都有優(yōu)缺點(diǎn)，沒有一種方法可以獨(dú)立完成準(zhǔn)確的測試。根據(jù)不同生理?xiàng)l件和年齡階段的人群，探索多種測量方法的結(jié)合是未來的發(fā)展趨勢?，F(xiàn)在主流的測試工具大都產(chǎn)自國外，更適合國外人群的體質(zhì)特征，下一步應(yīng)重點(diǎn)研制適合我國國民體質(zhì)特征的測量工具，自主研制出適合中國國民身體活動的計(jì)算方程，提高關(guān)鍵核心技術(shù)創(chuàng)新能力。對于測試設(shè)備開發(fā)者，在開發(fā)和完善設(shè)備的同時(shí)，還需綜合考慮收入較低者對健康促進(jìn)的需求，盡力做到滿足大眾的健康訴求。

此外，未來的研究應(yīng)包括更詳細(xì)的參與者特征，因?yàn)橛绊戵w力活動特征的許多個(gè)體因素因年齡、性別和運(yùn)動能力而異，盡管采用了不同的技術(shù)，但這些問題始終未能很好的解決。因此，隨著方法的發(fā)展，建議改進(jìn)分析技術(shù)以解決參與者的差異，為每種技術(shù)建立可接受的測量身體活動的準(zhǔn)確度水平，以及不同活動的“質(zhì)量”，例如步態(tài)特征、活動持續(xù)時(shí)間和特質(zhì)差異有待進(jìn)一步研究。最后，姿勢活動的分類，應(yīng)納入調(diào)查身體活動的研究中，以更好地了解和研究體力活動。

參考文獻(xiàn)：

[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]譚少華，高銀寶，等.社區(qū)步行環(huán)境的主動式健康干預(yù)——體力活動視角.城市規(guī)劃，2020，44（12）：35-46.

[3]吳志建，王竹影，等.城市建成環(huán)境對老年人健康的影響：以體力活動為中介的模型驗(yàn)證.中國體育科技，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]邱俊強(qiáng)，陳演，等.運(yùn)動促進(jìn)健康：基于能量平衡理論的回顧與展望.北京體育大學(xué)學(xué)報(bào)，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.中國成年人基礎(chǔ)代謝率實(shí)測值與公式計(jì)算值的一致性研究.湖北體育科技，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，葉劍，等.基于數(shù)據(jù)融合的CNN方法用于人體活動識別.計(jì)算機(jī)工程與設(shè)計(jì)，2020，41（2）：522-528.

[47]宋欣瑞.基于多傳感器數(shù)據(jù)融合的人體復(fù)雜活動識別研究.哈爾濱：哈爾濱工業(yè)大學(xué)，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.