论智能可穿戴设备在我国体力活动大数据分析中的应用

温煦，袁冰，李华，周厚栋

论智能可穿戴设备在我国体力活动大数据分析中的应用

温煦，袁冰，李华，周厚栋

回顾我国体力活动研究方法和研究工具的现状，探讨智能可穿戴设备在体力活动大数据研究中应用的可行性，并对未来的发展趋势进行展望。1）虽然体力活动问卷的效度较低，但问卷依然是我国近10年体力活动研究最常用的测量工具，在大数据时代，我国体力活动领域的研究需要更有效、经济、方便，且适用于长周期、大样本的研究工具。2）加速度探测技术、心率探测技术和全球卫星定位系统（GPS）技术是目前可穿戴设备测量体力活动能量消耗的主流技术，数据挖掘和机器学习等方法的应用进一步提升了测试的效度。国产智能可穿戴设备估算能量消耗的效度不高，仍具有较大的技术提升空间。智能可穿戴设备在体力活动的大数据研究领域具有非常广阔的应用前景。3）智能可穿戴设备技术和大数据分析方法将给体力活动研究带来深远的影响，可能引起研究理念、研究工具、数据分析方法的重大变革。

智能可穿戴设备；体力活动；大数据

1965年，英特尔（Intel）创始人之一戈登·摩尔通过长期观察和总结计算机硬件的发展规律，提出了摩尔定律，该定律认为，同一个面积集成电路上可容纳的晶体管数目，约每隔1～2年将增加一倍。也就是说，计算机硬件的处理速度和存储能力，每1～2年将提升一倍。实际上，从20世纪90年代开始，全世界的物理存储器，每9个月就增加一倍［16］。在信息技术、计算机和互联网高速发展的带动下，人类社会迅速迈进了一个崭新的数字时代。一个大规模生产、分享和应用数据的时代已经开启。

美国疾病预防和控制中心通过设立在美国各地的监测网络可以监控新型流感疫情，不过该数据有1～2周的延迟。2009年，谷歌公司工程师们发表于《自然》杂志的一项研究显示，谷歌公司通过人们网上的搜索记录获得的“谷歌流感趋势”（Google Flu Trends）与1～2周以后发布的公共卫生数据高度一致，且更快捷、更经济［19］。大数据使我们对科学研究、商业、政府管理等许多领域的传统思维发生了改变，一场基于大数据的生活、工作和思维的大变革已经悄然发生。

大数据对各行各业带来强大冲击，在众多学科开始拥抱大数据的背景下，中国的体育科研将如何发展？特别是近年来随着以智能手环和智能手表为代表的可穿戴设备的广泛应用，我们的体力活动、位置以及身体生理数据等每一点变化都成为了可被记录和分析的数据，为体力活动的测量提供了新的思路与方法。智能可穿戴设备的高速发展为体力活动的大数据研究创造了可能。

本研究将从大数据研究的角度重新审视我国体力活动研究方法和研究工具的现状，分析智能可穿戴设备在体力活动大数据研究中应用的可行性，并对未来的发展趋势进行展望。

1 我国体力活动研究工具的回顾

已有研究表明，体力活动不足和久坐少动的静态生活方式是影响人类健康的主要因素之一［17，31，36］，体力活动的相关研究也成为了近年来的研究热点。不过，制约体力活动相关研究的一个重要障碍是缺乏一个准确、客观、经济的测量体力活动和静态生活方式的工具。目前，应用于青少年和成年人日常体力活动测量的研究方法主要包括双标水法、间接测热法、问卷法、心率法和运动传感器法（加速度计、计步器等；表1）。双标水法和间接测热法的测量精度高、稳定性好，往往作为体力活动测试的金标准。但是，由于两种测试仪器设备比较昂贵、测试成本高、测试程序较复杂，一般用于小样本实验研究，极少用于大样本的体力活动研究。

使用最为广泛的体力活动测量工具是各类体力活动调查问卷。有研究系统总结了130种体力活动调查问卷发现，各类体力活动问卷的信度水平在0.62～0.76，而效度则仅为0.25～0.41，不够理想［21］。以在学术界认可较高、应用也较为广泛的国际体力活动问卷（International Physical Activity Questionnaire，IPAQ）为例，其效度也仅有0.3左右［14］。

由于心率与体力活动的能量代谢存在线性关系，一些研究也通过监测心率来实现对体力活动的测量。不过，心率与能量代谢的相关关系具有较大的个体差异，因此，需要在体力活动测试前建立个人化的心率-能耗关系。近年来，一些研究者开发了新算法，不经过实验室的校正，也能够较为准确的估算能量消耗和评估有氧耐力水平［3，34］。

以计步器和加速度计为代表的运动传感器，是近年来新兴的测量体力活动的工具。计步器通过记录受试对象行走的步数来估算体力活动能量消耗，测试成本比较经济，但测试精度偏低。以加速度计（Accelerometer）为代表的体力活动监测设备是近十几年发展最快的测量体力活动的重要工具。加速度计通过微型传感器测量人体活动时的加速度，从而估算体力活动水平。进入21世纪以来，加速度计凭借其出色的效度，逐渐被应用于体力活动研究中，技术水平也不断提高，由最初单轴加速度计发展为三轴加速度计［10，14］。虽然，加速度传感器由于大规模生产和应用，价格已经不高，但是，用于科研的各类加速度计（如Actigraph加速度计等）动辄数千元的价格，限制了采用加速度计的体力活动研究的样本量。因此，我国基于加速度计的体力活动大样本研究非常少。

表1 常用的体力活动测量工具Table 1 Common Instruments in the Measurement of Physical Activity

为了厘清我国体力活动研究工具的应用情况，本研究在中国知网数据库搜索了2006年1月～2015年12月发表的论文题目含有“体力活动”或“身体活动”的体育类期刊论文，共计223篇论文。

图1 2006-2015年中国知网体力活动相关论文数量统计Figure 1.The Number of Physical Activity Related Academic Articles in CNKI

如图1所示，近10年来，体力活动相关研究数量呈逐渐上升趋势，体力活动相关研究获得了体育界学者的广泛关注。对搜索获得的223篇论文的研究工具进行分类，发现其中有130篇论文为研究综述、理论研究、质性研究或方法学研究，未使用体力活动测量工具。在使用体力活动测量工具的82篇实证研究中，65篇使用调查问卷，占全部实证研究的79.3%，其中，使用最为广泛的为国际体力活动问卷；约20%的文献（17篇）使用了运动传感器法对体力活动进行测试，其中，15篇文献使用加速度计，2篇为计步器。使用加速计的研究全部为2013—2015期间发表的论文，样本量大都在500人以下。

从统计结果看，体力活动问卷的效度虽然不够理想，但仍是我国体力活动研究的主流研究方法。运动传感器近几年来在体力活动研究中的应用方兴未艾，但相对高昂的价格限制了其在大样本体力活动研究中的应用。无论是体力活动问卷还是加速度计都不可能满足体力活动大数据研究的需求。我国体力活动领域的研究需要更科学、有效、经济、易用的研究工具，特别是能够大规模、简单、有效采集数据的研究工具。

2 智能可穿戴设备测量体力活动能量消耗的主要方法及基本原理

在“互联网+”、万物互联的大背景下，具有测量体力活动能量消耗功能的智能可穿戴设备迅猛发展。不同品牌设备的工作原理和算法都有所不同，具有测量体力活动能量消耗功能的主流智能可穿戴设备是基于加速度探测、心率探测、全球卫星定位系统（GPS）中的一种或多种方法开发而来。

2.1 基于加速度探测技术估算体力活动能量消耗的主要方法及基本原理

基于加速度探测技术的智能可穿戴设备，通过加速度传感器探测人体身体活动的加速度，再依靠一系列算法估算人体体力活动的能量消耗。2009年以前，基于加速度计的体力活动能量消耗算法主要是基于一个被称为“counts”或类似于counts的参数（不同公司对此类参数的称谓有所不同，算法也不尽相同）。加速度传感器获取的原始信号是一个反映加速度大小的电压值，经过过滤、放大和模数转换后，可将模拟电压信号转化为数字信号，也称为“原始counts”（raw counts）。将这个数字信号转化为counts不同品牌产品采用的算法不一，通常有3种方式［12，29］：1）累计数字信号超过某阈值的次数，该阈值可以设为0，也可以设置为代表某种运动类型或强度的某个数值；2）探测在某个时间范围内的最大值来代表该时间段的counts；3）计算某时间段内加速度数据曲线下的面积，这也是最常用的方法。其实，counts本身并不具有意义，也无法被人们所理解。通常是以更为精准的能量代谢测定方法为效标，建立counts与能量消耗之间回归方程，从而通过counts估算能量消耗。这种传统的估算体力活动能量消耗的方法具有良好的研究效度，广泛应用于各类加速度计，也得到了许多体力活动研究者的青睐［38］。

传统的基于加速度计估算体力活动能量消耗的算法主要是由一批运动科学和公共卫生领域的研究者为主导。以counts估算体力活动能量消耗的一大弊端，是忽视了不同类型运动的加速度特征差异，而采用相同的算法计算不同运动类型的能量消耗。此外，无法确定运动的类型也是传统加速度计算法在体力活动研究中的一大“短板”。从2009年开始，特别是在大数据时代背景下，一批以Bonomi和Staudenmayer为代表的计算机、数学相关专业的科学家进入了这个研究领域。他们采用大数据的数据分析方法，对加速度计估算体力活动能量消耗的算法进行新的研究，通过数据挖掘、机器学习等数据分析手段，解析不同运动类型的加速度数据特征，并以此对运动类型进行分类，确定运动的种类、时间和强度，再分别建立基于不同运动类型的能量消耗算法［6-8，35］。有研究对新的算法进行了评估，进一步确认了采用新的算法可以识别运动类型［24］，且估算体力活动能量消耗的效度优于传统的方法［13，18］。

综上所述，数据挖掘、机器学习等大数据分析技术成为了推动加速度计估算体力活动的算法革命的动力之源，全新算法的建立无疑是加速度传感器应用于体力活动研究的一次巨大进步，而且，随着数据采集和数据分析手段的不断进步，加速度计估算能量消耗的准确率可能还将进一步提升［6］。

2.2 基于心率探测技术估算体力活动能量消耗的主要方法及基本原理

2.2.1 智能可穿戴设备用于探测心率的主流方法

近年来，心率测试技术不断进步，应用于智能可穿戴设备的心率测试技术主要有两种：1）心电测量技术，受试对象需要佩戴无线心率胸带，该胸带通过记录心脏跳动中的生物电信号测定心率，其原理类似于心电图测试。该方法的优点是测试准确性较高，且在运动状态下测试稳定性较好；缺点是需要在胸部佩戴心率胸带，使用者的舒适度可能受到影响，不利于用户的长时间连续使用。2）光电测试技术，该技术的基本原理是手臂血管中的血液在脉动的时候会发生血红蛋白吸光度的改变，通过检测这种透光率的改变，可以测试脉搏。该测试技术的优点是不需要佩戴胸带，用户只需在手臂或手腕佩戴相关设备即可，有助于提高用户的“用户粘性”；缺点是测试准确性较心电测试法低，在运动状态下的稳定性也略差。即便如此，光电测试技术以其更优秀的舒适度和用户粘性，受到了更多生产商的青睐。

2.2.2 心率估算能量消耗的算法研究

应用心率来估算能量消耗早在几十年前就被研究者们所关注。在20世纪50年代，Berggren等［5］就建立了基于心率与摄氧量和能量消耗在亚极量运动中近乎线性关系的估算方法。正是基于这种线性关系，在有氧耐力测量与评价中非常重要的亚极量最大摄氧量测试法才被建立起来。但是，心率估算能量消耗也存在一些局限性：1）心率易受到情绪的影响；2）在能量消耗水平较低时，心率估算能量消耗的误差较大；3）每个人面对不同运动负荷的心率反应存在较大差异，即心率与能量消耗的关系存在较大的个体差异。标准的心率法估算能量消耗，需要先在实验室进行一次“定标”校正，以确定该名受试对象心率与能量消耗的线性关系。但是，让可穿戴设备的用户都先到实验室进行测试显然是不现实、不方便的。因此，目前各类采用心率法估算能量消耗的智能可穿戴设备的估算误差相当一部分来自个体化的差异。近年来，许多研究者正在通过一些不同的技术（大数据分析、间接个人标定等）探索减少个体误差，提升心率估算能量消耗精度的新方法［4，9，10，33］。这些技术应用的实际效果仍有待进一步研究，目前也只是小范围地应用于某些品牌，尚未被大多数智能可穿戴设备所采用。

2.3 基于全球卫星定位系统估算体力活动能量消耗的主要方法及基本原理

全球卫星定位系统（GPS）是一种基于卫星和通信技术的定位系统，可以通过测量受试对象户外运动时的位置、速度（走路或跑步）、坡度（通过海拔或地图）和时间来估算受试对象的能量消耗。在美国运动医学会（American College of Sports Medicine，ACSM）推荐的摄氧量和能量消耗估算公式中，速度和坡度是2个主要的因素［20］。有研究者以加速度计为效标，比较了3种品牌的GPS手表测定能量消耗的有效性，结果发现，GPS估算的能量消耗与加速度计测量结果有40%～50%的差异［23］。目前的研究认为，GPS在测量受试对象高速运动时存在更大的误差，而提高GPS采样频率可能有助于提高测量的有效性［25］。GPS测量体力活动能量消耗的一个问题是，无法测量室内的体力活动，即使应用于户外运动也受到一些环境因素（建筑物、树木、云层等）的影响［23］。尽管存在一些问题，GPS仍然可以与其他方法结合使用，从而提升体力活动能量消耗估算的有效性和可靠性。

3 智能可穿戴设备应用于体力活动大数据研究的可行性

在“互联网+”、万物互联的新时代，以智能运动手环和智能运动手表为代表的智能可穿戴设备迅速发展。主流的可用于体力活动监测的智能可穿戴设备是基于三轴加速度传感器、心率传感器、陀螺仪、GPS定位等一种或多种技术开发而来。鉴于基于加速度传感器的加速度计，如Actigraph加速度计、RT3加速度计等设备已经被国内、外研究证明能够较为准确地测量体力活动的能量消耗，且已经广泛应用于各类体力活动的研究中［1，11，22，30，39］，而许多智能可穿戴设备与Actigraph加速度计、RT3加速度计在测试基本原理上是相似的，采用的加速度传感器也是大同小异的，许多智能可穿戴设备还配备心率、GPS、陀螺仪等其他技术。因此，在理论上，智能可穿戴设备测试体力活动的精度应高于或至少与加速度计相当。

根据奈奎斯特准则（Nyquist Criterion），体力活动测量的采样频率应至少为运动动作最高频率的2倍，大部分商用的体力活动监测记录设备的采样频率在1～64 Hz［28］。因此，智能可穿戴设备记录体力活动获取的数据量相当庞大，且具有非常快的数据增长速度。此外，如前所述，通过一些数据挖掘技术，可以提供包括运动类型、运动强度、运动时间等信息。如果使用了GPS功能，还可以利用运动位置和时间，结合地理信息、天气预报信息、交通信息、空气质量信息等获取大量相关数据。丰富的数据类型，为未来的体力活动大数据研究拓展了思路，许多过去很难开展的研究未来可能都可以实现。

随着智能可穿戴技术的快速发展和日趋成熟，以采用三轴加速度传感器的许多智能运动手环为例，某些品牌产品的价格已经比较低廉，进一步扩大了使用人群的规模。此外，智能可穿戴设备能够通过移动终端实现数据远程传输，通过互联网向研究者的服务器传回不间断的海量个人活动数据，数据搜集工作更加方便、快捷。因此，智能可穿戴产品如果应用于体力活动的大样本研究，将具有非常好的经济性和使用便捷性。

综上所述，智能可穿戴系统可以提供的数据已经具备了容量大（volume），数据增长速度快（velocity），数据具有多样性（variety），即大数据的3V特征，且部分智能可穿戴设备还具有非常出色的经济性和使用便捷性，为今后利用智能可穿戴设备开展大样本的体力活动大数据研究奠定了基础。

4 现有国产智能可穿戴设备测量体力活动的有效性研究

智能运动手环作为最基础的智能可穿戴设备，与体力活动问卷相比，具有客观、细致（数据采集可精确到s或ms）、数据量大而丰富、方便、经济等特点（表2）。传统的智能运动手环无法自动分辨运动类型，但是近年来，相关算法也已经逐渐成熟，可以自动识别运动类型，并具有较好的有效性［35］。不过，国产智能可穿戴设备测试体力活动能量消耗的效度还鲜有报道。因此，本研究通过一项基于实验室环境和一项基于日常生活环境的智能手环测量体力活动能量消耗的有效性研究，探讨应用场景下国产智能手环测量人体体力活动能量消耗的效度。

表2 体力活动问卷与智能可穿戴设备的比较Table 2 Comparison of Physical Activity Questionnaire and Smart Wearable Devices

4.1 实验一：基于实验室环境的智能手环测量体力活动能量消耗有效性研究

研究实验对象为36名成年人，男性18名，女性18名；最小年龄22岁，最大年龄27岁。全部受试者身体健康，无呼吸道、心脑血管、内分泌系统等运动不适疾病。要求受试对象佩戴目前国内用户量比较大的4种品牌智能手环：H手环、X手环、B手环、G手环。受试对象在实验室跑步机上分别以4.0 km/h、5.6 km/h、6.4 km/h、7.2 km/h和8.0 km/h的速度，走或跑3 min。分别采用4种运动手环和COSMED Quark气体分析代谢仪测量每一级速度下人体的能量消耗。以间接测热法测定的能量消耗为效标，比较不同智能手环的测量值。

如表3所示，不同品牌智能手环测定体力活动的能量消耗与间接测热法测定的能量消耗存在不同程度的误差，普遍存在低估能耗的情况，平均误差的范围从2%～40%不等。

表3 4种智能手环测量的平均能量消耗与间接测热法统计表Table 3 Comparison of the Energy Expenditure Measured by Four Types of Smart Bracelets and Indirect Calorimetry

不同品牌智能手环与气体分析法测定的能量消耗的相关系数范围为0.02～0.67。有的品牌测量某些速度下的能量消耗的效度尚处于可接受范围，但是，个别品牌的智能手环能耗数据与间接测热法数据几乎不相关，测量能量消耗的有效性较差。采用基于速度和坡度的美国运动医学会（ACSM）的走和跑的能量估算公式进行计算［20］，发现采用ACSM公式估算能量消耗与实测值的相关系数达到0.62～0.75，统计检验均具有显著性（表4）。

表4 4种智能手环和ACSM公式估算能量消耗与间接测热法能量消耗的相关系数Table 4 Correlation Coefficients among the Energy Expenditure Measured by Four Types of Smart Bracelets，ACSM Equations and Indirect Calorimetry

4.2 实验二：基于日常生活环境的智能手环测量体力活动能量消耗有效性研究

研究对象为18名10～12岁小学生，男生7人，女生11人。研究对象身体健康，无任何不适合参加运动的疾病。要求研究对象连续佩戴Actigraph加速度计和某品牌智能运动手环7天，除洗澡或游泳等特殊情况，不摘下佩戴设备。以被广泛应用于体力活动研究的Actigraph加速度计测量的能量消耗值为校标，计算智能运动手环测试的有效性和测量误差。

在现实生活环境中，智能运动手环与Actigraph加速度计测量平均每天体力活动引起的能量消耗分别为259.2± 171.9 Kcal和274.4±139.0 Kcal，相关系数为0.66，测量误差为15.7%。

4.3 关于国产智能可穿戴设备测量效度的讨论

本研究的数据显示，在实验室环境下以间接测热法的测试结果为校标，不同品牌国产智能运动手环在不同步行或跑步速度下估算的效度差别非常大。总体而言，虽然国产智能手环的测试效度和精度不高，但其测试效度仍高于各类体力活动问卷的效度（0.24～0.41）［21］。需要指出的是，与国外的研究报道中某些品牌9.3%～23.5%的平均误差［26］，以及0.71～0.93的相关系数相比［30］，国产智能运动手环测量的总体水平仍较差。造成国产智能手环能量消耗测试效果不够准确的主要原因可能有以下几个方面。

1.部分智能运动手环算法的局限性。研究中的实验一是在实验室的跑步机上完成的，受试对象在矢状轴方向上的加速度与户外的走和跑存在一定差异，导致部分运动智能手环的估算值存在较大误差。而在日常生活环境下，国产智能运动手环的测试效度和精度相比实验室有大幅提高。提示，国产智能运动手环的算法可能有局限性，不适用于跑步机环境，算法需要进一步改进和提高。

2.智能可穿戴设备佩戴位置对能量消耗估算的影响。研究选取的可穿戴设备为智能手环，佩戴位置在腕部，远离躯干。由于基于加速度传感器的智能可穿戴设备越靠近躯干，所测量到的身体活动越能代表全身运动，测试的精度也越高［15，32］。因此，智能运动手环佩戴于腕部，位于上肢的远端，在测试过程中一些上肢的局部运动容易被智能手环识别为全身运动，从而影响测试结果。

3.智能运动手环的能量消耗的算法过于依赖加速度传感器数据。虽然一些生产商已经推出了光电版的智能运动手环，但是，出于种种原因在能量消耗的算法上并未使用心率指标。必须指出的是，单纯依靠加速度传感器的能量消耗算法还存在一些缺陷。比如，坡度是影响能量消耗的一个重要因素，上坡走和平地走的能量消耗相差巨大，根据ACSM的能量消耗计算公式，与相同速度的平地跑相比，坡度为10%的上坡跑可以令能量消耗增加近45%［20］。但绝大部分智能手环并不具备坡度识别功能，能量消耗的估算受到较大影响。有研究证实，综合不同测试技术可能有助于提升能量消耗的估算效度［37］。

4.算法技术的选择。如前所述，有研究证明，基于数据挖掘和机器学习的新算法估算效果优于传统算法［13，18］。为了进一步了解目前主流智能手环的算法，本研究根据主流网络电商销售平台的销售数据选取了市场在售的主流智能运动手环，通过查阅产品使用说明书和产品现场试用的方式调查了38种手环（Amiigo、Amazfit、Bithealth、Bong、Capshi、Dido、Fitbit、Gamin、Gisso、Isport、JDHDL、Jawbone、Mate、Misfit、Moto、Nike、Polar、Sony、Ticwatch、360、37度、飞克、咕咚、华为、乐跑、乐心、雷蛇、埃微、全程通、三星、刷刷、纽曼、唯乐、为颂、小米、亦青藤、羽捷、域胜）的功能。调查发现，仅有5种手环具备运动类型自动识别功能，其余33种手环没有此功能，不具备采用新算法技术的基础。算法技术更新速度偏慢可能是目前体力活动测量效度不高的重要原因之一。

5 大数据时代背景下我国体力活动研究方法学的再思考

5.1 精确还是模糊？关于研究理念的再思考

在传统的体育测量与评价、体育统计的理论中，测量工具的可靠性和有效性是选择研究工具时研究者们重点关注的指标。为了使研究结果更准确，许多研究者一直致力于测量工具的优化。在大数据时代，大容量、高速增长和多样化的数据让研究者看到了全时段、全覆盖的整体，减少了由于小数据研究可能出现的“管中窥豹”“盲人摸象”的尴尬。当然，追求数据的广度和频度，有时不得不在数据的精确性上做出一些牺牲和妥协。24 h心电图测量精度不如普通12导联心电图，但却提供了时域更广、容量更大的心电数据，仍然非常有意义。因此，在体力活动的大数据研究中，如果能通过智能可穿戴设备获取时域更广（持续几天甚至几个月）、频率更高（数据频率达到s甚至ms级别）、种类更多（运动类型、运动强度、运动时间、运动地点、周围环境、生理反应等）的体力活动数据，适当地牺牲一些数据的测量精度就可能是一种智慧的妥协。从这个角度而言，即使目前智能可穿戴设备的测试效度还不够理想，却可能不会阻碍其在体力活动研究中的应用。

5.2 问卷还是智能可穿戴设备？关于研究工具的再思考

长期以来，体力活动问卷是国内、外研究体力活动最常用的工具之一。本研究结果也显示，有79.3%的体力活动领域的实证研究工具为体力活动问卷。问卷调查是比较经济、简便的测量工具，近年来被广泛应用于大样本的体力活动研究。不过问卷也存在主观性强、测量效度不高等问题。随着以智能运动手环为代表的可穿戴设备的迅速崛起，效度更高、数据更丰富、使用更简单且花费更经济的智能可穿戴设备可能将给体力活动研究工具带来一次升级，基于智能可穿戴设备的大数据研究可能成为未来体力活动研究的主流。

智能可穿戴设备应用于体力活动研究的技术仍处于探索阶段，不高的测量效度也限制了其在专业研究领域的推广。因此，智能可穿戴设备更多的时候被定位于体育爱好者的“玩具”，而不是专业研究者的研究工具。不过，19世纪初期，当火车刚刚被发明时，也曾因为速度比马车慢而受到嘲笑。同样，人们不应该因为部分国产品牌智能手环暂时不够理想的效度而放弃它，相反，智能可穿戴设备具有非常大的提升空间，在我国未来体力活动大数据研究中具有非常广阔的发展空间和应用前景。

5.3 方差分析还是神经网络？关于数据分析方法的再思考

传统的数据统计方法是基于“小数据”的，而“大数据”本身具有数据结构复杂、体量巨大、价值潜伏等特点，在海量数据中寻找变量间的关系，传统的统计方法已无法满足数据分析的需求，因而，需要更新、更好的统计方法。在这一背景下，数据挖掘、机器学习等新的数据分析方法迅速发展［40］，以神经网络、决策树为代表的数据挖掘和机器学习分析方法在体力活动类型自动识别和能量消耗估算中的应用已取得了丰硕的成果［2，27，35］，而这些是t检验、方差分析等传统统计分析方法难以解决的问题。如果大数据研究是体力活动的未来发展方向，那么，数据挖掘和机器学习可能在不久的将来会取代传统的数据分析方法，成为体力活动研究中数据分析的主流方法。

6 结论

虽然，体力活动问卷的效度较低，但问卷依然是我国近10年体力活动研究最常用的测量工具。在大数据时代，我国体力活动领域的研究需要更有效、经济、方便，且适用于长周期、大样本的研究工具。

加速度探测技术、心率探测技术和GPS技术是目前可穿戴设备测量体力活动能量消耗的主流技术，数据挖掘和机器学习等方法的应用进一步提升了测试的效度。国产智能可穿戴设备估算能量消耗的效度不高，但仍具有较大的技术提升空间。智能可穿戴设备在体力活动的大数据研究领域具有非常广阔的应用前景。

智能可穿戴设备技术和大数据分析方法给体力活动研究带来的影响将是深远的，可能引起研究理念、研究工具、数据分析方法的重大改变。

［1］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.

［2］AHMED M U，LOUTFI A.Physical activity identification using supervised machine learning and based on pulse rate［J］.IJCSA. 2013，4（7）:210-217.

［3］ALTINI M，CASALE P，PENDERS J，et al.Cardiorespiratory fitness estimation using wearable sensors:Laboratory and freeliving analysis of context-specific submaximal heart rates［J］.J Appl Physiol，2016，120（9）:1082-1096.

［4］ALTINI M，PENDERS J，VULLERS R，et al.Personalizing energy expenditure estimation using physiological signals normalization during activities of daily living［J］.Physiol Meas，2014，35（35）:1797-1811.

［5］BERGGREN G，CHRISTENSEN E H.Heart rate and body temperature as indices of metabolic rate during work［J］.Arbeitsphysiologie，1950，14（3）:255-260.

［6］BONOMI A G.Towards valid estimates of activity energy expenditure using an accelerometer:Searching for a proper analytical strategy and big data［J］.J Appl Physiol，2013，115（9）:1227-1228.

［7］BONOMI A G，GORIS A H C，YIN B，et al.Detection of type，duration，and intensity of physical activity using an accelerometer［J］.Med Sci Sports Exerc，2009，41（9）:1770-1777.

［8］BONOMI A G，PLASQUI G，GORIS A H C，et al.Improving assessment of daily energy expenditure by identifying types of physical activity with a single accelerometer［J］.J Appl Physiol，2009，107（3）:655-661.

［9］BRAGE S，BRAGE N，FRANKS PW，et al.Reliability and validity of the combined heart rate and movement sensor Actiheart［J］.Eur J Clin Nutr，2005，59（4）:561-570.

［10］BRAGE S，EKELUND U，BRAGE N，et al.Hierarchy of individual calibration levels for heart rate and accelerometry to measure physical activity［J］.JAppl Physiol，2007，103（2）:682-692.

［11］BUTTE N F，EKELUND U，WESTERTERP K R.Assessing physical activity using wearable monitors:measures of physical activity［J］.Med Sci Sports Exerc，2012，44（S1）:S5-S12.

［12］CHEN K Y，BASSETT D R Jr.The technology of accelerometrybased activity monitors:current and future［J］.Med Sci Sports Exerc，2005，37（S11）:S490-S500.

［13］CHOI L，CHEN KY，ACRA S A，et al.Distributed lag and spline modeling for predicting energy expenditure from accelerometry in youth［J］.JAppl Physiol，2010，108（2）:314-327.

［14］CRAIG C L，MARSHALL A L，SJOSTROM M，et al.International physical activity questionnaire:12-country reliability and validity［J］.Med Sci Sports Exerc，2003，35（8）:1381-1395.

［15］FAIRCLOUGH S J，NOONAN R，ROWLANDS A V，et al. Wear compliance and activity in children wearing wrist-and hipmounted accelerometers［J］.Med Sci Sports Exerc，2016，48（2）:245-253.

［16］FAYYAD U，UTHURUSAMY R.Evolving data mining into solutions for insights［J］.CommunACM，2002，45（8）:28-31.

［17］FORD E S，KOHL III H W，MOKDAD A H，et al.Sedentary behavior，physical activity，and the metabolic syndrome among U.S.adults［J］.Obes Res，2005，13（3）:608-614.

［18］FREEDSON P S，LYDEN K，KOZEY-KEADLE S，et al.Evaluation of artificial neural network algorithms for predicting METs and activity type from accelerometer data:validation on an independent sample［J］.JAppl Physiol，2011，111（6）:1804-1812.

［19］GINSBERG J，MOHEBBI M H，PATEL R S，et al.Detecting influenza epidemics using search engine query data［J］.Nature，2009，457（7232）:1012-1014.

［20］GLASS S C，DWYER G.ACSM's Metabolic Calculations Handbook［M］.Baltimore:Lippincott Williams and Wilkins，2006.

［21］HELMERHORST H J，BRAGE S，WARREN J，et al.Asystematic review of reliability and objective criterion-related validity of physical activity questionnaires［J］.IntJ Behav Nutr Phy，2012，9（9）:103.

［22］HENDRICK P，BOYD T，LOW O，et al.Construct validity of RT3 accelerometer:A comparison of level-ground and treadmill walking at self-selected speeds［J］.J Rehabil Res Dev，2010，47（2）:157-168.

［23］HONGU N，ORR B J，ROE D J，et al.Global positioning system watches for estimating energy expenditure［J］.J Strength Cond Res，2013，27:3216-3220.

［24］ILLAPHA CUBA G，BONOMI A G.Identifying types of physical activity with a single accelerometer:evaluating laboratory-trained algorithms in daily life［J］.IEEETrans Biomed Eng，2011，58（9）:2656-2663.

［25］JENNINGS D，CORMACK S，COUTTS A J，et al.The validity and reliability of GPS units for measuring distance in team sport specific running patterns［J］.Int J Sport Physiol，2010，5（3）: 328-341.

［26］LEE J M，KIM Y，WELK G J.Validity of consumer-based physical activity monitors［J］.Med Sci Sports Exerc，2014，46（9）: 1840-1848.

［27］MANNINI A，SABATINI A M.Machine learning methods for classifying human physical activity from on-body accelerometers［J］.Sensors，10（2）:1154-1175，2010.

［28］MATHIE M J，COSTER A C F，LOVELL N H，et al.Accelerometry:providing an integrated，practical method for long-term，ambulatory monitoring of human movement［J］.Physiol Meas，2004，25（2）:R1-R20.

［29］MENG Y，KIM H C.A Review of Accelerometer-Based Physical Activity Measurement［C］//KIM J K，AHN J S.Proceedings of the International Conference on IT Convergence and Security 2011.Dordrecht:Springer Netherlands，2011.

［30］MURAKAMI H，KAWAKAMI R，NAKAE S，et al.Accuracy of wearable devices for estimating total energy expenditure:Comparison with metabolic chamber and doubly labeled water method［J］.JAMAInter Med，2016，176（5）:702-703.

［31］OWEN N，HEALY G N，MATTHEWS C E，et al.Too much sitting:The population health science of sedentary behavior［J］.ExercSportSci Rev，2010，38（3）:105-113.

［32］PLASQUI G，BONOMI A G，WESTERTERP K R.Daily physical activity assessment with accelerometers:New insights and validation studies［J］.Obes Rev，2013，14（6）:451-462.

［33］RENNIE K L，HENNINGS S J，MITCHELL J，et al.Estimating energy expenditure by heart-rate monitoring without individual calibration［J］.Med Sci Sports Exerc，2001，33（6）:939-945.

［34］SMOLANDER J，AJOVIITA M，JUUTI T，et al.Estimating oxygen consumption from heart rate and heart rate variability without individual calibration［J］.Clin Physiol FunctImaging，2011，31（4）:266-271.

［35］STAUDENMAYER J，POBER D，CROUTER S，et al.An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer［J］.JAppl Physiol，2009，107（4）:1300-1307.

［36］VANHEES L，RAUCH B，PIEPOLI M，et al.Importance of characteristics and modalities of physical activity and exercise in the management of cardiovascular health in individuals with cardiovascular disease（Part III）［J］.Eur J Prev Cardiol，2012，19（6）:1333-1356.

［37］VILLARS C，BERGOUIGNAN A，DUGAS J，et al.Validity of combining heart rate and uniaxial acceleration to measure freeliving physical activity energy expenditure in young men［J］.J Appl Physiol，2012，113（11）:1763-1771.

［38］WARD D S，EVENSON K R，AMBER V，et al.Accelerometer use in physical activity:Best practices and research recommendations［J］.Med Sci Sports Exerc，2005，37（S11）:582-588.

［39］WETTEN A，BATTERHAM M，TAN S Y，et al.Relative validity of 3 accelerometer models for estimating energy expenditure during light activity［J］.J Phys Act Health，2014，11（3）: 638-647.

［40］WU X，ZHU X，Wu G Q，et al.Data mining with big data［J］. IEEE T Knowl Data En，2014，26（1）:97-107.

Application of Smart Wearable Devices in the Big Data Analysis of Physical Activity in China

WEN Xu，YUAN Bing，LI Hua，ZHOU Hou-dong

Research methods and instruments in physical activity（PA）studies in China was reviewed，the feasibility of applying smart wearable devices in big data analysis was discussed，and developing treads in the future was prospected.Several conclusions were made in the current study: 1）Although validities of physical activity questionnaire were low，questionnaires were still the most frequently applied research instruments in the measurement of physical activity in the past ten years in China.In the era of big data，valid，economical，convenient instruments which could be applied in long-term and large sample size study are in great request；2）The techniques of accelerometer，heart rate and Global Positioning System（GPS）are the main techniques applied in smart wearable devices in the measurement of energy expenditure in PA，and the validity could be improved if data mining and machine learning are used in the algorithm.Although the validities of domestic smart wearable devices are not high，there is great room for the improvement.The smart wearable devices have has prosperous application prospects in PA studies.3）Smart wearable devices and the statistical methods of big data will bring a profound impact on the research idea，instruments and statistical methods in PAstudies.

smart wearable devices；physical activity；big data

1002-9826（2017）02-0080-08

10.16470/j.csst.201702010

G804.49

：A

2016-04-13；

：2016-12-26

国家科技支撑计划资助项目（2015BAK26B03）；中央高校基本科研业务费专项资助项目。

温煦，男，副教授，博士，主要研究方向为体力活动与健康，Email:wenxu@zju.edu.cn。

浙江大学教育学院，浙江 杭州 310007

Zhejiang University，Hangzhou 310007，China.