智能手機傳感器技術監測體力活動的研究進展

范江江，龍 震

（新疆科技學院體育教學研究部，新疆 庫爾勒 841000）

1 研究背景

可穿戴設備（WAMs）是利用物聯網技術發展起來的、一種穿戴在身上或嵌入服裝中的、能夠采集、分析以及數據交互的智能設備，該設備可記錄用戶身體活動產生的相關信息。 最早的WAMs 由1 個單軸加速度計［1］或3 個正交定位的單軸加速度計［2］組成。 微機電系統（MEMS）技術的發展使加速度計和其它傳感元件小型化，產生了更輕小的可穿戴傳感器，其中包含三軸加速度計、三軸陀螺儀、氣壓傳感器和三軸磁力計，這些電子元件被廣泛應用在智能手機中。 由于可穿戴傳感器能無創傷地估計使用者的能量消耗［3］和遠程監測身體運動而備受關注，一方面，廣泛應用在可以通過科學的運動鍛煉進行預防和康復治療的糖尿病和肥胖癥等慢性病領域，另一方面，用于監測影響行動能力疾病發展的步態分析領域。 WAMs 可以通過步態參數監測步態指標的異常數據［4］，在老年人群中可穿戴傳感器作為檢測跌倒的手段或通過步態分析估計未來跌倒的可能性而顯得非常突出。

Bouten 等［2］最先提出使用單個三軸加速度計監測身體活動，發現加速度和能量消耗之間存在顯著的相關關系（r=0.89）。Najafi［5］等研究表明陀螺儀可用于監測身體姿勢變換，使用慣性測量裝置（IMU：包含三軸加速度計和三軸陀螺儀的電子設備，可沿3 個正交軸測量加速度和角速度）測量的加速度值監測跌倒風險；用三軸加速度計和氣壓傳感器識別上、下樓梯的變化［6］；磁性和微慣性測量裝置（MIMU）作為一種非侵入性的設備監測身體運動，在鞋中安裝相關傳感器進行定量步態分析。 同時微機電系統（MEMS）傳感器結合環境信息，收集運動數據識別身體活動，Ward 等［7］使用三軸加速度計與攜帶的麥克風，識別在工作環境中的9 種身體活動；Rodríguez 等［8］提出，結合GPS 獲得的速度和位置變化數據，可改進在戶外環境中評估身體運動的算法體系； 步態分析知識和航跡推算與人體生物力學特征相結合創建了步行者航位推算(PDR)［9］的新領域，在室內環境中使用IMU 可精確估計個體位置和速度變化?？纱┐髟O備測量結果可靠、客觀、實用等優勢，廣泛運用在身體活動的能量消耗監測、步態分析、姿勢變化以及身體活動識別以及日常健康管理等方面。

科學技術的發展為可穿戴設備（WAMs）作為非侵入性手段監測身體活動提供了根本保證； 智能手機的普及使其成為開發成個人可以選擇使用可穿戴設備（WAMs）的理想平臺，無需額外費用且隨身攜帶。 在智能手機中開發或植入可穿戴設備（WAMs），可幫助慢性病人群管理健康狀況，對患有影響大肌肉群運動功能的人群監測分析步態或震顫頻率，一般用戶可使用智能手機預測日常生活中身體活動的能量消耗。 陳慶果［10］、張旭東［11］使用智能手機內置加速度傳感器進行監測走跑運動的能量消耗；胡永芳［12］、陳慶果［13］運用智能手機監控日常體力活動，周洋［14］，程夢影［15］使用手機內置加速度傳感器預測跳繩運動的能量消耗。 隨著智能手機的普及和性能的不斷完善，使用智能手機進行能量消耗的監測和動作識別越來越普遍。

2 識別身體運動

無論使用何種可穿戴設備進行身體活動監測，運動識別過程可分為3 個不同的階段：感知、信息提取和機體運動識別（如圖1 所示）。

圖1 智能手機識別機體運動的工作流程

2.1 感知

智能手機包含多種模式的傳感器，可用于感應身體活動。從位置傳感器和視聽組件獲得運動情景信息，微機電系統（MEMS）的環境傳感器、光傳感器、壓力傳感器和磁場傳感器可識別環境變化，利用陀螺儀和加速度計測量由身體活動而產生的運動信息。

2.1.1 運動MEMS 傳感器

早期的智能手機含有一個三軸加速度計的微機電系統（MEMS）傳感器，該傳感器可測量重力和身體沿3 個正交軸運動的組合加速度，并支持現有算法可在智能手機應用程序實現，當智能手機放在褲兜時該程序可以估計用戶所走步數。 在智能手機引入六自由度慣性測量單元 （6-DOFIMU） 可依賴IMU 信號開發的算法系統評估機體運動，IMU 包括一個三軸加速度計和一個三軸陀螺儀，三軸陀螺儀測量沿3 個正交軸角速度和方向的變化。 目前，大多數智能手機磁性和微慣性測量裝置（MIMU）取代了IMU。

2.1.2 環境MEMS 傳感器

磁場傳感器沿三個正交軸測量磁場強度 （其大小和方向受環境中鐵磁材料和其它磁源的影響），可用于確定設備的航向，使其成為基于MEMS 的位置和航向參考系統的重要組成部分。 研究表明，與加速度計和陀螺儀相比，磁場傳感器的頻率感應較差。

智能手機通過氣壓傳感器裝置測量機體運動時位置的變化，雖然通用的大氣壓傳感器測量單位為米，但感應信號需要經過若干秒的計算獲得測量單位為米的結果，因此計算結果還是比較精確。 三軸加速度計、三軸陀螺儀、三軸磁力計和氣壓傳感器構成了無創物理運動監測器的核心部件，因為它們能夠感知身體的大幅運動，而且與視聽部件和基于位置的傳感器（Wi-Fi、藍牙）相比，它們的功耗相對較低［16］。

2.1.3 基于位置的傳感器

基于位置的傳感器通過有關個人位置的信息來幫助識別機體運動。 在智能手機中，位置傳感器包括Wi-Fi 和GPS。 早期的GPS 系統可以在戶外環境中進行地理定位，精度在300 m和1 km 之間［17］，然而，隨著科學技術的發展，現在智能手機的內置GPS 系統，在戶外可以精確到幾米之內。利用全球移動通信系統（GSM）模塊來估計蜂窩基站的距離［18］，或利用Wi-Fi模塊來估計與已知范圍內接入點的距離，提高基于GPS 估計的準確性，可以在GPS 信號無效的室內協助進行定位，這兩種方法結合起來，雖然耗電更高，但可以提高戶外環境中的位置估計的準確度。

Liu 等［19］提出了一種將智能手機納入估計室內運動時位置變化的新算法。 他將來自數據處理速率（PDR）算法的信息與智能手機和已知位置的接入點Wi-Fi 之間的距離相結合，以補償特殊地點接收信號強度信息（RSSI）的差異。 同時反射、衍射和散射的現象會影響Wi-Fi 信號的傳播，室內環境中的多徑衰落會導致在特殊地點測量的接收信號強度信息（RSSI）與平均值不同。 并且使用基于位置的傳感器進行運動識別，如果同時使用智能手機的麥克風或攝像頭，泄露和侵犯個人隱私的風險更大，因為它們可能會泄露用戶和附近的人的隱私信息。

2.1.4 音視頻感知部件

早期的音視頻感知是通過從智能手機麥克風中提取頻域和時域特征識別聲音類型以及具體的聲音情景，將提取的時域特征值納入Khan 等［20］提出的活動分類算法結合智能手機的麥克風、加速度計和氣壓計所采集的信息可識別15 種機體運動情景。 利用智能手機的麥克風、 運動傳感器和環境傳感器，以及定期的手機拍照功能，結合智能手機多模式傳感器，可準確獲得機體運動信息，同時，這對電池的電量和壽命損耗非常大。

2.2 信息提取

信息提取包括數據預處理和特征值提取的方法，信息提取是將傳感器原始數據轉化成有限的、重要的、有用的衍生參數，從這些參數推斷機體運動情景。

2.2.1 預處理

數字濾波通常用于原始信號的預處理排除噪音干擾，提高信噪比，它將輸入對應數字頻率的離散時間信號按照預定算法轉換為所要求的輸出離散時間信號的一個離散時間系統。 智能手機的主要功能是通信和娛樂，在運動過程中手機相對于身體的方向不是固定的，記錄的數據與實際活動之間有很大的差異性。 加速度計原始數據常采用高通數字濾波技術處理，將重力加速度與身體運動引起的加速度分開。 通過主成分分析（PCA）、線性判別分析（LDA）、核主成分分析（KDA）、特征值分解等降維技術對原始加速度值的歸一化處理，將高維空間的數據投影到低維子空間表示，解決由設備方向不固定造成的差異性。

2.2.2 特征提取

數據經預處理后，使用連續窗口之間有50%的重疊滑動窗口法從連續時間段中提取特征值［21］。 研究表明，從陀螺儀和加速度計的MEMS 中提取的特征信號反映了機體運動的大量信息［22］。 手機中的氣壓傳感器可以監測身體活動在海拔高度快速變化或磁場變化的信息； 智能手機的音視頻系統可以通過分析時域和頻域信號，獲取每個窗口中的時域特征值進行統計分析，提取特定運動信息、運動狀態，建立機體運動模型。

2.3 運動分類

采用機器學習算法（MLA）對活動數據進行分析，可建立運動模型，這個模型有可能能夠正確分類所有訓練數據，也可能導致建立的模型過度擬合，這樣的模型對正確分類其它活動數據具有很大的局限性，因此在建立運動模型時，需在特征值提取和模型開發方面進行深入研究。

2.3.1 特征選擇

在構建運動分類模型之前，算法開發者根據數據特征選擇合理的處理技術，降低特征值計算的復雜性，提高計算的準確性，減少數據計算時間。 在運動識別時，特征選擇模型會從生成的所有特征中找到最能區分運動的最佳特征子集（如靜、動、走、跑、躺、站等活動）。有學者建議使用Relief-F、基于相關性的特征選擇或基于快速相關性的濾波器進行特征提取，因為這些處理方法不會對訓練數據過度擬合，有學者對特征選擇算法進行了全面研究，發現以上方法可以較好的提取反應識別物理運動特征。

2.3.2 模型開發

起初，智能手機使用啟發式分類器功能，處理能力有限，隨著科學技術的發展，現代智能手機具有強大的計算能力可實現最先進的特征提取算法和分類模型。 這些運動分類模型使用MLA（機器學習算法）對采集的運動數據進行分析、建立函數模型，模型根據不同的運動類型匹配相應的活動數據，可盡量降低數據分析誤差。 懷卡托智能分析環境（WEKA）［23］作為強大的數據挖掘工具箱，集合了大量能承擔數據挖掘任務的MLA （機器學習算法），WEKA 是用Java 編程語言編寫的，而Java 是為Android 平臺開發智能手機應用程序時使用的主要語言，因此WEKA 使這些MLA 能夠在智能手機上準確實現。 Preece 等［24］對可用于建立識別運動模型的MLA（表2）進行了總結，驗證模型的方法包括：留一交叉驗證法，k-折交叉驗證法；Bootstrap 抽樣：0.632 自助法［25］等。

表1 智能手機中各傳感器提取的運動特征

表2 可用于建立運動分類的機器學習算法

使用智能手機內置傳感器進行身體活動分類取決于智能手機的佩戴方式以及收集的活動數據的粒度 （活動的種類和每個活動的實例數量）。 如果沒有將智能手機固定在身體的某一部位，不能假設設備相對于身體的方向是恒定的，因此很難對特定運動和日?；顒舆M行區分。 針對特定的運動或鍛煉采用腰帶、臂帶、腕帶等把智能手機被固定在身體的某一部位或被放置在定制設備中，同時在固定設備位置時要考慮實際運動，需把設備固定在可區分運動明顯特征的位置。

3 算法體系的發展

智能手機的多功能性決定了智能手機不能始終處于身體的同一部位或方向，這對使用智能手機進行運動識別和運動分類的準確性具有很大的限制，因此，有科研人員針對使用智能手機監測身體運動的算法技術進行了大量研究，智能手機的算法技術對智能手機相對于身體方向和位置的要求越來越低。 在監測身體活動中，對智能手機的放置位置的要求也發生了變化：固定位置固定方向、固定位置不固定方向、既不固定位置也不固定方向的發展歷程。

3.1 固定位置固定方向的算法體系

起初的算法要求用帶子或額外裝置將智能手機固定在身體的預定位置，確保智能手機與身體的方向是相對固定的，在收集數據的預處理階段只需使用“數字濾波器”進行處理，MLA可直接利用固定點特有的生物力學特征進行特定身體運動識別模型開發。 智能手機在監測全身參與的大肌肉群運動時，使用帶子把固定手機在靠近身體質心的位置［26］（肚臍周圍）。有研究者對固定在腰部左側位置的智能手機速度計值，采用DTC（分類決策樹模型）和SVM（支持向量機）2 種MLA 進行6 種身體活動的識別，同時計算基于代謝當量的能量消耗估算，通過使用包含IMU 和MIMU 的智能手機對算法技術進行改進，可識別更多種類的運動（表3）；同時，研究表明手機放置在身體質心附近時用于監測模擬跌倒的測量結果最為可靠。

表3 智能手機用作可穿戴動態監測設備（WAM）的應用

3.2 固定位置不固定方向的算法體系

固定在身體位置的算法（見表4）需要將智能手機放置在同一位置（如褲子或襯衫口袋），不需將設備以特定的方向固定，在預處理時可通過降維（PCA、LDA、KDA）技術進行處理，大大增加了手機使用的方便性，手機拿手里或放口袋里都能用來估計身體運動。

表4 智能手機用作固定身體位置的WAM 的應用

表5 智能手機被用作獨立位置的WAM 的應用

By lemans 等［44］使用智能手機內置加速度計監測步數，以及利用用戶身高和性別動態地估計步長。 模型的準確性受行走過程中腳跟撞擊地板產生沖擊加速度大小的影響，所測加速度越大表明步長越大，易造成腳步更輕或更重人群的步長被低估或高估。 Pratima 等［45］評估了用戶在平地上手持手機面向屏幕正常行走時使用Weinberg［46］、Kim［47］和Scarlett［48］3 種步長監測方法，發現Scarlett 提出的步長測量方法在總的行走距離上產生的誤差最低。 Ayoub 等［49］評估手機放置在褲袋、拿在手里或耳朵旁3 種攜帶方式使用前者3 種方法評估步長，研究發現Scarlett 提出的步長估計方法產生的誤差最小。 將這些對步行距離的監測與身體運動特征的MLA 模型開發結合起來，可進行長期的、非侵入性的監測，臨床醫生和保健人員可用于評估受試者是否保持健康的生活方式［50］，使用可穿戴步態監測設備深入了解病人的身體健康狀況。

Antosz 等［51］研究發現固定位置不固定方向的算法體系存在較大的局限性，如果使用支持向量機（SVM）和隱馬爾可夫模型(HMM)的機械算法（MLA）開發的模型用于評估智能手機佩戴在身體其它位置的運動時，其準確性會顯著下降。 通過研究智能手機在4 個不同身體位置（手、腰帶、褲子口袋或上衣口袋）收集的數據識別五個身體活動（站、坐、走、坐和站之間的過渡）模型的準確性，當知道智能手機放置的位置時，預測模型的準確性為90.8%； 通過其中一個位置的數據建立的模型進行5 個身體動作識別時，準確率為56.8%。 在確定身體活動之前考慮智能手機放置的位置，可以提高模型識別運動的能力。 因此依賴于設備放置位置建立的模型在應用時要和設備放置的位置相匹配，當需要準確評估某些特征時，只需將設備放置在與建立模型相同的身體上位置，就可以準確的評估這種身體運動。

3.3 與身體位置無關的算法

智能手機的放置相對于身體而言不是一直固定的，因此為了準確評估身體活動需建立與身體位置無關的算法模型，在信息提取階段需使用數字過濾器和降維技術進行數據的預處理，因此算法的復雜性較高；同時，這樣的算法模型會降低可識別的身體運動粒度 （具有細微差別的身體活動）。 Anjum等［52］開發了一個能夠識別7 種身體活動的算法模型，但不能識別站、躺、坐或它們之間的轉換，將限制該模型應用于估計與長期坐著有關的心血管疾病風險的能力。 Antos［51］等建立的模型能夠區分站和坐，但不能識別在樓梯上行走相關的運動。

與固定位置固定方向以及固定位置不固定方向的算法模型相比，與位置無關的算法模型優勢在于用戶可不受限制的使用智能手機。 Wang 等［53］使用Student Life 應用程序對48 名大學生收集了為期10 周的數據，不考慮手機放置的位置和方向，都可以監測身體運動。 研究發現學生每天參與活動的總時間和孤獨感之間有顯著的負相關（p=0.018）；Var field 等［54］利用智能手機的傳感功能遠程監測在自己家中進行心臟康復的病人的步數。 上述研究表明智能手機用作身體運動的非侵入性監測，它在改善醫療保健方面具有巨大潛力。

4 挑戰

無論智能手機在身體上的位置、 方向以及用戶機體特征如何，理想狀態下的算法體系可將身體活動準確、 精細化分類，同時算法體系功耗最小。 在建立估計身體活動的算法模型時，需攻克以下難題（見圖5）。

圖5 理想的物理運動識別算法體系

4.1 智能手機的電池壽命

現代智能手機突出的大顯示屏以及更多的后臺傳感器，電力消耗水平顯著增加，電池使用時間縮短。 Flaky 等［63］指出，智能手機電池的消耗速度取決于3 個因素；一是，用戶使用設備的時間；二是，在設備上安裝和運行的應用程序；三是，設備的硬件和操作系統。 Carroll 等［64］研究發現，在沒有應用程序運行、 屏幕關閉的狀態下，安卓智能手機的大部分電量被GSM模塊所消耗，而在屏幕打開但沒有應用程序運行的狀態下，圖形處理器消耗的電量最大，手機電量使用下降更快。 Khan 等和Han 等開發了即不需要大量內存或相對復雜的數學運算的特征提取方法和計算模型上的“輕量級”算法，可以估計機體運動，同時最大限度地降低智能手機的電池消耗率。

智能手機電池消耗的速度受內部和外部感應特征的影響。內部傳感特征與傳感器有關，就運動和環境MEMS 傳感器而言包括傳感器的采樣頻率和分辨率模式； 外部傳感特性與開啟傳感器的數量和從數據中提取信息的計算復雜性有關。Abdeslam 等［65］發現，在關閉所有傳感器的情況下，1 200 mA的電池可以為智能手機（Nokia N95）供電170 h；Khan 等研究表明，在不影響分類準確性的情況下，可以用20HZ 的采樣頻率、使用時域特征值評估身體活動；同時通過減少提取的特征數量以及特征的計算復雜性，可以進一步降低能耗。 算法的能源效率是需要考慮的重要條件，或者可通過電池技術的發展進行更多電力能源的存儲，或者研發出可減少硬件組件功耗的方法，包括一些傳感器可根據需要進行動態調整的電源管理方法，或根據采樣需要進行MEMS 傳感器采樣頻率的設置。

4.2 算法的準確性

為了最大限度提升算法體系識別身體活動的精準化水平，需開啟更多的傳感器收集數據進行綜合分析，因此電池電量消耗大增。 監測識別身體活動的準確性取決于手機在身體上的位置和固定程度，假如智能手機放置在褲子口袋里，它可以區分走路和跑步的身體運動，但可能難以區分二頭肌彎曲和三頭肌伸展，這會對能量消耗的預測產生較大影響，同時，現實中任何佩戴在下半身的可穿戴傳感器都不能準確估計由于上體運動而產生的能量消耗，或當智能手機放置在腰部或褲子口袋中時進行主要由上體運動組成的活動； 或由行走表面的變化（如在松軟和堅硬表面之間移動）而產生的能量消耗的偏差。

4.3 算法的穩健性

4.3.1 跨平臺的可變性

由于各智能手機操作系統、軟件和硬件的差異，建立的算法模型在各平臺的普適性也存在較大挑戰。 有研究發現智能手機應用開發時可以選擇本地的、網絡的、混合的3 種應用的數據來源形式，本地應用的性能最好，但與網絡或混合應用相比，這些應用數據的遷移更加困難，此外，Android 等平臺允許任何應用程序在后臺運行，而iOS 不支持連續訪問后臺慣性傳感器的應用程序。 這種差異會限制適合跨平臺開發的應用程序的類型。 雖然許多智能手機設備的MEMS 傳感組件具有可比性，但不同設備傳感器的分辨率和操作范圍有很大的不同，這限制了使用從一個智能手機獲得的數據所開發的算法的可移植性。

4.3.2 設備放置位置

雖然已經采用降維技術來規范由于設備方向不一致而導致的高可變性數據，但MIMU 的數據尚未通過AHRS 算法進行融合，以識別物理運動。使用AHRS 將使局部幀加速度能夠投影回全局參考系，從而能夠導出獨立于設備方向的特征，并可能導致基于生物力學的新特征，類似于管理行人航位推算中使用的ZARU 和ZUPT 的原理。 在家時人們一般不會將智能手機放在衣服里，這限制了智能手機監測人們在家時身體運動的能力，相反，老年人在選擇時更傾向于將智能手機放在衣服的口袋里，而不是佩戴專用設備，當被要求佩戴非侵入性的健康監測器時，這種偏好可能會延伸到其它亞人群。

4.3.3 亞種群間的預測能力

Albert 等對18 位（33.0±4.5 歲）健康受試者建立評估身體活動的算法模型，并用8 個帕金森病患者（67.0±8.1 歲）的數據檢驗算法模型的預測能力，發現通過健康人群建立的算法模型無法正確分類進行相同身體運動的亞群人群。Del Rosario等［66］研究發現不同群體、生理特征的模型無法互用進行身體活動的預測，在進行活動能量消耗預測時會產生較大的誤差。還有研究發現在進行能量消耗監測時，根據成年人群建立的能量消耗模型不能推廣到幼兒或肥胖成年人群體中。

4.4 未來研究方向

4.4.1 開發新的傳感元件

隨著新興技術的發展，傳感器的功能不斷豐富、 體積變小，手機將包含更多的傳感元，這些技術的發展有助于更準確的識別身體活動。 一些手機也具備使用智能手機的攝像頭和閃光燈來估計心率/脈搏的算法，有些手機中也出現了專用“心率”傳感器，一些起初用于醫療保健領域的傳感器也逐步應用在智能手機設備中。 在未來的研究中開發一些識別適合集成到下一代智能手機的傳感器，以及結合這些傳感組件的算法，使傳感元件的更新和算法的迭代可遺傳。

4.4.2 MEMS 傳感器管理

根據運動需要可動態調整智能手機MEMS 傳感器采樣頻率的“智能”算法進行深入研究。 這些智能算法在個體久坐狀態下降低MEMS 傳感器的采樣率，當用戶不攜帶智能手機時完全禁用MEMS 傳感器，而當在個體參與活動時提高采樣頻率； 同時還應該加大開發可根據運動需要改變傳感器操作范圍的方法，提高識別的精度，這有助于識別一些細微差別的身體運動。

4.4.3 與新興技術的融合

智能手表以及其它能夠與智能手機通信的“智能”服裝、運動鞋的發展，可以更準確的確定運動的時間和位置，進行運動的識別和身體能量消耗的預測，為算法技術的發展提供了良好機會。 研究使用RSSI 來估計“智能”設備之間的距離，這些技術將類似于那些用于磁性位置和方向跟蹤系統的技術。在這些“智能”服裝嵌入MEMS 傳感器，智能手機可能成為處理所有傳感器數據的“數據中心”或樞紐，同時開發新的方法建立無線設備之間的通信，一次配對終生使用。

4.4.4 算法的個性化

“健康寶”（HealthKit）（來自蘋果公司）和“健康生活”（S Health）（來自三星）等應用程序的開發，它們整合了來自各種第三方智能手機應用程序的信息，旨在收集和分析用戶的健康數據（如，血壓、心率、體重、位置等），通過結合個人生理信息調整算法的行為，考慮到隨著時間的推移而改變的用戶生理特征（年齡、當前的健康水平）以及用戶的日?；顒铀?，結合這些個人基礎數據改進估計身體運動的算法準確性。

5 結論

智能手機作為一種非侵入性的身體運動監測器，已經顯示出了強大的功能。 當智能手機的大量傳感元件被利用時，該設備可以識別各種身體活動，同時在醫療保健方面有更大的發展潛力。 需通過進一步的研究來解決設備的多功能性所產生的問題，以及智能手機技術的發展緩解電池容量所帶來的限制。MEMS 傳感器的“智能手表”以及其它可能成為“智能”（即嵌入電子元件，可以傳遞運動并與其它電子設備進行無線通信）的服裝項目有可能極大地影響識別運動的方法。 智能手機也可以成為所有數據被轉發和處理的中心，而不僅是依靠智能手機內的傳感器來識別身體運動。