应用加速度计数建立场地自行车能耗预测方程

马国强 邱俊 陆姣姣 王金昊 杨明祥 李之俊

1 上海体育科学研究所（上海200030）

2 上海市第二体育运动学校

场地自行车训练比赛的强度大、耗能多，及时足量的能量补充是影响运动能力和竞技水平的重要因素。目前，针对场地自行车还缺乏快速、简便和相对准确的能耗测试方法。 气体代谢、心率和SRM功率测量仪虽然均可间接测试场地自行车能量消耗， 且通过运动中的气体代谢指标计算能耗也被认为是相对准确的间接能耗测定方法[1]，但在实际应用中，上述三种方法对于设备、场地和操作人员要求较高，同时会对运动员骑行产生一定影响，在运动训练中较难推广。

已有研究证实， 加速度测量法是一种评估不同人群体力活动水平的有效方法[2，3]，通过记录体力活动的数量、频率和持续时间[4]，可以获得人体一天日常活动中白天和夜晚不同时段活动强度的数据。 已有研究以能耗水平或counts值为切点，建立相对准确的不同强度体力活动能耗预测方程，并在实践中加以验证[5]。 也有研究发现， 目前的能耗预测方程在将加速度计数换算成能耗时会低估真实的能耗水平[6]，且多集中在日常活动研究[7]，对竞技体育运动训练中能耗的研究还少见报道。

本研究以气体代谢间接能耗测试方法为标准，分析场地自行车能量消耗与骑行频率、 下肢三关节加速度计数间相关性， 以踝关节加速度综合计数为自变量建立能耗预测方程并验证信度， 为自行车场地项目寻找简便易行的间接能耗测试方法提供实验依据。

1 研究方法

1.1 对象

选取上海自行车队青年男性运动员11人，其中一级运动员7人、 二级运动员4人， 自行车专项训练年限3～5年，以公路中长距离训练为主。 运动员基本信息见表1。

1.2 测试方法

运动员测试前一周均在运动员餐厅进餐， 测试前两天避免高脂高蛋白饮食。测试前两天充分休息，未进行大强度的体力活动。 测试前集中组织运动员讲解测试流程和实验内容。

表1 受试运动员信息

场地自行车递增运动负荷骑行测试（graded exercise stress test，GXT） 在室外水泥材质333 m/lap赛车场上进行，气温20℃，室外风力2级。 受试运动员依次完成6级测试，开始速度22 km/h，每2 min递增4 km/h，6级骑速依次为22 km/h、26 km/h、30 km/h、34 km/h、38 km/h、42 km/h，全程耗时12 min；摩托车领骑员分别以摩托车时速表和秒表控制每级骑速和骑行时间， 受试运动员在摩托车后4 m处跟骑，全程口头提醒运动员保持跟骑距离。 11名受试运动员均顺利完成6级GXT骑行。

LOOK496场地车（法国）上安装无线版场地SRM训练系统， 包括Powermeter、Powercontrol和速度传感器三部分，其中Powermeter的曲柄长167 mm。 安装测试齿轮比 为49∶15， 传 动 系 数 为3.27。 测 试 开 始 前 先 进 行Powercontrol与Powermeter和速度传感器之间的配对，保证Powercontrol可分别接收到二者传来的功率、 频率和速度数据，然后进行Powermeter的校准[8]，保证测试的准确性，Powercontrol的采样频率设定为0.5 sec/sample。

气体代谢指标采用COSMED K4b2便携式心肺功能测试仪（意大利）以breath by breath法进行测试，测试前分别对仪器进行环境空气、流量和参考气体校准，运动员佩戴呼吸面罩和遥测心率表带后， 场地车慢速骑行一圈，数据稳定后开始正式测试。

分别在运动员的右腿股骨大转子外侧上缘、 腓骨头下缘和外踝上缘固定一只Actigraph GT3X-Plus三轴加速度计（美国），测量骑行中髋、膝和踝三关节分别在矢状轴（sagittal axis，SA）、冠状轴（coronal axis，CA）和垂直轴（vertical axis，VA）上的加速度计数变化情况。加速度计安装前均经过充电和初始化等标准操作， 设备的采样频率设为100 Hz。

1.3 测试指标

测试结束后， 采用SRM 配套软件SRMwin 将Powercontrol中记录的运动学参数下载到PC中保存，应用SRMwin软件根据标准分析程序对数据进行处理，分析指标为功率（Power）、频率（Cadence）和速度（Speed）。

气体代谢测试指标为摄氧量（VO2）和二氧化碳排出量（VCO2），并根据厂家标准公式（1）计算气体代谢推算的能量消耗EEm（kcal/min），根据标准换算公式（2）计算相对能耗METs作为参考值。 两公式中BW为体重。

以上3种情况都可以将G正常染回。假设这5个点中染颜色1 的个数≤3,则可以直接用1 来染v。 得到G 的一个(3,0,0)-染色,得出矛盾。

三轴加速度计测试指标为右侧髋、膝、踝关节SA、CA、VA三轴上的计数，以及通过公式（3）计算三轴综合计数VMhip、VMknee和VMankle。

GXT中的运动学参数、 气体代谢推算能耗和加速度计数的数据过滤时间均设为10 s，所有数据根据时间一一对应进行分析。

1.4 统计学分析

采用SPSS19.0软件对数据进行统计分析。 采用Pearson相关对GXT中Cadence与Power、Speed和下肢三关节加速度计数，以及能耗METs与Cadence、下肢三关节加速度计数间的相关性进行分析，r＞0.7认为有显著相关性。 以受试者工作特征（ROC）曲线分析场地自行车GXT中，以6 METs能耗对应VMankle建立最佳临界点判别能耗的有效性，曲线下面积（AUC）＞0.9时，认为有较高的判别价值。 采用多元逐步回归分别建立GXT中＜6 METs和≥6 METs骑行强度区间内的能耗预测方程，并用Bland-Altman分析能耗预测值和气体代谢方法实测值间的一致性。

2 结果

2.1 场地自行车GXT中的运动负荷特征

图1列举了被试运动员赛车场上完成场地自行车6级GXT中的功率、频率、速度指标的变化情况。 3条随时间变化的曲线均表现出逐渐递增的趋势， 其中骑行速度从22 km/h逐级递增至42 km/h， 每级递增4 km/h；骑行频率从55 rpm逐级递增至105 rpm，每级递增10 rpm，同时速度、频率的标准差较小。功率虽然从70 W逐渐递增至300 W左右， 但在骑行过程中的上下波动较大，且标准差有随着功率增加逐渐加大的变化趋势。

图1 GXT中功率、频率、速度变化情况

2.2 场地自行车GXT中能耗与频率、 下肢三关节加速度计数间的相关性

场地自行车GXT中，骑行功率、速度均与频率具有高度相关性 （r＞0.7），r值分别达到0.890和0.999的显著水平（见表2）。

同时，右侧下肢髋、膝、踝三关节在矢状、冠状、垂直轴上的加速度计数，以及3轴综合计数与骑行频率间的相关性可见表2。 髋关节SA、VM计数和膝关节CA计数与频率中度相关（0.7＜r＜0.8，P＜0.01）；而膝关节VA、VM计数和踝关节VA、SA、VM计数均与频率具有高度相关性（r＞0.9，P＜0.01）。

场地自行车GXT中， 通过气体代谢测试所得能耗（以METs表示）与Cadence、右侧下肢髋、膝、踝关节三轴计数和综合计数的相关性见表3。 METs与Cadence具有中度相关性（0.7＜r＜0.8，P＜0.01）；而在右侧下肢三关节加速度计数中， 膝关节VA、VM和踝关节VA、SA、VM与Cadence具有中度相关性（0.7＜r＜0.8，P＜0.01），其中膝、踝关节VM与METs的相关系数较高， 分别为0.796和0.799。

分别以GXT中的VMknee和VMankle为纵坐标，METs为横坐标做散点图（见图2）。 虽然VMknee、VMankle与METs间呈线性关系，但数据在高能耗骑行阶段的离散度较大。同时，VMankle与METs间线性关系的决定系数R2=0.6383，稍高于VMknee的0.6333。

表3 GXT中能耗与频率、下肢三关节加速度计数的相关性分析

2.3 临界点的确定

已有研究中，通常将3 METs和6 METs分别设定为区分低、中强度和中、高强度运动的临界能耗值。 本研究被试运动员场地自行车GXT中的能耗为7.13±1.58 METs （3.91～10.44 METs）， 因此以6 METs能耗对应的VMankle计数为临界点区分场地自行车中、高强度骑行的能耗。

ROC曲线法分析显示（见图3和表4），以VMankle为自变量判别中、 高强度场地车骑行的曲线下面积（AUC）为0.914，6METs具有较高的诊断价值（AUC＞0.9）；且约登指数达到最大，6 METs能耗对应的VMankle最佳诊断界值为3116 counts/min，敏感度为0.823，特异性为0.882。

2.4 场地自行车能量消耗预测方程的建立与验证

根据METs与右侧下肢三关节加速度计数相关性分析结果，以METs为因变量，相关性较高的加速度计数和BW为自变量， 采用多元逐步回归分别建立了VMankle＜3116的能量消耗预测方程为：METs=5.86304+0.00043 VMankle－0.03073 BW （ 校 正R2=0.837）， 和VMankle≥3116的能量消耗预测方程为：METs=5.16527+0.00029 VMankle+0.01143 BW（校正R2=0.767）；两方程的校正R2＞0.7，回归模型的拟合度在可接受范围内，且建立的回归方程有效（P＜0.05）（表5）。

场 地 自 行 车GXT 中，VMankle＜3116 counts/min 和VMankle≥3116 counts/min区间内的能耗预测方程计算值与实测值差异比较的Bland-Altman分析分别见图4和图5。 GXT中采用气体代谢间歇方法测得的能耗实测值与方程1、方程2预测值之间的误差接近于0，多数误差均在95%置信区间内。

图2 膝、踝关节VM与能耗间关系的散点图

图3 6 METs能耗对应VMankle临界点的ROC曲线图

图4 VMankle＜3116区段能耗预测方程计算值与实测值差异比较的Bland-Altman图

表4 6 METs能耗对应VMankle的ROC曲线下面积和最佳临界点

表5 场地自行车能量消耗预测方程

图5 VMankle≥3116区段能耗预测方程计算值与实测值差异比较的Bland-Altman图

3 讨论

自行车场地项目在竞技自行车中占有重要地位，而场地自行车即“死飞”自行车在近几年成为一项新兴的健身运动， 因此对场地自行车能量消耗特点进行研究对于提高竞技水平和健身运动科学性均有较高的应用价值。

场地自行车与日常民用自行车、 公路自行车最大的不同就是“死飞”，即自行车前进过程中双脚始终处于交替踏蹬状态， 骑行速度与踏蹬频率直接相关；同时， 场地自行车牙盘与飞轮齿数之比也是影响骑行负荷的主要因素，相同踏频下，齿轮比越大，骑手做功越大，耗能越多。 本研究通过摩托车领骑员控制骑速的方法完成场地自行车6级递增负荷测试，可见踏频和骑行功率均随骑速逐级递增， 踏频与骑速和骑行功率间的相关性分别达到0.999和0.890，提示踏频是决定场地自行车能耗水平的主要因素。

加速度测量则是一种客观的体力活动测评方法。但与多数体力活动研究中将加速度计佩戴在髋腰部不同[9]，自行车骑行过程中，腰部的活动范围较小，专业自行车运动员骑行中需要保持腰部稳定以减少能量流失， 因此自行车运动中加速度计不应佩戴在运动员的腰髋部。 下肢关节和运动环节是人体骑行过程中的主要运动部位，可能是佩戴加速度计的合适位置。 Copay等[10]研究了10名受试者自行车骑行过程中加速度计读数与相对摄氧量之间的关系， 受试者分别在50 W功率以40、60、80 rpm踏频， 以及75 W、100 W功率以60 rpm踏频负荷条件下进行了5组5 min骑行测试， 加速度计分别佩戴在两侧踝关节。 结果表明，左右踝的加速度计数无显著差异， 单侧踝关节的加速度计数与相对摄氧量相关（r=0.45）， 但踝关节的加速度计数仅在功率不变、踏频递增的条件下能够反映相对摄氧量的增加，而在踏频不变、 功率增加的情况下不能反映摄氧量的变化。在功率自行车骑行过程中，踝关节加速度计数与摄氧量相关，但受踏频变化影响更大[11，12]。

与上述采用功率车进行的测试不同， 场地自行车在一定齿轮比下，功率与踏频多呈正相关关系，从而使采用下肢佩戴加速度计间接测量能耗成为可能。 本研究中右侧下肢膝、踝关节VM均与踏频和间接能耗METs高度相关。 自行车踏蹬过程中膝、踝关节为联动关系，单位时间内二者完成完整踏蹬周期的次数保持一致，但考虑到膝关节佩戴加速度计可能会影响骑行，且VMankle与踏频、METs的相关性均高于VMknee，线性模型的决定系数也更高，因此本文选择右侧VMankle为自变量建立能耗预测模型。

Reilly等[13]通过分析比较指出，部分采用ActiGraph加速度计预测能耗的研究中建立的能耗方程无法准确预测日常体力活动能耗的真实水平。 而三轴加速度计ActiGraph GT3X测得的综合计数VM与传统的单轴（垂直轴）加速度计数不具有可比性[14]，采用VM定义体力活动能耗的切点还需进一步研究。 运动员完成6级GXT中的能耗在4～10 METs之间， 根据以往研究方法，以6METs作为区分场地自行车中、 高强度骑行的能耗临界点[15]，对应的VMankle为3116 counts/min。 通过ROC曲线分析验证，以VMankle判别场地自行车中、高强度骑行的AUC大于0.9，提示VMankle对骑行强度有较高的判别价值[16]，而以VMankle=3116 counts/min对场地自行车中、高强度骑行进行界定的约登值达到最大，敏感度和特异性分别为0.823和0.882，临界点的效度得到验证，即中等强度的场地自行车骑行VMankle不应大于3116 counts/min。

本研究以VMankle和体重为自变量，采用多元逐步回归分别建立了VMankle＜3116和VMankle≥3116的能量消耗预测方程：METs=5.86304+0.00043 VMankle－0.03073 BW和METs=5.16527+0.00029 VMankle+0.01143 BW，两方程的校正R2＞0.7， 回归模型的拟合度在可接受范围内，建立的回归方程有效（P＜0.05）。采用Bland-Altman分析验证能耗预测值和气体代谢方法实测值间的一致性，两公式误差接近于0，多数误差均在95%置信区间内。 研究表明， 多数能量消耗预测方程对中等强度和大强度体力活动能耗预测时误差通常小于2%[17]。 由于本研究未进行其它中高强度的场地自行车骑行来验证模型的有效性， 因此建立公式的信效度还有待后续研究的进一步验证。

4 总结

4.1 场地自行车项目的能耗与踏蹬频率，以及膝、踝关节的加速度综合计数高度相关。

4.2 在使用3.27传动系数前提下，以踝关节三轴加速度综合计数3116 counts/min为临界点， 可分别采用公式“METs =5.86304 +0.00043 VMankle－0.03073 BW” 和“METs=5.16527+0.00029 VMankle+0.01143 BW” 推算场地自行车中等强度和高强度骑行中的能量消耗水平。

[1] Driller MW，Argus CK，Shing CM. The reliability of a 30-s sprint test on the Wattbike cycle ergometer [J]. Int J Sports Physiol Perform，2013，8（4）：379-383.

[2] Driller MW，Argus CK，Bartram JC，et al. The Reliability of a Two-Bout Exercise Test on a Wattbike Cycle Ergometer[J].Int J Sports Physiol Perform，2014，9（2）：340-345.

[3] Haakonssen EC，Martin DT，Burke LM，et al. Energy expenditure of constant- and variable-intensity cycling：power meter estimates [J]. Med Sci Sports Exerc，2013，45 （9）：1833-1840.

[4] Pinot J，Grappe F. The record power profile to assess performance in elite cyclists [J]. Int J Sports Med，2011，32（11）：839-844.

[5] Taraldsen K，Chastin SF，Riphagen II，et al. Physical activity monitoring by use of accelerometer-based body-worn sensors in older adults：A systematic literature review of current knowledge and applications [J]. Maturitas，2012，71 （1）：13-19.

[6] Crouter SE，Churilla JR，Bassett DR Jr. Estimating energy expenditure using accelerometers [J]. Eur J Appl Physiol，2006，98（6）：601-612.

[7] Colley RC，Garriguet D，Janssen I，et al. Physical activity of Canadian children and youth：Accelerometer results from the 2007 to 2009 Canadian Health Measures Survey [J]. Health reports，22：7-14.

[8] Lawton EW，Martin DT，Lee H. Validation of SRM power cranks using dynamic calibration [J]. Sports Medicine Australia，1999：199.

[9] Matthews CE，George SM，Moore SC，et al. Amount of time spent in sedentary behaviors and cause-specific mortality in US adults[J]. Am J Clin Nutr，2012，95（2）：437-445.

[10] Troiano RP，Berrigan D，Dodd KW，et al. Physical activity in the United States measured by accelerometer [J]. Med Sci Sports Exerc，2008，40（1）：181-188.

[11] Loprinzi PD，Lee H，Cardinal BJ，et al. The relationship of actigraph accelerometer cut-points for estimating physical activity with selected health outcomes：results from NHANES 2003-06[J]. Res Q Exerc Sport，2012，83（3）：422-430.

[12] Troped PJ，Oliveira MS，Matthews CE，et al. Prediction of activity mode with global positioning system and accelerometer data[J]. Med Sci Sports Exerc，2008，40（5）：972-978.

[13] Mathie MJ，Coster AC，Lovell NH，et al. Accelerometry：providing an integrated，practical method for long-term，ambulatory monitoring of human movement [J]. Physiol Meas，2004，25（2）：R1-R20.

[14] Troiano RP. A timely meeting：objective measurement of physical activity [J]. Med Sci Sports Exerc，2005，37（11）：S487-S489.

[15] 向剑锋， 李之俊. 应用步频建立步行能耗预测公式的研究[J]. 中国运动医学杂志，2012，31（3）：198-201.

[16] 张建国. ROC曲线分析的基本原理以及在体质与健康促进研究中的应用[J]. 体育科学，2008，28（6）：62-66.

[17] Keytel LR，Goedecke JH，Noakes TD，et al. Prediction of energy expenditure from heart rate monitoring during submaximal exercise[J]. J Sports Sci，2005，23（3）：289-297.