池小文,倪友聰,杜欣 ,葉鵬,吳燕丹

(1.福建師范大學(xué) 軟件學(xué)院, 福建 福州 350117； 2.武漢紡織大學(xué) 數(shù)學(xué)與計算機學(xué)院, 湖北 武漢 430200； 3.福建師范大學(xué) 體育科學(xué)學(xué)院, 福建 福州 350117)

基于智能手機的健身跑數(shù)據(jù)采集及演化建模

池小文1,倪友聰1,杜欣1,葉鵬2,吳燕丹3

(1.福建師范大學(xué) 軟件學(xué)院, 福建 福州 350117； 2.武漢紡織大學(xué) 數(shù)學(xué)與計算機學(xué)院, 湖北 武漢 430200； 3.福建師范大學(xué) 體育科學(xué)學(xué)院, 福建 福州 350117)

針對 Brzostowski方法因采集的速度數(shù)據(jù)精度不高、采用的建模算法搜索能力受限，而導(dǎo)致難以獲取高精度健身跑模型的問題，本文提出一種基于智能手機的健身跑速度數(shù)據(jù)獲取及演化建模方法。首先，提出基于智能手機多傳感器和中值濾波的健身跑速度采集方法，以濾除由于手機間歇性的姿態(tài)變化而產(chǎn)生的三軸加速度信號脈沖噪聲，并結(jié)合方向傳感器對手機三軸加速度中包含的重力分量進(jìn)行過濾；然后，設(shè)計一種健身跑演化建模算法，以增大搜索空間為獲取更優(yōu)的健身跑模型提供支持。實驗結(jié)果表明，本文提出的方法可以比 Brzostowski 方法獲取更為精確的速度和健身跑運動模型。

健身跑；智能手機；中值濾波；三軸加速度；方向傳感器；速度采集；演化建模

由于健身跑不受時間、場地和季節(jié)的影響，方法簡便、費時少、見效快，已成為全民健身的主要鍛煉項目[1]。為了提高健身跑的趣味性和娛樂性，市面上已涌現(xiàn)出一批基于智能手機的健身跑系統(tǒng)[2]。這些系統(tǒng)使用智能手機內(nèi)置的GPS、加速度、方向、磁力、陀螺儀和旋轉(zhuǎn)矢量等傳感器輸出與運動狀態(tài)相關(guān)的信號，經(jīng)處理后可獲取健身跑的步長步頻[3-5]、加速度[6-9]和速度[10-12]等運動數(shù)據(jù)，在此基礎(chǔ)上提供運動數(shù)據(jù)的保存、統(tǒng)計、顯示和分享等功能。

為了能在提高鍛煉效益的同時，避免過度運動對人們身心造成的傷害[13-14]，近年來已提出一些健身跑的運動建模技術(shù)。這些技術(shù)除需要借助智能手機內(nèi)置傳感器采集運動數(shù)據(jù)外，往往還要利用外置傳感器和手機的藍(lán)牙通信功能收集脈搏、心率、血壓、血氧濃度等生理數(shù)據(jù)，在此基礎(chǔ)再應(yīng)用算法對獲取的運動數(shù)據(jù)和生理數(shù)據(jù)進(jìn)行分析以構(gòu)建健身跑運動模型。Sornanatha等[15]利用脈搏血氧儀采集心率、血壓、血氧濃度等數(shù)據(jù)，提出了一種健身者運動強度控制模型。B. W. Fudge等[16]利用加速度、心率和耗氧量等數(shù)據(jù)，構(gòu)建了健身跑運動監(jiān)控過程模型。孫泊等[17]基于加速度、耗氧量等數(shù)據(jù)，提出了一種健身跑的能耗過程模型。Garcia等[18]運用無監(jiān)督聚類和隱馬爾可夫模型，基于加速度、心率和血氧濃度等數(shù)據(jù)建立了一種運動強度分析模型。Cheng[19]和Scalzi[20]通過心率、速度和疲勞程度3個要素刻畫健身跑的運動模型，并運用帶參數(shù)的微分方程組定義了模型空間。Cheng和Scalzi的參數(shù)模型通過疲勞程度的變量來模擬健身跑中的復(fù)雜生理過程，在缺乏血壓、血氧濃度、耗氧量等數(shù)據(jù)的情況下也能構(gòu)建較為精確的健身跑運動模型。

基于Cheng和Scalzi的參數(shù)化模型，Brzostowski等[21]提出了一種基于智能手機的健身跑運動建模方法。Brzostowski方法依照文獻(xiàn)[22]的研究成果要求運動者將智能手機綁縛于腰部進(jìn)行健身跑。在健身跑過程中濾除掉手機坐標(biāo)系下的三軸加速度信號中的重力分量后，進(jìn)一步進(jìn)行變換，可生成速度信號。此外，Brzostowski方法還利用智能手機的藍(lán)牙通信模塊從心率帶接收心率信號。并在采集的速度數(shù)據(jù)和心率數(shù)據(jù)的基礎(chǔ)上，運用麥夸特Levenberg-Marquardt， LM算法在Cheng和Scalzi的模型空間中搜索最佳健身跑模型。Brzostowski方法雖然已得到一定的應(yīng)用，但仍存在一些不足。Brzostowski方法未考慮健身跑中綁縛于腰部的手機經(jīng)常發(fā)生的間歇性姿態(tài)變化產(chǎn)生的脈沖噪聲會對獲取加速度數(shù)據(jù)的精度產(chǎn)生影響。因為這些脈沖噪聲不僅對三軸加速度信號產(chǎn)生干擾，而且還會導(dǎo)致手機坐標(biāo)系發(fā)生偏移甚至旋轉(zhuǎn)，從而影響到三軸加速度信號中重力分量的濾除。另外，受制于搜索空間，LM算法容易陷入局部最優(yōu)，因而難以獲取全局最優(yōu)的健身跑運動模型。

針對上述問題，本文提出了一種基于智能手機的健身跑演化建模方法。本文的主要貢獻(xiàn)有：

1)提出了基于智能手機多傳感器和中值濾波的速度數(shù)據(jù)采集方法(multi-sensor of smartphone and median filter for speed data acquisition in fitness running， MM4SA)。MM4SA方法運用中值濾波器濾除手機間歇性的姿態(tài)變化對三軸加速度信號產(chǎn)生的脈沖噪聲，并結(jié)合方向傳感器輸出的方向信號對手機三軸加速度中包含的重力分量進(jìn)行過濾。

2)設(shè)計了一種健身跑演化建模算法GA。GA算法可在Cheng和Scalzi等定義的龐大的模型空間中，搜索出較優(yōu)的健身跑運動模型。

3)招募10名大學(xué)生進(jìn)行健身跑并收集他們運動過程中的速度數(shù)據(jù)和心率數(shù)據(jù)，開展了本文方法與Brzostowski方法的實驗對比。實驗結(jié)果表明，本文方法可以較Brzostowski方法獲取更為精確的速度和健身跑運動模型。

1 Brzostowski提出的健身跑運動建模方法

下面給出Brzostowski提出的健身跑運動建模方法中的速度數(shù)據(jù)采集和建模算法。

1.1 健身跑速度數(shù)據(jù)采集

Brzostowski的健身跑速度采集方法的流程如圖1所示，其包括獲取加速度信號、低通-高通濾波和速度信號輸出3個步驟。

圖1 Brzostowski健身跑運動速度采集方法Fig.1 Brzostowski’s approach to speed acquisition in fitness running

首先，智能手機內(nèi)置的三軸加速度傳感器輸出手機三軸坐標(biāo)系[23]下，并且包含有重力分量的加速度信號。手機坐標(biāo)系是以手機屏幕為基準(zhǔn)定義的一種相對坐標(biāo)系。手機屏幕中心為坐標(biāo)系原點，平行于屏幕短邊的方向為x軸正方向，平行于屏幕長邊的方向為y軸正方向，垂直于手機屏幕向上的方向為z軸正方向。

其次，將含有重力分量的三軸加速度信號送入低通-高通濾波器(low-pass and high-pass filter， HLF)濾除重力分量后，經(jīng)Kalman[21]濾波由加速度到速度的變換，最后輸出健身跑的速度信號。

圖1中HLF對于獲取精確的速度數(shù)據(jù)起著關(guān)鍵作用，因而下文將Brzostowski健身跑速度數(shù)據(jù)采集方法簡記為HLF方法。

1.2 健身跑建模算法

Brzostowski在Cheng和Scalzi等提出的參數(shù)化模型[19]基礎(chǔ)上，運用麥夸特(Levenberg-Marquardt， LM)算法搜索最優(yōu)健身跑運動模型。

Cheng的模型由(1)式的微分方程組定義。(1)式刻畫了心率、疲勞程度和速度之間的非線性關(guān)系。(1)式中的x1(t)、x2(t)和u(t)分別表示t時刻較0時刻(平靜狀態(tài)下)的心率增量、疲勞程度增量，以及t時刻的速度；a1、a2、a3、a4和a5為5個待定的正實數(shù)參數(shù)。

Brzostowski方法根據(jù)運動者一段時間健身跑所采集的數(shù)據(jù)速度和心率數(shù)據(jù)，使用LM算法按照心率增量x1(t)最小平方誤差準(zhǔn)則，確定(1)式中5個待估參數(shù)的值。

2 智能手機多傳感器和中值濾波的健身跑速度數(shù)據(jù)采集方法

2.1 MM4SA方法的總體流程

MM4SA方法利用方向傳感器[24-25]捕獲健身跑中手機姿態(tài)變化的方向信號，并運用該信號幫助過濾手機三軸加速度傳感器輸出信號中的重力分量；進(jìn)一步借助中值濾波器[26]對三軸加速度信號和方向信號進(jìn)行降噪和平滑處理。圖2給出了MM4SA方法的流程。圖2中灰色背景標(biāo)識的中值濾波器、結(jié)合方向信號的重力加速度濾除兩個步驟是MM4SA方法不同于HLF方法的步驟，下面將重點予以闡述。

圖2 基于智能手機多傳感器和中值濾波的速度數(shù)據(jù)采集方法MM4SA的流程Fig.2 Speed acquisition process in MM4SA approach using multi-sensors in smartphone and median filter

2.2 中值濾波

圖2中的兩個中值濾波器分別用于去除健身跑中因固定于腰部的手機發(fā)生間歇性姿態(tài)變化，而產(chǎn)生的三軸加速度信號和方向信號的脈沖噪聲。下面以手機坐標(biāo)系下x軸的加速度信號ax(t)為例，說明中值濾波器的工作原理。y和z軸上的加速度信號，以及方向信號的中值濾波也是類似的。

式(2)定義了ax(t)信號在t時刻的加速度經(jīng)中值濾波后的值。在式(2)中，l和Θwnd分別為濾波窗口的大小、濾波窗口中加速度信號樣本的集合。Med是對Θwnd樣本集合取中值操作，即先對Θwnd中的加速度信號樣本，按照從小到大的順序進(jìn)行排列后，再取第m+1個樣本的值。

2.3 結(jié)合方向信號的重力加速度濾除

智能手機三軸加速度傳感器輸出的加速度信號值是基于手機三軸坐標(biāo)系的，并且其中還包含重力分量值。健身跑中手機的姿態(tài)變化可導(dǎo)致手機坐標(biāo)系發(fā)生小幅偏移甚至旋轉(zhuǎn)，進(jìn)而使得重力對三軸加速度傳感器輸出信號的影響也隨之改變。

智能手機內(nèi)置的方向傳感器通過捕獲手機坐標(biāo)系與慣性坐標(biāo)系的相對位置，能夠輸出手機坐標(biāo)系變化的信號。圖3(c)示意了用于描述手機運動狀態(tài)的慣性坐標(biāo)系。它的中心點與手機坐標(biāo)系的中心點重合，3個坐標(biāo)軸pitch(與地面相切，指向正西)、azimuth(垂直于地面指向正西)和roll(與地面相切，指向正北)分別與圖3(a)所示的世界坐標(biāo)系中3個坐標(biāo)軸x′、y′和z′平行。世界坐標(biāo)系是一種絕對坐標(biāo)系，它通過經(jīng)緯度和高程描述地球上每個點的方位信息。為了反映重力加速度g對手機坐標(biāo)系下加速度信號的影響，可將其看作慣性坐標(biāo)系azimuth軸上的常量。

圖3 3種不同的坐標(biāo)系Fig.3 Three different coordinate systems

根據(jù)空間幾何原理，手機姿態(tài)變化而引起的手機坐標(biāo)系變化，可通過慣性坐標(biāo)系分別對繞手機坐標(biāo)系z、x、y軸旋轉(zhuǎn)一定的航向角φ、俯仰角θ和滾轉(zhuǎn)角γ進(jìn)行描述。圖4給出了慣性坐標(biāo)系到手機坐標(biāo)系的3個轉(zhuǎn)換步驟，它們分別對應(yīng)式(3)、(4)和(5)的變換矩陣。

圖4 慣性坐標(biāo)系到手機坐標(biāo)系的轉(zhuǎn)換步驟Fig.4 Transformations from inertia coordinate system to smartphone coordinate system

智能手機內(nèi)置的方向傳感器通過融合手機內(nèi)置的加速度傳感器、地磁傳感器可以輸出方向信號φ(t)、θ(t)和γ(t)。結(jié)合方向角信號可將慣性坐標(biāo)系下的重力加速度g旋轉(zhuǎn)變換至手機坐標(biāo)系下，進(jìn)而獲取g在x、y和z軸上各個分量信號gx(t)、gy(t)、gz(t)。坐標(biāo)變換如(6)式。最后，將三軸加速度傳感器輸出的信號濾除變換后的重力分量，便可獲得人體加速度信號。

3 基于智能手機的健身跑演化建模算法

根據(jù)健身跑運動過程中采集的數(shù)據(jù)速度和心率數(shù)據(jù)，本文設(shè)計了一種遺傳算法(genetic algorithm， GA)對式(1)中的5個參數(shù)進(jìn)行演化優(yōu)化，進(jìn)而構(gòu)建出健身跑運動模型。

GA算法中個體編碼采用實數(shù)編碼，其長度為5。按照式(1)和采集的速度數(shù)據(jù)，可采用四階龍格-庫塔法[27]求解出心率增量x1(t)的估計值。并定義心率增量估計值與實測值的殘方差，適應(yīng)度函數(shù)是GA算法里的專業(yè)術(shù)語，一般定義適應(yīng)度值越小，個體越優(yōu)。交叉算子采用整體算術(shù)雜交法。變異算子采用常規(guī)的單點變異算子。選擇策略采用帶精英保留的輪盤賭方法。具體的算法流程定義如下所示。

算法健身跑演化建模算法GA

輸入種群大小n，交叉概率pc( 0 lt;pclt; 1 )，變異概率pm(0 lt;pmlt; 1)，心率實測值，速度u(t);

輸出式(1)中的參數(shù)a1、a2、a3、a4和a5。

1)演化代數(shù)t←0；

2)產(chǎn)生初始種群P(t)；

3)根據(jù)估計的速度值u(t)和式(1)，采用四階龍格-庫塔法求解心率增量的估計值，定義心率增量估計值與實測值的殘差平方和作為適應(yīng)度函數(shù)，計算P(t)中每個個體的適應(yīng)度值；

5)若不滿足停機條件，執(zhí)行下列6)～11)循環(huán)；

6)基于P(t)和交叉概率pc，通過整體算術(shù)交叉算子生成中間種群PC(t)；

7)基于PC(t)和變異pm，通過變異算子生成中間種群PM(t) ；

8)計算PM(t)中每個個體的適應(yīng)度值；

9)按基于精英保留的輪盤賭選擇策略從種群PM(t)和P(t)中選出n個個體生成下一代種群P(t+1)；

11)t←t+1；

12)滿足停機條件，循環(huán)結(jié)束；

4 實驗

為了驗證本文健身跑速度數(shù)據(jù)采集和演化建模算法的有效性，下面首先介紹實驗數(shù)據(jù)集，然后定義驗證的問題和度量指標(biāo)，再闡述所使用的統(tǒng)計方法，最后展示實驗結(jié)果。

4.1 實驗數(shù)據(jù)集

我們基于Android智能手機和外置的心率帶已開發(fā)了一套健身跑指導(dǎo)系統(tǒng)(簡稱i酷跑)。i酷跑的數(shù)據(jù)采集模塊可在運動者健身跑中，每隔1 min將從智能手機采集到的三軸加速度數(shù)據(jù)、方向傳感器數(shù)據(jù)，以及從心率帶收集的心率數(shù)據(jù)實時存儲到云服務(wù)器中。并在云端運行本文GA算法，為了便于實驗對比，LM算法也被部署在云端進(jìn)行運行。

為了開展本文的驗證工作，我們招募了10名大學(xué)生志愿者進(jìn)行健身跑，以構(gòu)建實驗數(shù)據(jù)集。這些學(xué)生的具體情況如表1所示。在表1中，為了保護(hù)隱私， 用P1～P10代指各受試者的真實姓名。給每位受試者提供1條SUUNTO SS020566000心率帶、配備android 4.4的小米3智能手機1部并安裝i酷跑系統(tǒng)。選用h/p/cosmos 5.0專業(yè)跑步機獲取各受試者健身跑過程中的精確速度數(shù)據(jù)，并將其視為實際速度。在對受試者進(jìn)行必要的使用培訓(xùn)后，進(jìn)行時長為30 min的實驗。整個實驗過程在福建師范大學(xué)旗山校區(qū)體育科學(xué)學(xué)院的體育運動實驗中心進(jìn)行。圖5給出了一名受試者在h/p/cosmos 5.0跑臺上進(jìn)行健身跑的情況。實驗結(jié)束后，將云端存儲的受試者的三軸加速度數(shù)據(jù)、方向數(shù)據(jù)、心率數(shù)據(jù)與跑步機上存儲的實際速度數(shù)據(jù)進(jìn)行整合，形成10名受試者對應(yīng)的10個數(shù)據(jù)集。每個數(shù)據(jù)集共有30行數(shù)據(jù)，每行數(shù)據(jù)對應(yīng)于每分鐘采集的三軸加速度數(shù)據(jù)、方向數(shù)據(jù)、心率數(shù)據(jù)和實際速度數(shù)據(jù)。

表1 受試者情況表

圖5 受試者在h/p/cosmos 5.0跑臺上進(jìn)行健身跑Fig.5 A subject running on the treadmill produced by h/p/cosmos 5.0 company

4.2 驗證的問題以及度量標(biāo)準(zhǔn)

問題1 RQ1。與HLF方法相比，本文MM4SA方法是否可以獲取更為精確的速度數(shù)據(jù)？

每個受試者在健身跑過程中速度的平均絕對誤差I(lǐng)Δv被作為度量指標(biāo)定量地回答RQ1。IΔv的定義如(7)式所示，方法對應(yīng)的IΔv越小說明越優(yōu)。

問題2 RQ2。與LM算法相比，本文GA算法構(gòu)建的健身跑運動模型是否更加精確？

為了公平起見，每個數(shù)據(jù)集中的實際速度數(shù)據(jù)(跑步機輸出)和心率數(shù)據(jù)被用于構(gòu)建受試者的健身跑運動模型。而HLF和MM4SA方法輸出的速度數(shù)據(jù)不被考慮使用，以避免因速度偏差而引起的模型精度問題。

根據(jù)受試者P的數(shù)據(jù)集，分別在云服務(wù)器上運行GA和LM算法可確定式(1)中參數(shù)a1～a5的值，進(jìn)而建立P的健身跑運動模型。當(dāng)已知P的第i分鐘速度值，可用該模型估算對應(yīng)的心率值。每個受試者在健身跑過程中心率的平均絕對誤差I(lǐng)Δh被作為度量指標(biāo)以定量地回答RQ2。IΔh的定義如式(8)所示，算法對應(yīng)的IΔh越小說明越優(yōu)。

4.3 使用的統(tǒng)計方法

4.4 實驗結(jié)果

1)RQ1的結(jié)果

圖6和圖7分別給出了MM4SA和HLF方法對應(yīng)的10名受試者健身跑IΔv(速度的平均絕對誤差)指標(biāo)值的散點圖和統(tǒng)計盒圖。從圖6和圖7可以直觀看出， MM4SA方法明顯優(yōu)于HLF方法。對IΔv的統(tǒng)計實驗得出：p-value和effect size分別為2.461 3×10-4和0.9，也表明MM4SA顯著優(yōu)于HLF。這說明與HLF方法相比，MM4SA方法考慮了健身跑中綁縛于腰部的手機在發(fā)生間歇性姿態(tài)變化時產(chǎn)生的脈沖噪聲對三軸加速度信號本身的干擾及對重力分量濾除的影響，進(jìn)而可以獲取更加接近于人體實際運動的速度。

2)RQ2的結(jié)果

考慮到GA算法隨機性的特點，在每個數(shù)據(jù)集上運行20次，而對于確定性算法LM則只需運行1次。表2顯示了GA和LM算法分別運行20次和1次對應(yīng)的10名受試者健身跑IΔh(心率的平均絕對誤差)指標(biāo)的平均、最好、最差和中位數(shù)等統(tǒng)計量的情況。表3給出了GA和LM算法對應(yīng)的IΔh秩和實驗結(jié)果。從表2可看出，除了受試者P1的最差I(lǐng)Δh外，其余情況GA均優(yōu)于LM算法。從表3的10組統(tǒng)計實驗得出：對于所有受試者， p-vaule值均小于0.05，而effect size的值均為1，說明GA算法顯著地優(yōu)于LM算法。這表明GA算法可以搜索更大的模型空間，獲取較LM算法更為精確的健身跑運動模型。

圖6 MM4SA和HLF方法對應(yīng)的10名受試者健身跑IΔv(速度的平均絕對誤差)指標(biāo)值的散點圖Fig.6 Scatter plot using the quality indicator IΔv applied to MM4SA and HLF based on the datasets of 10 subjects

圖7 MM4SA和HLF方法對應(yīng)的10名受試者健身跑IΔv(速度的平均絕對誤差)指標(biāo)值的統(tǒng)計盒圖Fig.7 Boxplot using the quality indicator IΔv applied to MM4SA and HLF based on the dataset of 10 subjects

Table2BasicsummarystatisticsforthequalityindicatorIΔhbasedon20runsofGAandsinglerunofLMusingthedatasetsgeneratedby10subjects

算法IΔh的統(tǒng)計量P1P2P3P4P5P6P7P8P9P10GAMean均值5．04．44．53．14．75．25．64．75．35．1Best最好值4．34．04．12．74．44．74．64．34．84．2Worst最差值6．15．35．13．55．55．85．95．35．75．9Median中值4．94．44．63．04．65．35．44．65．25．2LMMean均值6．05．86．45．66．56．87．06．36．56．0Best最好值6．05．86．45．66．56．87．06．36．56．0Worst最差值6．05．86．45．66．56．87．06．36．56．0Median中值6．05．86．45．66．56．87．06．36．56．0

表3GA和LM算法分別運行20次和1次對應(yīng)的10名受試者健身跑IΔh秩和實驗的p-value及effectsize

Table3p-valueandeffectsizeofthequalityindicatorIΔhobtainedinWilcoxonexperimentsbasedon20runsofGAandsinglerunofLMusingthedatasetsgeneratedby10subjects

統(tǒng)計量P1P2P3P4P5P6P7P8P9P10p?value6．0243×10-56．1133×10-56．2944×10-56．3244×10-56．2944×10-56．2103×10-56．2487×10-56．2487×10-56．3403×10-56．1582×10-5effectsize1111111111

5 結(jié)束語

本文提出了基于智能手機多傳感器和中值濾波的速度數(shù)據(jù)采集方法。該方法利用中值濾波器濾除健身跑中手機間歇性的姿態(tài)變化對三軸加速度信號產(chǎn)生的脈沖噪聲，結(jié)合方向傳感器輸出的方向信號對手機三軸加速度中包含的重力分量進(jìn)行過濾。并設(shè)計了一種健身跑演化建模算法GA。GA算法可在Cheng和Scalzi等定義的龐大的模型空間中，搜索出較優(yōu)的健身跑運動模型。

未來我們將受試對象擴展到不同年齡段并采集更多的數(shù)據(jù)，研究本文建模方法的穩(wěn)定性。進(jìn)一步開展個性化健身跑運動方案生成和健身跑運動過程監(jiān)控等方面研發(fā)工作。

[1]顏慶．不同強度和時間有氧健身跑對體脂的影響[J]．武漢體育學(xué)院學(xué)報， 2013， 47(10): 54-58．

YAN Qing．Effect of different intensity and duration of aerobic fitness exercise on body fat[J]． Journal of wuhan institute of physical education, 2013， 47(10): 54 -58．

[2]ALLMAN K. Five fitness apps worth the download[J]. LSJ: law society of NSW journal, 2017 (31): 57.

[3]RENAUDIN V, SUSI M, LACHAPELLE G. Step length estimation using handheld inertial sensors[J]. Sensors, 2012, 12(7): 8507-8525.

[4]HO N H, TRUONG P H, JEONG G M. Step-detection and adaptive step-length estimation for pedestrian dead-reckoning at various walking speeds using a smartphone[J]. Sensors, 2016, 16(9): 1423.

[5]LI F, ZHAO C, DING G, et al. A reliable and accurate indoor localization method using phone inertial sensors[C]// Proceedings of the 2012 ACM Conference on Ubiquitous Computing. Pittsburgh, USA, 2012: 421-430.

[6]謝雨駝, 邊耐政. Android 手機端運動量檢測的研究與應(yīng)用[J]. 計算機應(yīng)用與軟件, 2012, 29(10): 227-229.

XIE Yutuo, BIAN Naizheng. RESEARCH and application of physical activity consumption detection on android smart phone[J]. Computer applications and software , 2012, 29(10) : 227-229.

[7]KWAPISZ J R, WEISS G M, MOORE S A. Activity recognition using cell phone accelerometers[J]. ACM sigkdd explorations newsletter, 2011, 12(2): 74-82.

[8]BAI Y W, YU C H, WU S C. Using a three-axis accelerometer and GPS module in a smart phone to measure walking steps and distance[C]//2014 IEEE 27th Canadian Conference on Electrical and Computer Engineering (CCECE). Toronto, Canada, 2014: 1-6.

[9]馬松巖. 基于 iOS 平臺的健身應(yīng)用的設(shè)計與實現(xiàn) [D]. 北京：北京郵電大學(xué), 2013.

MA Songyan. The design and implementation of a pedometer application based on ios platform[D]. Beijing:Beijing University of Posts and Telecommunications, 2013.

[10]FASEL B, DUC C, DADASHI F, et al. A wrist sensor and algorithm to determine instantaneous walking cadence and speed in daily life walking[J]. Med biol eng comput, 2017, 55: 1773-1785.

[11]NEVILLE J G, ROWLANDS D D, LEE J B, et al. A Model for comparing over-ground running speed and accelerometer derived step rate in elite level athletes[J]. IEEE sensors journal, 2016, 16(1): 185-191.

[12]趙寅, 徐國華, 楊超, 等. 基于模糊卡爾曼濾波算法的速度估算方法[J]. 儀表技術(shù)與傳感器, 2013 (12): 80-83.

ZHAO Yin, XU Guohua, YANG Chao, et al. Estimation of speed based on fuzzy-Kalman filter[J]. Instrument technique and sensor, 2013 (12): 80-83.

[13]KRANZ M, M?LLER A, HAMMERLA N, et al. The mobile fitness coach: towards individualized skill assessment using personalized mobile devices[J]. Pervasive and mobile computing, 2013, 9(2): 203-215.

[14]周萍, 田磊. 有氧健身跑對大學(xué)生身體意象影響的研究[J]. 運動, 2016 (21): 53-54.

ZHOU Ping, TIAN Lei. The Research about effect of aerobic fitness running on body intention[J]. Sports, 2016(21): 53-54.

[15]SORNANATHAN L, KHALIL I. Fitness monitoring system based on heart rate and SpO2 level[C]//2010 10th IEEE International Conference on Information Technology and Applications in Biomedicine (ITAB). Kuantan, Malaysia, 2010: 1-5.

[16]FUDGE B W, WILSON J, EASTON C, et al. Estimation of oxygen uptake during fast running using accelerometry and heart rate[J]. Medicine and science in sports and exercise, 2007, 39(1): 192-198.

[17]孫泊, 劉宇, 莊濤, 等. 基于腰部加速度計的行走能耗建模實驗研究[J]. 體育科學(xué), 2013 (4): 36-41.

SUN Bo, LIU Yu, ZHUANG Tao, et al. The experimental research on modeling of walking energy expenditure based on the waist accelerometer[J]. China sport science, 2013 (4): 36-41.

[18]GARCIA-GARCIA F, GARCIA-SEZ G, CHAUSA P, et al. Statistical machine learning for automatic assessment of physical activity intensity using multi-axial accelerometry and heart rate[J].Lecture notes in computer science, 2011, 6747: 70-79.

[19]CHENG T M, SAVKIN A V, CELLER B G, et al. Nonlinear modeling and control of human heart rate response during exercise with various work load intensities[J]. IEEE transactions on biomedical engineering, 2008, 55(11): 2499-2508.

[20]SCALZI S, TOMEI P, VERRELLI C M. Nonlinear control techniques for the heart rate regulation in treadmill exercises[J]. IEEE transactions on biomedical engineering, 2012, 59(3): 599-603.

[21]BRZOSTOWSKI K, DRAPAA J, GRZECH A, et al. Adaptive decision support system for automatic physical effort plan generation—data-driven approach[J].Cybernetics and systems, 2013, 44(2/3): 204-221.

[22]FUJIKI Y, TSIAMYRTZIS P, PAVLIDIS I. Making sense of accelerometer measurements in pervasive physical activity applications[C]//CHI’09 Extended Abstracts on Human Factors in Computing Systems. Boston, USA, 2009: 3425-3430.

[23]KUO Y S, PANNUTO P, HSIAO K J, et al. Luxapose: Indoor positioning with mobile phones and visible light[C]//Proceedings of the 20th Annual International Conference on Mobile Computing and Networking.Maui, USA, 2014: 447-458.

[24]SUN H, MCINTOSH S. Phone call detection based on smartphone sensor data[C]//International Conference on Cloud Computing and Security. Nanjing, China, 2016: 284-295.

[25]SHI D, WANG R, WU Y, et al. A novel orientation-and location-independent activity recognition method[J]. Personal and ubiquitous computing, 2017, 21(3): 1-15.

[26]WANG Z, ZHANG D. Progressive switching median filter for the removal of impulse noise from highly corrupted images[J]. IEEE transactions on circuits and systems II: analog and digital signal processing, 1999, 46(1): 78-80.

[27]FORSYTHE G E, MOLER C B, MALCOLM M A. Computer methods for mathematical computations[M]. Upper Saddle River: Prentice-Hall, 1977.

[28]Goulden K J. Effect sizes for research: a broad practical approach[J]. Lawrence erlbaum associates, 2005, 27 (5): 419-420 .

池小文，男，1992年生，碩士研究生，主要研究方向為基于搜索的軟件設(shè)計。

倪友聰，男， 1976 年生，副教授，主要研究方向為基于搜索的軟件設(shè)計、軟件體系結(jié)構(gòu)。

杜欣，女，1979年生，副教授，主要研究方向為基于搜索的軟件工程、演化計算。

Smartphone-basedspeedacquisitionandevolutionarymodelingforfitnessrunning

CHI Xiaowen1, NI Youcong1, DU Xin1, YE Peng2, WU Yandan3

(1.Faculty of Software, Fujian Normal University, Fuzhou 350117,China; 2.School of Mathematics and Computer, Wuhan Textile University, Wuhan 430200, China; 3.Physical Science School, Fujian Normal University, Fuzhou 350117, China)

Due to the low precision of speed acquisition and the limited search ability of modeling algorithms, it is difficult to obtain a highly precise fitness running model by applying the Brzostowski method. In this paper, we propose a speed acquisition and evolutionarymodeling method for fitness running that is based on the smart phone. First,we introduce a fitness running speed acquisition method based on multiple smartphone sensors and a median filter that can remove the impulse noise of three-axis acceleration signals.This noiseisgenerated by the intermittent gesture changes associated with the use of smartphones.In addition, this method can filter out the gravitational component in three-axis acceleration.Next, we designed an evolutionary modeling algorithm to enlarge the search space to obtain a better fitness running model. The experimental results show that the proposed approach can obtain more accurate speed and fitness running models than the Brzostowski’s approach.

fitness running; smart phone; median filter; three-axis acceleration; orientation sensor; speed acquisition; evolutionary modeling

10.11992/tis.201706045

http://kns.cnki.net/kcms/detail/23.1538.TP.20171021.1350.006.html

TP391

A

1673-4785(2017)05-0702-08

中文引用格式：池小文,倪友聰,杜欣,等.基于智能手機的健身跑數(shù)據(jù)采集及演化建模J.智能系統(tǒng)學(xué)報， 2017, 12(5): 702-709.

英文引用格式：CHIXiaowen,NIYoucong,DUXin,etal.Smartphone-basedspeedacquisitionandevolutionarymodelingforfitnessrunningJ.CAAItransactionsonintelligentsystems, 2017, 12(5): 702-709.

2017-06-12. < class="emphasis_bold">網(wǎng)絡(luò)出版日期

日期：2017-10-21.

國家自然科學(xué)基金項目(61305079, 61370078)；福建省自然科學(xué)基金項目(2015J01235,2017J01498)；福建省教育廳JK 類項目(JK2015006)；武漢大學(xué)軟件工程國家重點實驗室開放基金項目(SKLSE 2014-10-02).

倪友聰.E-mail:youcongni@foxmail.com.