張晉喜 李振 李沫含 邱華龍 劉程林 楊銘 徐魯友 賈壯 周志雄

摘? ? 要? ?世界衛(wèi)生組織建議成年人每周進(jìn)行150～300 min中等強(qiáng)度或75～150 min高強(qiáng)度身體活動(dòng)，身體活動(dòng)量化監(jiān)測(cè)和個(gè)性化健身方案是科學(xué)健身的重要基礎(chǔ)。針對(duì)健身行為高精度監(jiān)測(cè)和個(gè)體運(yùn)動(dòng)方案智能推送缺乏有效的方法，建立基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型的身體活動(dòng)強(qiáng)度預(yù)測(cè)算法模型，對(duì)三軸加速度計(jì)采集的運(yùn)動(dòng)數(shù)據(jù)序列進(jìn)行特征提取和時(shí)序相關(guān)性分析，預(yù)測(cè)值與真實(shí)值之間的平均絕對(duì)百分比誤差為12.03%，均方誤差為1.027；研制基于用戶的身體活動(dòng)、運(yùn)動(dòng)風(fēng)險(xiǎn)、健康水平、健身目標(biāo)等特征指標(biāo)的智能生成個(gè)性化運(yùn)動(dòng)方案算法，基于“首體健身”健身指導(dǎo)系統(tǒng)將運(yùn)動(dòng)方案與標(biāo)簽化的動(dòng)作庫(kù)和健身課程視頻按照關(guān)聯(lián)規(guī)則的匹配方法組成可視化健身方案?；诰矸e神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的算法模型預(yù)測(cè)身體活動(dòng)強(qiáng)度的精度高，基于身體活動(dòng)量、運(yùn)動(dòng)風(fēng)險(xiǎn)等特征智能推送的個(gè)性化健身方案可滿足居民健身需求。

關(guān)鍵詞? ?身體活動(dòng)；代謝當(dāng)量；運(yùn)動(dòng)處方；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：804.5；TP3? ? ? ? ? ?學(xué)科代碼：040302? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：B

DOI：10.14036/j.cnki.cn11-4513.2023.03.004

Abstract? ?The World Health Organization recommends that adults engage in 150～300 minutes of moderate-intensity or 75～150 minutes of vigorous-intensity physical activity per week. Quantitative monitoring of physical activity and personalized fitness prescriptions are important foundations of scientific fitness. There is a lack of effective methods for continuous high-precision monitoring of fitness behavior and intelligent delivery of individual exercise prescription. This study establishes a physical activity intensity prediction algorithm model based on convolutional neural networks and long short-term memory networks. It extracts features from motion data sequences collected by triaxial accelerometers and analyzes their temporal correlations. The average absolute percentage error between predicted values and actual values is 12.03%， and the mean squared error is 1.027. An algorithm is developed to generate personalized exercise prescriptions intelligently based on user characteristics such as physical activity， exercise risk， health level， and fitness goals. The visual fitness prescription is created by matching the exercise prescriptions with the tagged motion library and fitness course videos using the association rule in the ‘SHOUTI Fitness exercise guidance system. The accuracy of predicting physical activity intensity using the algorithm model based on convolutional neural networks and long short-term memory networks is high. The personalized fitness prescription， based on features such as physical activity level and exercise risk， intelligently delivered to users， meets the needs of the general public for fitness.

Keywords? ?physical activity; metabolic equivalent; exercise prescription; neural network

身體活動(dòng)強(qiáng)度是反映人體活動(dòng)時(shí)的運(yùn)動(dòng)負(fù)荷的重要指標(biāo)［1］，常用代謝當(dāng)量（MET）進(jìn)行判定和描述，MET是一種表示身體活動(dòng)時(shí)的代謝消耗的單位。1MET 是人體靜坐時(shí)的能量消耗，對(duì)于大多數(shù)人來(lái)說(shuō)，相當(dāng)于每分鐘每千克體重消耗3.5 mL氧氣。通常將3METs、6METs、9METs分別作為低-中強(qiáng)度、中-高強(qiáng)度、高-極高強(qiáng)度的分界點(diǎn)［2］，精確地估測(cè)身體活動(dòng)強(qiáng)度能夠有效評(píng)估健身行為的效果，是科學(xué)健身和疾病預(yù)防的重要依據(jù)。評(píng)估身體活動(dòng)強(qiáng)度的方法主要有間接測(cè)熱法和心率法［3］，然而這些技術(shù)手段存在諸如依賴專家經(jīng)驗(yàn)等缺陷。近幾年來(lái)，隨著可穿戴式健康監(jiān)測(cè)設(shè)備的迅速普及，用于健康和運(yùn)動(dòng)監(jiān)測(cè)的可穿戴設(shè)備越來(lái)越受健身人群的歡迎。手機(jī)或可穿戴式健康監(jiān)測(cè)設(shè)備是最為常見(jiàn)的運(yùn)動(dòng)監(jiān)測(cè)設(shè)備，能夠通過(guò)設(shè)備內(nèi)置的加速度計(jì)等傳感器監(jiān)測(cè)各種重要的人體生理參數(shù)［4］。有研究者對(duì)比了主流加速度計(jì)在不同速度時(shí)的步數(shù)檢測(cè)和身體活動(dòng)強(qiáng)度預(yù)測(cè)的準(zhǔn)確度［5］。還有研究者評(píng)估了不同智能手表在戶外行走和跑步場(chǎng)景中預(yù)測(cè)身體活動(dòng)強(qiáng)度的準(zhǔn)確度［6-7］。上述研究顯示，加速度計(jì)和運(yùn)動(dòng)手表在預(yù)測(cè)身體活動(dòng)強(qiáng)度的精度方面不理想。

鑒于加速度計(jì)具有便捷、成本低的優(yōu)勢(shì)，大多數(shù)研究是通過(guò)加速度計(jì)采集數(shù)據(jù)并構(gòu)建身體活動(dòng)強(qiáng)度預(yù)測(cè)模型，且主要應(yīng)用于日常身體活動(dòng)、跑步、球類運(yùn)動(dòng)等。已有研究中比較常見(jiàn)的方案是基于專家經(jīng)驗(yàn)構(gòu)建預(yù)測(cè)方程，通過(guò)線性和非線性擬合的方案實(shí)現(xiàn)基于加速度數(shù)據(jù)的身體活動(dòng)強(qiáng)度預(yù)測(cè)［8-9］。然而，基于預(yù)測(cè)方程預(yù)測(cè)身體活動(dòng)強(qiáng)度的準(zhǔn)確度較低，因此，無(wú)法在實(shí)際的人體活動(dòng)過(guò)程中得到較好的應(yīng)用。近年來(lái)，隨著深度學(xué)習(xí)等人工智能技術(shù)的不斷發(fā)展，基于人工智能算法進(jìn)行身體活動(dòng)強(qiáng)度預(yù)測(cè)成為新的研究熱點(diǎn)［10］。比較常見(jiàn)的方式是，使用加速度計(jì)記錄并提取人體運(yùn)動(dòng)過(guò)程中的加速度數(shù)據(jù)，同時(shí)記錄身體活動(dòng)強(qiáng)度數(shù)值［11］，并采用監(jiān)督學(xué)習(xí)的方式構(gòu)建預(yù)測(cè)模型。人工神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)等典型的人工智能算法均是基于監(jiān)督學(xué)習(xí)的方式從訓(xùn)練集數(shù)據(jù)中得出訓(xùn)練好的預(yù)測(cè)模型，并可以應(yīng)用到測(cè)試集數(shù)據(jù)中進(jìn)行性能檢驗(yàn)。有研究者提出了基于人工神經(jīng)網(wǎng)絡(luò)（ANN）模型的身體活動(dòng)強(qiáng)度預(yù)測(cè)方案［12-13］。ANN模型的核心思想是從加速度數(shù)據(jù)和個(gè)人信息中提取特征，并輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。但是以上ANN預(yù)測(cè)模型的特征提取過(guò)程過(guò)于依賴專家經(jīng)驗(yàn)，預(yù)測(cè)準(zhǔn)確度有待進(jìn)一步提高。

同時(shí)，考慮到通過(guò)加速度計(jì)采集到的加速度數(shù)據(jù)是時(shí)間序列數(shù)據(jù)，并且各個(gè)采樣點(diǎn)之間具有高度的時(shí)序相關(guān)性，對(duì)身體活動(dòng)強(qiáng)度的預(yù)測(cè)結(jié)果會(huì)產(chǎn)生重要影響，而傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)無(wú)法分析出采樣點(diǎn)之間的相關(guān)性。循環(huán)神經(jīng)網(wǎng)絡(luò)能對(duì)長(zhǎng)時(shí)間序列數(shù)據(jù)的非線性特征進(jìn)行分析，從而應(yīng)用于身體活動(dòng)強(qiáng)度預(yù)測(cè)，但是循環(huán)神經(jīng)網(wǎng)絡(luò)容易產(chǎn)生梯度消失的問(wèn)題，而長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)模型則能很好地解決這一問(wèn)題［14］。此外，卷積神經(jīng)網(wǎng)絡(luò)（CNN）［15］、隨機(jī)森林［16］等典型的機(jī)器學(xué)習(xí)算法也可用于身體活動(dòng)強(qiáng)度預(yù)測(cè)。

監(jiān)測(cè)身體活動(dòng)強(qiáng)度的目的是實(shí)時(shí)掌握運(yùn)動(dòng)者的運(yùn)動(dòng)代謝情況，從而科學(xué)指導(dǎo)運(yùn)動(dòng)健身，避免運(yùn)動(dòng)不足和防范運(yùn)動(dòng)損傷。為了提高運(yùn)動(dòng)積極性、最大化運(yùn)動(dòng)效益，需要針對(duì)不同個(gè)體制定個(gè)性化的運(yùn)動(dòng)處方。運(yùn)動(dòng)處方由頻率、強(qiáng)度、時(shí)間、類型等要素組成，簡(jiǎn)稱“FITT”。劉宇川等依據(jù)佩特里網(wǎng)理論，為用戶按照運(yùn)動(dòng)處方構(gòu)成要素制定個(gè)性化運(yùn)動(dòng)方案［17］。練興楊依據(jù)用戶興趣和運(yùn)動(dòng)能力的個(gè)體差異，改進(jìn)了協(xié)同過(guò)濾推薦算法，基于用戶對(duì)運(yùn)動(dòng)項(xiàng)目的適應(yīng)程度生成了運(yùn)動(dòng)處方［18］。世界衛(wèi)生組織建議，成年人每周應(yīng)至少進(jìn)行150～300 min的中等強(qiáng)度有氧運(yùn)動(dòng)或75～150 min的劇烈運(yùn)動(dòng)［19］。以中等運(yùn)動(dòng)強(qiáng)度為3MET為例，如果一個(gè)成年人1周的身體活動(dòng)量達(dá)到WHO推薦的150～300 min中等強(qiáng)度運(yùn)動(dòng)時(shí)間，那么該成年人1周應(yīng)該達(dá)到的最低身體活動(dòng)量為：450 MET·min（3MET × 150 min）至900 MET·min（3MET × 300 min）。

針對(duì)健身行為連續(xù)高精度監(jiān)測(cè)和個(gè)體健身方案智能推送缺乏有效的方法，本研究探討基于CNN-

LSTM模型的身體活動(dòng)強(qiáng)度預(yù)測(cè)算法，融合CNN和LSTM模型，對(duì)加速度序列進(jìn)行特征提取和時(shí)序相關(guān)性分析。此外，本研究還設(shè)計(jì)了智能運(yùn)動(dòng)方案生成算法，遵循運(yùn)動(dòng)處方構(gòu)成要素，為健身者智能生成和推送個(gè)性化健身方案 。

1? ?研究方法

1.1? 受試者基本情況

招募70名大學(xué)生作為受試者（其中：男生為35人，女生為35人）。所有受試者均身體健康，無(wú)不良嗜好。本研究方案經(jīng)首都體育學(xué)院學(xué)術(shù)委員會(huì)倫理道德專門委員會(huì)批準(zhǔn)，受試者在參與研究之前簽訂了《知情同意書(shū)》。70名受試者的基本信息見(jiàn)表1。

1.2? 測(cè)試指標(biāo)

使用高精度三軸加速度計(jì)和氣體代謝能耗分析儀采集受試者的運(yùn)動(dòng)數(shù)據(jù)。其中：使用中國(guó)企業(yè)生產(chǎn)的三軸加速度計(jì)采集加速度數(shù)據(jù)，主要用于記錄運(yùn)動(dòng)過(guò)程中的三軸加速度數(shù)據(jù)，采樣頻率設(shè)置為100 Hz，加速度量程范圍為±16 g。通過(guò)腕帶將加速度計(jì)固定在受試者的腕部。采用可攜帶式的人體運(yùn)動(dòng)氣體代謝能耗分析儀（COSMED K5）測(cè)量身體活動(dòng)強(qiáng)度［20］，COSMED K5運(yùn)用呼氣分析法進(jìn)行人體代謝量度，包括攝氧量、二氧化碳呼出量、心率、氣流量等，具有較高的測(cè)量精度［21-22］，并被廣泛應(yīng)用于采集人體運(yùn)動(dòng)時(shí)的生理數(shù)據(jù)。實(shí)驗(yàn)前對(duì)COSMED K5進(jìn)行流量傳感器和標(biāo)準(zhǔn)氣體校準(zhǔn)，隨后受試者戴上氣體代謝能耗分析儀面罩并檢查面罩的封閉性，檢查無(wú)誤后開(kāi)始測(cè)試。

1.3? 測(cè)試流程

要求受試者在測(cè)試前24 h不進(jìn)行劇烈運(yùn)動(dòng)，飯后（輕餐）1.5～2 h進(jìn)行測(cè)試，到達(dá)實(shí)驗(yàn)室后進(jìn)行充分的休息，隨后通過(guò)人體成分分析儀進(jìn)行體重、BMI及體脂率的測(cè)量，并登記個(gè)人信息。之后，手腕佩戴加速度計(jì)、面部戴上氣體代謝能耗分析儀面罩（如圖1所示）。隨后受試者按照走路、跑步的順序依次進(jìn)行實(shí)驗(yàn)，速度從2 km/h逐漸增加到9 km/h。每完成一個(gè)速度下的測(cè)試便充分休息，待心率恢復(fù)到接近靜坐心率后開(kāi)始下一個(gè)速度的測(cè)試。1）步行測(cè)試。受試者在跑臺(tái)以2 km/h、3 km/h、4 km/h、5 km/h及6 km/h的速度走路（由慢走過(guò)渡到快走），每一速度下均進(jìn)行4 min測(cè)試。要求步頻均勻、手臂前后自然擺動(dòng)。2）跑步測(cè)試。受試者在跑臺(tái)以7 km/h、8 km/h及9 km/h速度跑步（由慢跑過(guò)渡到快跑），每一個(gè)速度進(jìn)行4 min測(cè)試。要求步頻均勻，手臂握拳彎曲同時(shí)前后自然擺動(dòng)。

1.4? 實(shí)驗(yàn)數(shù)據(jù)處理

1）濾波處理。因腕部佩戴加速度計(jì)容易受到外部環(huán)境的噪聲影響，所以在數(shù)據(jù)處理階段對(duì)加速度數(shù)據(jù)進(jìn)行濾波，經(jīng)過(guò)濾波后的人體加速度信號(hào)更加穩(wěn)定和準(zhǔn)確。由于人體運(yùn)動(dòng)多發(fā)生在20 Hz的頻率下，采用截止頻率為20 Hz的低通濾波器對(duì)加速度數(shù)據(jù)進(jìn)行濾波［23］。經(jīng)過(guò)濾波后的加速度數(shù)據(jù)更新為：

afilti，n=1/16（ai，n+2ai，n-1+3ai，n-2+4ai，n-3+3ai，n-4+2ai，n-5+ai，n-6）（1）。

2）歸一化處理。對(duì)濾波后的加速度數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算公式如下。

anorm=（a-amin）/（amax-amin）? ? ? （2），

式中：a表示處理前的加速度數(shù)據(jù)，anorm表示歸一化運(yùn)算后的加速度數(shù)據(jù)，amax和amin分別為加速度序列中的最大值和最小值。運(yùn)算后加速度序列中的所有數(shù)值均轉(zhuǎn)化為［0，1］的區(qū)間值。

3）滑動(dòng)窗口采樣。本研究使用的加速度數(shù)據(jù)由三軸加速度計(jì)連續(xù)采樣獲取，固定頻率為100 Hz。每種運(yùn)動(dòng)速度的加速度采集時(shí)間為4 min（240 s），因無(wú)法直接輸入到模型中進(jìn)行預(yù)測(cè)，需要對(duì)加速度時(shí)間序列進(jìn)行分割。采用滑動(dòng)窗口法提取數(shù)據(jù)時(shí)，將窗口大小設(shè)置為300個(gè)采樣點(diǎn)（持續(xù)時(shí)間為3 s），并使窗口按照150個(gè)采樣點(diǎn)的步長(zhǎng)沿著加速度時(shí)間序列提取數(shù)據(jù)。因此，相鄰2個(gè)樣本的加速度數(shù)據(jù)存在50%的重疊。

4）計(jì)算平均數(shù)。考慮到采樣點(diǎn)數(shù)為300時(shí)會(huì)使模型訓(xùn)練過(guò)程中的優(yōu)化參數(shù)過(guò)多。因此，計(jì)算滑動(dòng)窗口采樣后的加速度平均數(shù)。每N個(gè)采樣點(diǎn)計(jì)算一次平均數(shù)，計(jì)算公式如下。

5）數(shù)據(jù)集生成。數(shù)據(jù)集中的每個(gè)樣本包括加速度序列長(zhǎng)度為30個(gè)采樣點(diǎn)（持續(xù)時(shí)間為3 s）的加速度數(shù)據(jù)及這段時(shí)間所對(duì)應(yīng)的身體活動(dòng)強(qiáng)度數(shù)據(jù)（MET值），其中的MET值為這段時(shí)間內(nèi)Cosmed K5記錄的所有MET的平均值。

1.5? 基于CNN-LSTM的身體活動(dòng)強(qiáng)度預(yù)測(cè)算法

卷積神經(jīng)網(wǎng)絡(luò)是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，廣泛應(yīng)用于身體活動(dòng)強(qiáng)度預(yù)測(cè)等監(jiān)督學(xué)習(xí)任務(wù)［15］。卷積神經(jīng)網(wǎng)絡(luò)能對(duì)輸入的加速度數(shù)據(jù)進(jìn)行卷積運(yùn)算，從而可以提取加速度時(shí)序特征。然而，CNN無(wú)法分析加速度序列特征之間的關(guān)聯(lián)性。因此，將CNN提取的基本特征輸入到LSTM層，以確定加速度序列的時(shí)間序列相關(guān)性。LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)寫(xiě)為“RNN”）的一種改進(jìn)模型，RNN在處理序列數(shù)據(jù)方面具有優(yōu)異的性能，但是由于梯度消失的問(wèn)題，RNN的結(jié)構(gòu)對(duì)于長(zhǎng)時(shí)間相關(guān)的序列數(shù)據(jù)的分析結(jié)果不是很準(zhǔn)確。因此，選擇LSTM神經(jīng)網(wǎng)絡(luò)分析加速度數(shù)據(jù)，從中分析加速度數(shù)據(jù)的時(shí)序關(guān)聯(lián)特性。在LSTM模型中，輸入門、遺忘門和輸出門3個(gè)門控單元用于控制傳輸狀態(tài)，選擇性地保留有用的信息，長(zhǎng)期保存梯度信息。而LSTM 模型在分析長(zhǎng)期記憶信息時(shí)具有天然優(yōu)勢(shì)，適宜于處理間隔時(shí)間較長(zhǎng)的序列數(shù)據(jù)。

本文提出以CNN-LSTM模型預(yù)測(cè)人體運(yùn)動(dòng)過(guò)程中的實(shí)時(shí)身體活動(dòng)強(qiáng)度。該模型預(yù)測(cè)身體活動(dòng)強(qiáng)度的算法流程如圖2所示。其中：CNN能從加速度數(shù)據(jù)中提取特征，而LSTM模型可以分析時(shí)序關(guān)聯(lián)特性。

CNN-LSTM神經(jīng)網(wǎng)絡(luò)是一種結(jié)合CNN和LSTM的混合神經(jīng)網(wǎng)絡(luò)，不僅具有LSTM的時(shí)間序列相關(guān)性的建模功能，而且可以提取局部信息特征，從而可以捕捉三軸加速度數(shù)據(jù)的時(shí)空特征，而不僅僅是時(shí)間特征。通過(guò)CNN和LSTM可以更加精確地捕捉到三軸加速度數(shù)據(jù)和身體活動(dòng)強(qiáng)度數(shù)據(jù)的時(shí)空關(guān)聯(lián)特性，模型的具體參數(shù)見(jiàn)表2。

1.6? 運(yùn)動(dòng)方案智能生成算法

為了滿足不同人群的不同運(yùn)動(dòng)目標(biāo)，應(yīng)針對(duì)不同個(gè)體設(shè)計(jì)個(gè)性化和精準(zhǔn)化的智能運(yùn)動(dòng)方案，依據(jù)差異化的個(gè)人信息詳細(xì)設(shè)定運(yùn)動(dòng)頻率、運(yùn)動(dòng)強(qiáng)度、運(yùn)動(dòng)時(shí)長(zhǎng)及運(yùn)動(dòng)類型。

同時(shí)，相較于其他運(yùn)動(dòng)方案生成算法，本文依托首都體育學(xué)院自主研發(fā)的科學(xué)健身指導(dǎo)系統(tǒng)（“首體健身”APP）設(shè)計(jì)基于身體活動(dòng)量的智能運(yùn)動(dòng)方案生成算法?！笆左w健身”APP內(nèi)置CNN-LSTM身體活動(dòng)強(qiáng)度實(shí)時(shí)預(yù)測(cè)模型，可以實(shí)時(shí)預(yù)測(cè)并記錄用戶在運(yùn)動(dòng)過(guò)程中的身體活動(dòng)量，用于指導(dǎo)運(yùn)動(dòng)方案的生成。本研究中的算法以WHO推薦的不同人群的周活動(dòng)量為基礎(chǔ)，以安全性、有效性及個(gè)性化為原則，在“首體健身”APP的動(dòng)作庫(kù)和課程庫(kù)的基礎(chǔ)上，通過(guò)多種方式采集用戶的健康信息和運(yùn)動(dòng)需求信息，為用戶智能生成個(gè)性化和精準(zhǔn)化的運(yùn)動(dòng)方案。本文設(shè)計(jì)的智能運(yùn)動(dòng)方案生成算法的主要步驟如下。

1）課程動(dòng)作標(biāo)簽構(gòu)建。通過(guò)后臺(tái)上傳動(dòng)作和課程時(shí)設(shè)置標(biāo)簽。

2）用戶個(gè)人信息采集。采集用戶的體質(zhì)健康數(shù)據(jù)和體檢數(shù)據(jù)，并通過(guò)填答APP問(wèn)卷等方式獲取用戶運(yùn)動(dòng)風(fēng)險(xiǎn)、身體狀況、鍛煉要求、鍛煉條件、運(yùn)動(dòng)能力等信息。

3）運(yùn)動(dòng)方案總體規(guī)劃。根據(jù)采集的用戶個(gè)人信息確定運(yùn)動(dòng)方案周期、鍛煉頻率及鍛煉內(nèi)容。

4）運(yùn)動(dòng)方案動(dòng)作篩選?；谟脩粜畔摹皠?dòng)作庫(kù)”或“課程庫(kù)”中根據(jù)標(biāo)簽進(jìn)行過(guò)濾后，拼接形成運(yùn)動(dòng)方案。

5）運(yùn)動(dòng)時(shí)長(zhǎng)規(guī)劃。根據(jù)用戶輸入的運(yùn)動(dòng)目標(biāo)和運(yùn)動(dòng)時(shí)長(zhǎng)計(jì)算每節(jié)課或每個(gè)動(dòng)作的練習(xí)時(shí)長(zhǎng)或次數(shù)。

1.6.1? 課程與動(dòng)作標(biāo)簽構(gòu)建

對(duì)“課程庫(kù)”和“動(dòng)作庫(kù)”中的每門課程或每個(gè)動(dòng)作均設(shè)定專屬標(biāo)簽，包括運(yùn)動(dòng)目標(biāo)、練習(xí)部位、練習(xí)器械、練習(xí)難度、鍛煉場(chǎng)景、動(dòng)作特點(diǎn)、適宜人群等多個(gè)標(biāo)簽（可多選），在用戶定制個(gè)性化運(yùn)動(dòng)方案時(shí)用于挑選動(dòng)作。

1.6.2? 用戶個(gè)人信息采集

對(duì)于使用“首體健身”APP的運(yùn)動(dòng)人群，可以通過(guò)采集運(yùn)動(dòng)目標(biāo)、運(yùn)動(dòng)風(fēng)險(xiǎn)等級(jí)、人群分類、個(gè)人基本信息、運(yùn)動(dòng)要求、訓(xùn)練環(huán)境、運(yùn)動(dòng)能力等多維度信息（可多選）為其設(shè)定專屬標(biāo)簽，用于運(yùn)動(dòng)方案生成時(shí)與“課程庫(kù)”或“動(dòng)作庫(kù)”里的課程標(biāo)簽或動(dòng)作標(biāo)簽進(jìn)行匹配。

1.6.3? 運(yùn)動(dòng)方案總體設(shè)計(jì)

用戶信息采集完畢后，為不同運(yùn)動(dòng)目標(biāo)的人群設(shè)計(jì)運(yùn)動(dòng)方案。根據(jù)不同的運(yùn)動(dòng)目標(biāo)，為用戶制定個(gè)性化運(yùn)動(dòng)方案。

1.6.4? 運(yùn)動(dòng)方案動(dòng)作篩選規(guī)則

根據(jù)用戶的實(shí)際運(yùn)動(dòng)需求篩選組成運(yùn)動(dòng)方案的課程和動(dòng)作，篩選規(guī)則為將用戶的個(gè)人信息標(biāo)簽與課程標(biāo)簽或動(dòng)作標(biāo)簽進(jìn)行匹配，匹配規(guī)則如表3所示。1.6.5? 課程與動(dòng)作時(shí)長(zhǎng)設(shè)計(jì)

經(jīng)過(guò)標(biāo)簽篩選后的課程視頻按照順序拼接組成運(yùn)動(dòng)方案。如果篩選后的課程和動(dòng)作的數(shù)量充足，則隨機(jī)選?。蝗绻Y選后的課程和動(dòng)作時(shí)長(zhǎng)不能滿足鍛煉時(shí)間要求，則選用篩選后的全部視頻。根據(jù)課程或動(dòng)作類型及運(yùn)動(dòng)者1周的身體活動(dòng)量確定運(yùn)動(dòng)方案中的每門課程或每個(gè)動(dòng)作的持續(xù)時(shí)間。具體流程如圖3所示。首先，對(duì)用戶1周的身體活動(dòng)量是否達(dá)標(biāo)進(jìn)行判斷（運(yùn)動(dòng)量計(jì)算方法為：采集用戶按照“課程庫(kù)”和“動(dòng)作庫(kù)”中的課程和動(dòng)作進(jìn)行的身體活動(dòng)強(qiáng)度預(yù)測(cè)值，以及“首體健身”APP記錄的每門課程和每個(gè)動(dòng)作的訓(xùn)練時(shí)間，進(jìn)行身體活動(dòng)量累加）。如果達(dá)標(biāo)，則由用戶自行設(shè)定鍛煉時(shí)間，按照課程或動(dòng)作的持續(xù)時(shí)間組合運(yùn)動(dòng)方案；如果不達(dá)標(biāo)，則設(shè)定每次鍛煉的身體活動(dòng)量［計(jì)算方法為：每周最低身體活動(dòng)量（3MET×300 min=900MET·min）與用戶設(shè)定的每周鍛煉次數(shù)的比值］，最終按照課程和動(dòng)作的身體活動(dòng)量確定運(yùn)動(dòng)方案。

1.7? 運(yùn)動(dòng)方案智能推薦算法

基于“首體健身”APP設(shè)計(jì)智能運(yùn)動(dòng)方案推薦系統(tǒng)。圖4為本研究設(shè)計(jì)的推薦系統(tǒng)的概念框架。智能運(yùn)動(dòng)方案推薦系統(tǒng)基于安卓操作系統(tǒng)設(shè)計(jì)，主要服務(wù)于移動(dòng)端用戶，移動(dòng)端具有的功能包括：注冊(cè)/登錄、個(gè)人信息采集、健康信息采集、運(yùn)動(dòng)能力評(píng)估、身體活動(dòng)量監(jiān)測(cè)、運(yùn)動(dòng)方案推薦、運(yùn)動(dòng)記錄及運(yùn)動(dòng)方案調(diào)整。除此之外，可以在服務(wù)提供端進(jìn)行數(shù)據(jù)處理。移動(dòng)端和服務(wù)提供端之間通過(guò)HTTP協(xié)議進(jìn)行數(shù)據(jù)交互。

推薦系統(tǒng)中用戶數(shù)據(jù)處理的流程如圖5所示。用戶登錄“首體健身”APP后首先進(jìn)行個(gè)人基本信息和健康信息的錄入，隨后在該APP主頁(yè)進(jìn)行運(yùn)動(dòng)風(fēng)險(xiǎn)篩查和運(yùn)動(dòng)能力測(cè)評(píng)，同時(shí)通過(guò)本文提出的身體活動(dòng)量預(yù)測(cè)算法實(shí)時(shí)監(jiān)測(cè)該APP使用者的身體活動(dòng)量。以上3部分內(nèi)容的數(shù)據(jù)存入數(shù)據(jù)庫(kù)，作為智能運(yùn)動(dòng)生成算法的依據(jù)。之后，該APP智能生成運(yùn)動(dòng)方案并向用戶展示，用戶可對(duì)運(yùn)動(dòng)方案進(jìn)行實(shí)時(shí)調(diào)整，并查看歷史運(yùn)動(dòng)記錄。

圖6為用戶端在運(yùn)動(dòng)方案生成后與“首體健身”APP的交互序列。由圖6可知，用戶在成功登錄后，可以選擇生成或調(diào)整運(yùn)動(dòng)方案。隨后，數(shù)據(jù)庫(kù)將運(yùn)動(dòng)方案的構(gòu)成數(shù)據(jù)（包括課程庫(kù)、動(dòng)作庫(kù)、用戶信息等）傳送至智能運(yùn)動(dòng)方案推薦服務(wù)，生成遵循FITT原則的詳細(xì)運(yùn)動(dòng)方案，并傳遞至用戶。

2? ?研究結(jié)果

2.1? 身體活動(dòng)強(qiáng)度預(yù)測(cè)性能

對(duì)采集的70名受試者的加速度數(shù)據(jù)和身體活動(dòng)強(qiáng)度數(shù)據(jù)進(jìn)行濾波、歸一化處理和采樣之后形成了樣本集?？偟挠行颖緮?shù)量為9 576，將樣本集按照3∶1的比例拆分成訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集的樣本數(shù)量分別為7 182和2 394。將訓(xùn)練集數(shù)據(jù)輸入到模型進(jìn)行訓(xùn)練，測(cè)試集數(shù)據(jù)用于檢測(cè)模型的性能。

本研究構(gòu)建了CNN-LSTM模型對(duì)人體在走路和跑步時(shí)的身體活動(dòng)強(qiáng)度進(jìn)行預(yù)測(cè)。該模型由輸入層、CNN層、最大池化層、LSTM層、隨機(jī)失活層和全連接層組成。CNN-LSTM模型基于Python內(nèi)置的“Tensor Flow 2.12.0”框架構(gòu)建生成，采用的優(yōu)化器為適應(yīng)性矩估計(jì)，訓(xùn)練過(guò)程中的學(xué)習(xí)率為0.001，批大小設(shè)置為16，Dropout層丟失率設(shè)置為0.2。本研究中的數(shù)據(jù)處理和模型構(gòu)建所用的電腦處理器為Intel（R） Core（TM） i5-10 500 CPU @ 3.10 GHz，操作系統(tǒng)為Windows（1 164）位。

本研究將CNN與LSTM作為對(duì)比算法，對(duì)所構(gòu)建的CNN-LSTM模型進(jìn)行性能驗(yàn)證和比較。為了驗(yàn)證CNN-LSTM模型預(yù)測(cè)身體活動(dòng)強(qiáng)度的準(zhǔn)確性，采用平均絕對(duì)百分比誤差（EMAPE）和均方誤差（EMSE）作為評(píng)估指標(biāo)，計(jì)算方法如下。

由表4可知，CNN-LSTM模型的預(yù)測(cè)性能優(yōu)于對(duì)比算法CNN和LSTM。原因在于，CNN-LSTM模型兼具CNN的特征提取功能及LSTM的時(shí)序關(guān)聯(lián)分析功能，可以從加速度序列中提取時(shí)間關(guān)聯(lián)特征，從而能更加充分地分析加速度數(shù)據(jù)和身體活動(dòng)強(qiáng)度數(shù)值的相關(guān)性。CNN-LSTM模型、CNN和LSTM在所有速度時(shí)預(yù)測(cè)身體活動(dòng)強(qiáng)度的EMAPE分別為12.03%、14.65%和17.12%，EMSE分別為1.03、1.24和1.65。本研究構(gòu)建的CNN-LSTM模型整體上在預(yù)測(cè)身體活動(dòng)強(qiáng)度時(shí)的EMAPE相比于CNN和LSTM可以分別下降2.62%和5.09%，EMSE相比于CNN和LSTM可以分別下降16.84%和37.60%。此結(jié)果表明，CNN-LSTM模型能夠有效提高身體活動(dòng)強(qiáng)度預(yù)測(cè)準(zhǔn)確度。

如圖7所示，Bland-Altman點(diǎn)圖對(duì)CNN-LSTM、CNN和LSTM模型的預(yù)測(cè)值與實(shí)際值的一致性進(jìn)行分析。3個(gè)模型在一致性區(qū)間之外的點(diǎn)分別為78個(gè)、83個(gè)、95個(gè)，分別占比3.25%、3.46%、3.96%，由此可知，相比于CNN和LSTM，CNN-LSTM模型預(yù)測(cè)的MET與實(shí)測(cè)的MET的一致性程度較高。

2.2? 運(yùn)動(dòng)方案智能生成算法性能

如圖8所示，基于身體活動(dòng)量的運(yùn)動(dòng)方案智能生成算法的具體流程為：首先獲取用戶1周的身體活動(dòng)量數(shù)據(jù)，并結(jié)合用戶自身上報(bào)的健康信息和運(yùn)動(dòng)信息生成運(yùn)動(dòng)方案；其次，生成運(yùn)動(dòng)方案的算法依據(jù)的專業(yè)知識(shí)均來(lái)自于權(quán)威組織發(fā)布的《運(yùn)動(dòng)健康指南》，用于構(gòu)建運(yùn)動(dòng)方案的“課程庫(kù)”和“動(dòng)作庫(kù)”的設(shè)計(jì)全程由專家指導(dǎo)，并經(jīng)過(guò)醫(yī)學(xué)專家的審核，F(xiàn)ITT中的運(yùn)動(dòng)頻率、運(yùn)動(dòng)強(qiáng)度、運(yùn)動(dòng)時(shí)間和運(yùn)動(dòng)類型的設(shè)計(jì)遵循合理的原則；最后，在用戶運(yùn)動(dòng)過(guò)程中實(shí)時(shí)記錄其身體活動(dòng)強(qiáng)度信息和運(yùn)動(dòng)時(shí)長(zhǎng)，從而評(píng)估其身體活動(dòng)量，并對(duì)身體活動(dòng)量進(jìn)行記錄，以指導(dǎo)下次訓(xùn)練。

本研究中的運(yùn)動(dòng)方案智能生成算法具有較高的科學(xué)性、合理性和可行性。在算法的生成過(guò)程中，充分考慮了不同運(yùn)動(dòng)人群的不同運(yùn)動(dòng)需求和運(yùn)動(dòng)目標(biāo)，同時(shí)考慮了用戶的運(yùn)動(dòng)量是否達(dá)標(biāo)對(duì)運(yùn)動(dòng)方案生成的影響。經(jīng)驗(yàn)證，“首體健身”APP具有智能生成和推送運(yùn)動(dòng)方案的功能，其用戶交互界面友好、簡(jiǎn)潔，能夠滿足不同運(yùn)動(dòng)人群的運(yùn)動(dòng)需求，具有科學(xué)健身指導(dǎo)的功能。

3? ?主要結(jié)論

本文研究的基于CNN-LSTM模型的身體活動(dòng)強(qiáng)度預(yù)測(cè)算法結(jié)合了CNN和 LSTM 的優(yōu)勢(shì)，能夠充分分析加速度序列的局部特征和時(shí)間關(guān)聯(lián)特征，對(duì)身體活動(dòng)強(qiáng)度的預(yù)測(cè)精度高?；谏眢w活動(dòng)量的運(yùn)動(dòng)方案智能推薦算法合理有效，能為不同用戶推送個(gè)性化運(yùn)動(dòng)方案。

參考文獻(xiàn)：

［1］? WHO. Physical activity ［EB/OL］. （2020-10-05）［2023-04-25］. https：//www.who.int/en/news-room/fact-sheets/detail/physical-activity.

［2］? BROOKS A G， GUNN S M， WITHERS R T， et al. Predicting walking METs and energy expenditure from speed or accelerometry［J］. Medicine & Science in Sports & Exercise， 2005， 37（7）： 1216-1223.

［3］? 朱琳，陳佩杰. 能量消耗測(cè)量方法及其應(yīng)用［J］. 中國(guó)運(yùn)動(dòng)醫(yī)學(xué)雜志，2011，30（6）：577-582.

［4］? FULLER D， COLWELL E， LOW J， et al. Reliability and validity of commercially available wearable devices for measuring steps， energy expenditure， and heart rate： systematic review［J］. JMIR Mhealth and Uhealth， 2020， 8（9）： 1-23.

［5］? STENB？魧CK V， LEPP？魧LUOTO J， JUUSTILA R， et al. Step detection accuracy and energy expenditure estimation at different speeds by three accelerometers in a controlled environment in overweight/obese subjects［J］. Journal of Clinical Medicine， 2022， 11（12）： 3267.

［6］? KWON S， KIM Y， BAI Y， et al. Validation of the apple watch for estimating moderate-to-vigorous physical activity and activity energy expenditure in school-aged children［J］. Sensors， 2021， 21： 1-12.

［7］? LE S， WANG X， ZHANG T， et al. Validity of three smartwatches in estimating energy expenditure during outdoor walking and running［J］. Frontiers in Physiology， 2022， 13： 1-7.

［8］? FREEDSON P S， MELANSON E， SIRARD J. Calibration of the computer science and applications， inc. accelerometer［J］. Medicine & Science in Sports & Exercise， 1998， 30（5）： 777-781.

［9］? CAMPBELL K L， CROCKER P R， MCKENZIE D C. Field evaluation of energy expenditure in women using tritrac accelerometers［J］. Medicine & Science in Sports & Exercise，2002， 34（10）： 1667-1674.

［10］? 賈楠，霍曉燕，江朝力，等. 運(yùn)動(dòng)過(guò)程中人體能耗級(jí)別分析及預(yù)測(cè)模型［J］. 當(dāng)代體育科技，2020，10（21）：238-243.

［11］? ALVAREZ-GARCIA J A， CVETKOVI B， LUSTREK M. A survey on energy expenditure estimation using wearable devices［J］. ACM Computing Surveys， 2020， 53（5）： 1-35.

［12］? 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］. Journal of Applied Physiology， 2009， 107（4）： 1300-1307.

［13］? HUYNH H T， QUAN H. Energy expenditure estimation based on artificial intelligence and microservice architecture［G］// Proceedings of the 4th international conference on machine learning and soft computing. Haiphong： ICMLSC， 2020.

［14］? PIENAAR S W， MALEKIAN R. Human activity recognition using LSTM-RNN deep neural network architecture［G］//Proceedings of 2019 IEEE 2nd wireless africa conference . Pretoria： IEEE， 2019.

［15］? ZHU J， PANDE A， MOHAPATRA P， et al. Using deep learning for energy expenditure estimation with wearable sensors［G］//Proceedings of 2015 17th international conference on e-health networking， application & services. Boston： IEEE， 2016.

［16］? ELLIS K， KERR J， GODBOLE S， et al. A random forest classifier for the prediction of energy expenditure and type of physical activity from wrist and hip accelerometers［J］. Physiological Measurement， 2014， 35（11）： 2191.

［17］? 劉宇川，張朋柱. 基于模糊Petri網(wǎng)的個(gè)性化運(yùn)動(dòng)方案智能生成［J］. 系統(tǒng)管理學(xué)報(bào)，2022，31（1）：159-166.

［18］? 練興楊. 基于協(xié)同過(guò)濾模型的運(yùn)動(dòng)處方生成技術(shù)研究與應(yīng)用［D］. 西安：西安理工大學(xué)，2021.

［19］? WHO. WHO guidelines on physical activity and sedentary behaviour ［EB/OL］. （2020-11-25） ［2023-04-25］. https：//www.who.int/publications/i/item/9789240015128.

［20］? COSMED-K5： Wearable metabolic system for both laboratory and field testing ［EB/OL］. （2020-11-25）［2023-04-25］. https：//www.cosmed.com/en/products/cardio-pulmonary-exercise-test/k5.

［21］? PEREZ S I， MARTIN R M， GONZALEZ H J， et al. Accuracy and precision of the COSMED K5 portable analyser［J］. Frontiers in Physiology， 2018， 9： 1-12.

［22］? GUIDETTI L， MEUCCI M， BOLLETTA F， et al. Validity， reliability and minimum detectable change of COSMED K5 portable gas exchange system in breath-by-breath mode［J］. Plos One， 2018， 13（12）： 1-12.

［23］? CHO Y， CHO H， KYUNG C M. Design and implementation of practical step detection algorithm for wrist-worn devices［J］. IEEE Sensors Journal， 2016， 16（21）： 7720-7730.