GPS聯合加速度計在預測體力活動方式中的應用

來源:用戶上傳      作者:

　　摘  要：人們的體力活動方式在體力活動促進及全民健身科學指導中具有重要意義。目前國外關于GIS、GPS和加速度計在體力活動領域研究中的應用日趨成熟，本文梳理總結國外在此方面的相關研究后，認為聯合采用GPS和加速度計完全可以預測體力活動方式，并能基于體力活動產生的時空數據和活動量構建預測體力活動方式的路徑。
　　關鍵詞：GPS  加速度計  預測  體力活動方式
　　中圖分類號：G80-32                              文獻標識碼：A                        文章編號：2095-2813（2019）04（c）-0242-02
　　體力活動在全球范圍內的普遍缺乏和體力活動之于人類健康的重要性促使著體力活動在國內外新晉為一個研究的熱點領域。體力活動方式（Physical Activity Mode，PAM）是體力活動的具體表現形式，包括家務、交通、職業、休閑等各種形式。目前，現有的國內外有關體力活動的研究多集中于體力活動量的測量及其與健康之間的關系，缺乏對體力活動方式的研究。近年來，借助科學技術的進步，體力活動量的構成及體力活動方式的研究正成為國外體力活動研究領域新的熱點。
　　1  國外相關研究概況
　　美國是最早使用GPS和加速度計對體力活動進行研究的國家，研究成果非常豐富。在使用此方法的眾多研究中，使用GPS和加速度計預測體力活動方式這一領域的研究則尚處于初始階段。比較典型的研究有馬薩諸塞州立大學運動科學系的Pober教授是最早使用加速度計數據對體力活動方式進行預測的研究人員之一[1]，其選取了6名測試對象佩戴加速度計分別進行走路、走路上坡、吸塵打掃、做案頭工作這4種體力活動方式，對數據進行二次判別分析，并用隱馬爾可夫模型識別活動，正確地估計了99%時間的PAM。Philip等[2]選取10名年齡在23～51歲間的健康成年人為實驗對象，讓他們佩戴加速度計的同時，佩戴GPS設備分別進行慢走、快走/跑步、騎自行車、輪滑和開車這5種體力活動方式。采用判別函數法對數據進行分析，其結果表明：以分鐘為單位對200min的不同PAM進行預測，準確率可達91%;以回合為單位對43個回合的PAM進行預測，準確率可達98%。在加入了GPS數據后，研究人員可以更準確地區分相對靜止和運動的PAM。Pober和Philip等人在前期的研究中也意識到了測試對象和PAM種類明顯較少，會影響結論的說服力，需要在更大和更多樣化的測試對象和PAM種類中進行更多的研究[1，2]。
　　2  核心概念簡述
　　美國運動醫學學會（ACSM）是全世界最大、最權威的運動醫學和鍛煉科學組織。有研究人員在對ACSM年會交流論文進行研究時得出結論：在體力活動測量的相關研究中，采用加速度計的研究超過了90%[3]。全球定位系統（GPS）是美國研發并建設的一種衛星導航系統，具有全方位、全時段、高精度的特點，其作用是定位和導航。地理信息系統（GIS）是指在計算機軟硬件支持下，對整個或者部分地球表層空間中的有關地理分布數據進行采集、存儲、管理、運算、分析、顯示和描述的技術系統[4]。
　　3  研究方法
　　3.1 變量的選取
　　加速度計和GPS設備都會產生大量的數據，處理十分繁瑣。在僅使用加速度計的體力活動相關研究中，有研究者選擇了計數為唯一變量[1]，有研究者選擇了計數和步數為變量[2]，在結合使用GPS的PAM相關研究中，研究者則選了GPS變量和加速度計變量。在GPS所提供的數據中，對本研究最有價值的就是坐標和時間。知道了兩個點的坐標，就可以知道兩點間的距離。我們在設置加速計和GPS設備時，一定要保證時間的一致性。結合已有研究對變量的控制和選擇，速度、計數、步數是目前最適合作為模型的預測因子。
　　3.2 以有監督學習建立標準數據集并分類
　　標準數據集的建立是預測PAM的關鍵部分，數據的準確與否將直接影響到PAM預測的準確性。有監督學習是一種常用的機器學習方法，是在已知某種樣本的特性后，建立數學模型來預測未知樣本，簡單來說就是分類。在采用有監督學習算法時，必須要有已知類別的訓練樣本。在預測PAM的研究中，訓練樣本的獲取主要采取以下途徑：研究人員讓測試對象處于實驗觀察的環境下，規定其在一定時間內只能進行一種PAM，收集記錄并處理數據后以此作為該種PAM的標準參照數據集[1，2]。在建立數據集之后有研究人員使用單變量統計分析，選擇平均值、中位數和四分位數建立分類模型，并對未知PAM數據進行分類[2]。這種方法本質上是建立一個變量的閾值區間，同時滿足某種PAM多個變量的閾值區間的未分類數據便被分類定義成為這種PAM。有監督學習可控性好，對測試人群的文化水平并無要求，然而這大大增加了研究人員的工作量，不適合大數據調查。
　　3.3 以無監督學習建立標準數據集并分類
　　無監督學習指的是對未知類別的訓練數據進行識別分類的方法，有研究人員認為這種方法可以處理大量的數據，并不需要直接觀察測試對象的行為。在無監督學習中最典型的算法是聚類分析，聚類分析用于當總體分類不清楚時，直接依據數據的相似度對數據進行分類，相同聚類下的數據具有非常高的相似度。對聚類分析后得出的類別進行PAM定義后，再用判別分析建立判別式以對新數據進行判別。此種方法可以讓測試對象處于日常生活狀態下，但是仍然需要知道測試對象進行了哪些PAM。為解決此問題，有研究者讓測試對象佩戴儀器的同時自己填寫體力活動日志。分類完成之后，用判別分析建立判別式以對新的數據進行判別。在體力活動測量的領域，無監督學習明顯要比有監督學習更依賴測試對象的主觀能動性和配合度，也更適用于大數據調查，可用于配合度較高、認識能力較強的測試人群。但當調查對象為兒童少年、老年人等特殊人群時，也許有監督學習算法就要比無監督學習算法更適合。
　　4  結語
　　現有的體力活動研究多集中在體力活動測量領域，以探究體力活動量及其與健康的關系為主題展開。未來體力活動領域的研究正在日益關注人們體力活動方式的規律性及預測方法。本文淺述了國外相關研究的方法和思想，在現有技術能達到的條件下構建使用GPS數據和加速度計數據預測體力活動方式的路徑。
　　未來隨著科技的進步，加速度計體積進一步縮小，安裝到智能手機中。用戶可以直接看到有關自己體力活動的各種數據，而不僅是計步器所記錄的步數。研究人員也可以獲得更多的數據，實現真正的大數據分析。希望我國的相關產業能夠洞察這一新的趨勢，在“體醫結合”和“健康中國”的背景下抓住機遇，以幫助人們更好地研究體力活動并促進體力活動，實現國民身心健康的目的。
　　參考文獻
　　[1] Pober DM，Staudenmayer J，Raphael C，et al.Development of novel technigues to oclassify PA mode using accelerometers[J].MSE，2010，38（9）：1626-1634.
　　[2] Philip.Prediction of Activity Mode with GPS and Accelerometer Data[J].MSE，2012，40（5）：972-978.
　　[3] 王超.體力活動研究的現狀及趨勢[J].北京體育大學學報，2012，35（8）：43-49.
　　[4] 湯國安.ArcGIS地理信息系統空間分析實驗教程[M].北京：科學出版社，2012.
轉載注明來源:http://www.hailuomaifang.com/1/view-14836137.htm