1、2 0 2 0年（第10卷）第2 1期體育大視野DOI: 10.16655/ki.2095-2813.2002-5401-7498運(yùn)動(dòng)過程中人體能耗級(jí)別分析及預(yù)測模型賈楠 霍曉燕 江朝力 齊忠*董志良（河北地質(zhì)大學(xué)管理科學(xué)與工程學(xué)院河北石家莊050031）摘要：獲取人體運(yùn)動(dòng)過程中的能耗級(jí)別對(duì)于了解人體運(yùn)動(dòng)負(fù)荷、及時(shí)補(bǔ)充身體能量有著重要作用。由于人體運(yùn) 動(dòng)過程中的能耗級(jí)別難以 直接獲取，因此，提岀了一種通過分析人體運(yùn)動(dòng)生理體征 （如心率、呼吸率等）預(yù)測運(yùn) 動(dòng)能耗級(jí)別的方法。首先，通過電子設(shè)備收集人體運(yùn)動(dòng)過程中表現(xiàn)岀的生理體征及運(yùn)動(dòng)能耗， 建立人體運(yùn)動(dòng)生 理體征與運(yùn)動(dòng)能耗數(shù)據(jù)集；其次，根據(jù)人體運(yùn)動(dòng)

2、能耗級(jí)別，使用機(jī)器學(xué)習(xí)的方法，訓(xùn)練一個(gè)可以預(yù)測人體運(yùn)動(dòng)能 耗級(jí)別的多標(biāo)簽判別模型；最后，通過人體運(yùn)動(dòng)能耗級(jí)別判別模型， 判定人體運(yùn)動(dòng)過程中的能耗級(jí)別。 實(shí)驗(yàn)結(jié) 果表明，提岀的模型可以有效地判定人體運(yùn)動(dòng)過程的能耗級(jí)別。關(guān)鍵詞：運(yùn)動(dòng)能耗能耗級(jí)別預(yù)測預(yù)測模型機(jī)器學(xué)習(xí)中圖分類號(hào)：G80文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-2813（2020）07（c）-0238-06An alysis and Predicti on of En ergy Con sumpti on Model During ExerciseJIA Nan HUO Xiaoya n JIANG Chaoli QI Zho ng DONG

3、Zhilia ng(School of Management Scienee and Engineering, Hebei GEO University, Shijiazhuang, Hebei Province,050031 Chi na)Abstract: Obtaining the energy consumption level in the exercise process plays an important role in understanding human body sport load and timely replenishing body energy. Becaus

4、e the energy expenditure level in the exercise process is diff icult to be measured directly, a method was proposed to predict the en ergy con sumpti on level through an alyz ing the physiological sig ns of huma n moveme nt (such as heart rate, respirati on rate, etc). Firstly, the physiological sig

5、 ns and en ergy con sumpti on duri ng huma n exercise were collected by electr onic devices, the n the data set of physiological sig ns and en ergy con sumpti on was established. Secondly, according to the energy consumption level of human motion, a multi-label discrim inant model that can predict t

6、he en ergy con sumpti on level is trained by using machi ne lear ning method. At last, the energy consumption level in the process of human movement is determined by the discrim inant model. The experime ntal results show that the proposed model can effectively predict the en ergy con sumpti on leve

7、l in exercise process.Key Words: Energy consumption; Energy consumption level prediction; Prediction model; Machine learning#當(dāng)代體育科技(Contemporary Sports Techi2 0 2 0年（第10卷）第2 1期體育大視野當(dāng)今時(shí)代，人們健康意識(shí)的提高極大地促進(jìn)了 人 們運(yùn)動(dòng)的熱情。而如何科學(xué)、安全、有效地進(jìn)行運(yùn)動(dòng)已 成為全民健身中關(guān)注的核心問題，同時(shí)也是當(dāng)前研究人員關(guān)注的重點(diǎn)和熱點(diǎn)1-3。眾所周知，運(yùn)動(dòng)過度不僅 不能起到健身鍛煉的效果，反而增加了人體的負(fù)荷

8、，對(duì) 人體安全造成嚴(yán)重傷害4。例如，運(yùn)動(dòng)過度可能造成 人體脫水、昏厥甚至是猝死等嚴(yán)重的運(yùn)動(dòng)風(fēng)險(xiǎn)。人體運(yùn)動(dòng)過程中伴隨著能量的消耗。一般情況下， 運(yùn)動(dòng)強(qiáng)度越大，人體消耗越多的能量。由于能耗級(jí)別 能夠直接反映人體的運(yùn)動(dòng)強(qiáng)度， 因此，及時(shí)獲取運(yùn)動(dòng)#當(dāng)代體育科技(Contemporary Sports Techi2 0 2 0年（第10卷）第2 1期體育大視野#當(dāng)代體育科技(Contemporary Sports Techi2 0 2 0年（第10卷）第2 1期體育大視野基金項(xiàng)目：2019年度河北省社會(huì)科學(xué)發(fā)展研究重點(diǎn)課題（項(xiàng)目名稱：基于大數(shù)據(jù)的河北省全民健康長效運(yùn)行機(jī) 制研究，項(xiàng)目編號(hào)：No.2019

9、021201005作者簡般楠（1988 ,1 ，女，漢族，河北石家莊人，博士，講師，研究方向：計(jì)算機(jī)仿真、大數(shù)據(jù)健康。 通信作者!志良（1975 ,11男，漢族，河北石家莊人，博士，教授，研究方向：工程管理，E-mail #當(dāng)代體育科技(Contemporary Sports Techi體育大視野2 0 2 0年（第10卷）第2 1期BodyMedia度13；最后,過程中的人體運(yùn)動(dòng)能耗級(jí)別，對(duì)于了解人體運(yùn)動(dòng)負(fù)荷、 規(guī)避運(yùn)動(dòng)風(fēng)險(xiǎn)有著重要的作用。由于人體運(yùn)動(dòng)機(jī)理較為復(fù)雜性，運(yùn)動(dòng)能耗與肌肉抖動(dòng)、心臟收縮、呼吸頻率等多種生理因素相關(guān)1人體運(yùn)動(dòng)能耗數(shù)據(jù)集及能耗級(jí)別分類 本文使用

10、的人體運(yùn)動(dòng)生理體征與運(yùn)動(dòng)能耗數(shù)據(jù)集 由Gjoreski等人通過實(shí)驗(yàn)獲得通過讓參與者佩戴傳感 器的方式，他們從10位參與者身上獲取了10種類型的人 體運(yùn)動(dòng)生理體征及人體運(yùn)動(dòng)能耗數(shù)據(jù)。10種運(yùn)動(dòng)類型 包括躺、走、坐、站、跪、趴、站立學(xué)習(xí)、騎自行車、跑步 以及過渡階段。其中，過渡階段是指從一種運(yùn)動(dòng)類型轉(zhuǎn) 化為另一種運(yùn)動(dòng)類型的過程。如由站立變?yōu)樽?表格1統(tǒng)計(jì)了 10位參與者的基本生理屬性?？梢杂^。因 此，在日常運(yùn)動(dòng)鍛煉中，很難直接度量人體運(yùn)動(dòng)過程 中的運(yùn)動(dòng)能耗級(jí)別。在實(shí)驗(yàn)環(huán)境下，可以通過佩戴多 種傳感器監(jiān)測人體運(yùn)動(dòng)能耗水平5-10。例如，在研究10 中，Gjoreski等人在實(shí)驗(yàn)環(huán)境下通過使用高精

11、度的測量 儀器，獲取人體運(yùn)動(dòng)過程中的呼吸率、 心率、皮膚電反 應(yīng)等人體生理體征，從而計(jì)算獲得人體運(yùn)動(dòng)過程中的 能量消耗數(shù)據(jù)。顯然，這種的運(yùn)動(dòng)能耗獲取方式并不適用于人們 日常運(yùn)動(dòng)鍛煉中。首先，某些特定的人體生理體征需要 專門的儀器獲取。由于專業(yè)儀器價(jià)格昂貴，一般用戶難 以承受。例如，測量人體皮膚電反應(yīng)所需的 傳感器。其次，即使人們?cè)谌粘ｅ憻捴心軌蚺宕鲗I(yè) 傳感器，傳感器本身對(duì)人體運(yùn)動(dòng)過程中造成的不適感 也讓人難以接受。針對(duì)當(dāng)前人體運(yùn)動(dòng)能耗獲取過程中存在的難點(diǎn)， 本文提出一種基于機(jī)器學(xué)習(xí)的人體運(yùn)動(dòng)能耗級(jí)別預(yù) 測方法。首先，使用人體在實(shí)驗(yàn)環(huán)境下獲取的生理體 征及運(yùn)動(dòng)能耗作為數(shù)據(jù)集，并對(duì)人體運(yùn)動(dòng)能耗進(jìn)

12、行級(jí) 別劃分。其次，從獲取的數(shù)據(jù)集中使用機(jī)器學(xué)習(xí)的方 式建立從人體運(yùn)動(dòng)生理體征到運(yùn)動(dòng)能耗級(jí)別的映射 關(guān)系。最后，通過訓(xùn)練好的機(jī)器學(xué)習(xí)模型，預(yù)測人體運(yùn) 動(dòng)過程中的能耗水平。在運(yùn)動(dòng)能耗級(jí)別判別模型的建 立過程中，只把容易獲取的人體運(yùn)動(dòng)體征（即易測生理體征）納入考慮，如心率、呼吸率等，摒棄需要使用 專業(yè)傳感器才能獲取的人體運(yùn)動(dòng)生理體征，如皮膚電反應(yīng)等。因此，我們的方法能夠應(yīng)用于真實(shí)場景下人體 運(yùn)動(dòng)能耗級(jí)別預(yù)測，從而提升模型的適用性。實(shí)驗(yàn)結(jié)果表明，在僅考慮有限種易測生理體征的情況下，模型預(yù)測人體運(yùn)動(dòng)能耗級(jí)別時(shí)可獲得85%上的準(zhǔn)確率。察到，這10位參與者的以年輕人為主，他們的平均年齡 為27.2歲平均生

13、理質(zhì)量指數(shù)（即BMI）為24.1kg/m2; 參與者的平均體重為 78.2kg 。實(shí)驗(yàn)過程在，Gjoreski等人使用傳感器監(jiān)測10位參與者在2個(gè)星期內(nèi)的運(yùn)動(dòng)生理體征和運(yùn)動(dòng)能耗數(shù)據(jù)。參與者每天大約佩戴8h的傳感器在參與者佩戴傳感器期間，其所有的生理體征和能耗數(shù)據(jù)將會(huì)被傳感器 記錄下來。被記錄的人體生理體征包括加速度、呼吸率、心率、胸部皮膚溫度、皮膚電反應(yīng)、身體溫度、手 臂溫度。參與者佩戴了 4種類型的傳感器，其中，步行傳感 器用于監(jiān)測人體運(yùn)動(dòng)加速度11 ； Zephyr傳感器用于檢 測人體心率、呼吸率以及胸部皮膚溫度12 ； BodyMedia 傳感器用于檢測人體皮膚電反應(yīng)、 手臂溫度、環(huán)境溫

14、通過分析人體運(yùn)動(dòng)過程中的生理體征數(shù)據(jù)，并通過使用間接量熱計(jì)裝置Cosmed獲得人體運(yùn)動(dòng)能耗14。表格2為人體生理體征和能耗數(shù)據(jù)的示例。根據(jù)Gjoreski等人檢測到的人體能耗數(shù)據(jù)，人體能 耗水平大致位于011這個(gè)區(qū)間內(nèi)即人體運(yùn)動(dòng)強(qiáng)度越大，能耗水平越高。因此，本文中將人體能耗分為3個(gè)級(jí)別。即低級(jí)（能耗水平W3）、中級(jí)（能耗水平位于 47 之間）、高級(jí)（能耗水平位于 8。2人體運(yùn)動(dòng)能耗判別模型為實(shí)現(xiàn)人體運(yùn)動(dòng)能耗判別模型，本文采用有監(jiān)督 機(jī)器學(xué)習(xí)分類算法15。常見的分類算法有邏輯斯諦回歸（LR, Logistic Regression、支持向量機(jī)（SVM Support Vector Machine

15、s）、隨機(jī)森林（RF, Random Forest）及 XGBoos（Extreme Gradie nt Booting2.1 LR模型LR （邏輯斯諦回歸）是根據(jù)現(xiàn)有數(shù)據(jù)對(duì)分類邊界 線建立回歸公式，以此進(jìn)行分類的方法。設(shè)X是連續(xù)隨機(jī)變量，X服從邏輯斯諦分布是指X具有下列的分布函數(shù)和密度：(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期（1）= 一!(I-A)=懐-婦其中，表示位置參數(shù)，表示形狀參數(shù)。通常令為0,為1/2，即，該函數(shù)稱之為 Sigmoid函數(shù)。邏輯斯諦回歸由條件分布P （Y|X）表示，形式就是

16、參數(shù)化的邏輯斯諦分布，其中自變量X取值為實(shí)數(shù)，因 變量丫為0或1，二項(xiàng)邏輯斯諦回回歸的條件表達(dá)式表 示為：'(31+<?v-(41+E即為要求解的模型參數(shù)，通常采用最大似然估 計(jì)。即找到一組參數(shù)，使得在這組參數(shù)達(dá)到最大。22 SVM模型SVM (支持向量機(jī))的基本思想是求解能夠正確劃 分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。給定數(shù)據(jù)集, , i=1,2,n,其中表示第i樣本的特征， 表示該樣本對(duì)應(yīng)的標(biāo)簽，n為樣本數(shù)，其 分類函數(shù)為：Jt一飩、”(5B=l-為拉格朗日乘子，b為分類閾值，為核函數(shù)，本文核函數(shù)選用RBF。的最優(yōu)解集計(jì)算如下：*n-innmax Z3)-遲壞一-工乞聲

17、區(qū)宀)j-1 E r-i /-in工兀碼二。r-i0 < a, <Ci 13 2十"nC為懲罰系數(shù)，C>0。從式(6)中得到的最有集中選 取>O(i=1,2，k且k<n)的對(duì)應(yīng)樣本作為輸入，從而 構(gòu)造最優(yōu)分類決策函數(shù)并做出最優(yōu)決策分類。2.3 RF模型RF (隨機(jī)森林)算法是通過集成多棵決策樹來形 成整個(gè)森林從而得出算法結(jié)果的一種機(jī)器學(xué)習(xí)方法。 隨機(jī)森林生成描述過程如下。(1) 在整個(gè)樣本集中使用 Bootstrap方法，中重 抽樣出k個(gè)子訓(xùn)練樣本集 D1,D2,., Dk，并構(gòu)建出k棵 決策樹；(2在分類樹的任何一個(gè)節(jié)點(diǎn)上，從所有指標(biāo)中隨機(jī)選取幾個(gè)指標(biāo)

18、，選擇最優(yōu)分割指標(biāo)進(jìn)行分割；(3) 重復(fù)以上步驟；(4) 將所有的樹聚集 在一起，構(gòu)建整個(gè)隨機(jī) 森 林。其中，最為核心的幾個(gè)概念如下。(1) 信息。對(duì)于決策樹而言，若待分類事物集合可 劃分為多個(gè)類別，某個(gè)類信息定義如下：1 = -(7)(2) 信息增益。反映了每個(gè)特征對(duì)分類的重要程度，信息增益越大，則該特征的分類效果越好，在各類 別間的區(qū)分度也就越高。具體定義如下：v I Dv I-1 . '(8)v=i IIDI在公式(7)，為所有的樣本預(yù)測數(shù)據(jù)，某個(gè)特征 將D劃分為v個(gè)子集D1,D2,DV ”為樣本集DIM的信息熵，且 -,n為存在的類別數(shù)目，'為第i類在樣本集 D中的比例

19、。2.4 XGBoost 模型XGBoost是梯度提升樹模型 (Gradient Boosting Trees)的一種高 效實(shí)現(xiàn)方式。XGBoost集成了 K 顆 CAR樹(Classification and Regression Trees) Tr1(X1,yJ兀區(qū)必),冷區(qū)其中，'表示第i樣 本的特征，表示該樣本對(duì)應(yīng)的標(biāo)簽。CART樹將分 配給每個(gè)葉子節(jié)點(diǎn)一個(gè)分?jǐn)?shù)。而最終的預(yù)測結(jié)果將由 所有CART樹上對(duì)應(yīng)葉子節(jié)點(diǎn)的分?jǐn)?shù)通過加法模型得 到，如公式所示(9)所示：心(9)k-1在上述公式中，fk(x)為第k棵樹的預(yù)測分?jǐn)?shù)，F(xiàn)則代 表函數(shù)空間中所包含的所有樹模型。相比于傳統(tǒng)的梯 度提

20、升樹模型，XGBoost 一個(gè)重要的改進(jìn)是在目標(biāo)函 數(shù)中加入了正則項(xiàng)。公式(10)為XGBoost的目標(biāo)函數(shù):W? T：'.(10)41*其中，為損失函數(shù)，描述了預(yù)測標(biāo)簽與之間的 誤差。-用于描述模型的復(fù)雜度。3實(shí)驗(yàn)設(shè)置與結(jié)果分析3.1實(shí)驗(yàn)設(shè)置為了驗(yàn)證本文提出的人體運(yùn)動(dòng)能耗級(jí)別判別模 型，在Gjoreski等人提出的數(shù)據(jù)集上做了相應(yīng)的驗(yàn)證實(shí) 驗(yàn)。由于在人們?nèi)粘＿\(yùn)動(dòng)中某些生理體征很難直接獲 取，如皮膚電反應(yīng)和胸部皮膚溫度。因此，在使用機(jī)器學(xué)習(xí)進(jìn)行人體運(yùn)動(dòng)能耗級(jí)別判別時(shí)，只將容易獲取 的人體運(yùn)動(dòng)生理體征納入考慮，包括加速度、呼吸率、 心率、環(huán)境溫度、手臂溫度5個(gè)特征。在人們?nèi)粘＿\(yùn)動(dòng) 過程中

21、，運(yùn)動(dòng)加速度、呼吸率、心率和手臂溫度可以通 過佩戴智能運(yùn)動(dòng)手環(huán)進(jìn)行監(jiān)測； 而環(huán)境溫度可以從任 意一款天氣預(yù)報(bào) APP上獲得。目標(biāo)是通過人體運(yùn)動(dòng)過 程中表現(xiàn)出的這 5個(gè)生理體征，預(yù)測人體運(yùn)動(dòng)能耗級(jí) 別。由于Gjoreski等人提出的數(shù)據(jù)集中既包含人體運(yùn)(13當(dāng)代體育科技(Contemporary Sports Technology)241體育大視野2 0 2 0年（第10卷）第2 1期表1參與者生理屬性統(tǒng)計(jì)數(shù)量平均年齡BMI (kg/m2)體重（kg）1027.224.178.2表2 人體生理體征和能耗數(shù)據(jù)示例加速度呼吸率心率胸部皮膚溫度皮膚電 反應(yīng)環(huán)境 溫度手臂 溫度能耗11310.9153.

22、471110.1110.6210.731.15表3能耗級(jí)別判定準(zhǔn)確率能耗級(jí)別PRERECF1低級(jí)0.870.880.87中級(jí)0.940.920.93高級(jí)0.870.850.86表4不同機(jī)器學(xué)習(xí)算法判定結(jié)果比較低級(jí)中級(jí)高級(jí)模型PRERECF1PRERECF1PRERECF1LR0.870.670.760.900.780.840.810.710.76SVM0.840.810.820.870.840.850.760.820.79RF0.880.830.850.940.860.900.850.820.83XGBoost0.870.880.870.940.920.930.870.850.86(13當(dāng)代體

23、育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期動(dòng)時(shí)的生理數(shù)據(jù)，如散步、騎車、跑步等；又包含人體 度量指標(biāo)15，即精確度（PRE）和召回率（REC）精確度(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年

24、（第10卷）第2 1期靜止時(shí)的生理數(shù)據(jù)，如躺、坐、跪、站立等。因?yàn)楸疚挠脕砗饬拷Y(jié)果集的精確性；而召回率用來度量結(jié)果集(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期主要關(guān)注人體運(yùn)動(dòng)過程中的能耗級(jí)別預(yù)測,因此，從 的安全性。同時(shí)，為了考察模型的綜合效果，還給出了(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第

25、2 1期(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期Gjoreski等人提出的數(shù)據(jù)集中分離出關(guān)于人體運(yùn)動(dòng)時(shí)F-measure值F1）的定義。這3個(gè)度量指標(biāo)定義如下:(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期(11)(12)的生理數(shù)據(jù)和能耗數(shù)據(jù)，然后在這樣的數(shù)據(jù)上訓(xùn)練相應(yīng)的判定模型。TP G

26、joreski等人提出的數(shù)據(jù)集一共包含5972條數(shù)據(jù)(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期PREREC記錄。每條數(shù)據(jù)記錄包含如表2所示的內(nèi)容通過過濾掉關(guān)于人體靜止的數(shù)據(jù)記錄，一共收集到2256條人體 運(yùn)動(dòng)的數(shù)據(jù)集。將在這些數(shù)據(jù)集上進(jìn)行模型訓(xùn)練和驗(yàn)TP和TN分別表示正確預(yù)測的正樣本數(shù)量和負(fù)樣(13當(dāng)代體育科技(Contemporary Sports Technology)243體育大視野2 0 2 0年（第10卷）第2 1期證。本數(shù)量；FP和FN分別表示錯(cuò)誤預(yù)測的正樣本數(shù)量和為了驗(yàn)證文中提出的判別模型的

27、效果,引入了 2個(gè)負(fù)樣本數(shù)量。由于目前面臨的是多分類問題（即有3個(gè)(13當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年（第10卷）第2 1期能耗級(jí)別)，所以可以將問題視為多個(gè)二分類問題。3.2實(shí)驗(yàn)結(jié)果分析首先，使用提出的模型分別預(yù)測了 人體不同運(yùn)動(dòng) 能耗級(jí)別下的準(zhǔn)確率。 在整個(gè)實(shí)驗(yàn)中，使用10折驗(yàn)證 法。即，將數(shù)據(jù)集劃分為10份其中9份用來訓(xùn)練機(jī)器 學(xué)習(xí)模型，剩下1份用作測試集。表3展示了模型的效果?？梢杂^察到，模型在預(yù)測 低級(jí)和高級(jí)運(yùn)動(dòng)能耗級(jí)別時(shí)能取得差不多的效果，因?yàn)樗鼈兊腇1值為0.87和0.86同時(shí)，模型在預(yù)測中級(jí)能 耗級(jí)別時(shí)能

28、取得最好的效果，其精確度為0.94召回率為0.92 F1值達(dá)到了 0.93?？傮w來說，模型在預(yù)測人體運(yùn)動(dòng)能耗級(jí)別方面取 得了較好的效果。考慮到模型只使用了部分人們?nèi)粘?運(yùn)動(dòng)過程中容易獲得的生理體征作為特征，因此，模型具有更好的實(shí)用性和推廣性。與此同時(shí)，還比較了不同機(jī)器學(xué)習(xí)算法在人體運(yùn) 動(dòng)能耗級(jí)別預(yù)測中的效果16。如表4所示，加入了另外 3個(gè)機(jī)器學(xué)習(xí)算法預(yù)測運(yùn)動(dòng)能耗級(jí)別，包括邏輯斯諦 回歸(LR)、支持向量機(jī)(SVM)、隨機(jī)森林(RF)。從表4中可以看出，在預(yù)測低級(jí)別的人體運(yùn)動(dòng)能 耗時(shí)，邏輯回歸取得較差的效果，其F1值為0.76 ;支持向量機(jī)和隨機(jī)森林分別能取得0.82和0.F5值。XGBoos

29、t表現(xiàn)較好，其F1值為0.87。在預(yù)測中級(jí)別的人體運(yùn)動(dòng)能耗時(shí)，邏輯回歸和 支撐向量機(jī)取得較差的效果，其F1值分別為0.84和0.85 ;隨機(jī)森林和XGBoost表現(xiàn)較好，可以獲得0.9和 0.93白F1值。在預(yù)測高級(jí)別的人體運(yùn)動(dòng)能耗時(shí)，依舊是 隨機(jī)森林和 XGBoost表現(xiàn)較好，其F1值分別為0.83和 0.86。從表4中的結(jié)果可以觀察到，XGBoost判定人體 運(yùn)動(dòng)能耗級(jí)別的效果優(yōu)于隨機(jī)森林； 而隨機(jī)森林的 效果又優(yōu)于邏輯回歸和支撐向量機(jī)。 因此，本文選擇 XGBoost作為分類器。4結(jié)語由于人體運(yùn)動(dòng)過程中的能耗級(jí)別難以直接獲取，為此，我們提出了一種通過分析人體運(yùn)動(dòng)生理體征 (如 心率、呼吸

30、率、皮膚溫度等)預(yù)測運(yùn)動(dòng)能耗級(jí)別的方 法。首先，分析了 Gjoreski等人關(guān)于人體運(yùn)動(dòng)時(shí)的生理 體征數(shù)據(jù)和能耗數(shù)據(jù)集，并將人體運(yùn)動(dòng)時(shí)的能耗水平 分成3個(gè)級(jí)別。其次，將人們運(yùn)動(dòng)過程中的容易獲取的 生理體征數(shù)據(jù)作為特征，建立了人體運(yùn)動(dòng)能耗級(jí)別預(yù) 測模型。最后，實(shí)驗(yàn)中使用 XGBoost模型預(yù)測人體運(yùn)動(dòng) 能耗級(jí)別。同時(shí)，還對(duì)比了不同機(jī)器學(xué)習(xí)模型在預(yù)測 人體運(yùn)動(dòng)能耗級(jí)別的準(zhǔn)確性。結(jié)果表明，XGBoost模型 可以取得最好的效果。參考文獻(xiàn)1 周小丹.全民健身中的安全性思考J.體育文化導(dǎo)刊,2017(1):61-64.2 Chodzko-Zajko WJ, Proctor DN, Fiatarone S

31、inghMA, et al.Exercise and Physical Activity for Older AdultsJ.Medici ne & Scie nee in Sports & Exercise, 2009,41(7):1510-1530.3 王瑞元，蘇全生.運(yùn)動(dòng)生理學(xué)M.北京：人民體育出版 社,2012.4 汪芳.過量運(yùn)動(dòng)當(dāng)心運(yùn)動(dòng)性猝死J.保健醫(yī)苑，2017(1):36-37.5 郭曉光.可穿戴式運(yùn)動(dòng)負(fù)荷監(jiān)測技術(shù)的研究D.中北大學(xué),2016.6 吳廉卿，劉丹松，屈萍.基于三軸加速度傳感器的大學(xué)生體力活動(dòng)能量消耗模型研究J.武漢體育學(xué)院學(xué)報(bào),2018,52(4):

32、87-91.7 劉鵬.基于加速度傳感器的人體能耗檢測系統(tǒng)的設(shè)計(jì)研究J.電子設(shè)計(jì)工程,2018,6(19):26-30.8 王道，劉欣，江崇民，等.ActiGraph加速度計(jì)測量走、跑運(yùn)動(dòng)時(shí)基本參數(shù)特征及與能耗的相關(guān)性研究J.體育科學(xué),2014(12):30-36.9 沈程，譚海波，許金林.基于An droid和GPS軌跡記錄和能耗測算研究J.計(jì)算機(jī)技術(shù)與發(fā)展,2013(11):173-176.Gjoreski H.Context-based ensemble method for(13當(dāng)代體育科技(Contemporary Sports Technology)245體育大視野2 0 2 0年(

33、第10卷)第2 1期human energy expenditure estimationJ.AppliedAr mband in childrenwith cerebra l palsyJ .當(dāng)代體育科技(Contemporary Sports Technology)#體育大視野2 0 2 0年(第10卷)第2 1期Soft Computi ng,2015,37(C):960-970.11 陳慶果，袁川，范江江，等.智能手機(jī)內(nèi)置加速度傳感器監(jiān)測走跑運(yùn)動(dòng)能量消耗的研究J.學(xué)報(bào),2018(5):473-480.12 Nazari G, Macdermid J C, Sin den R K K E

34、, et al. Reliability of Zephyr Biohar ness and Fitbit Charge Measures of Heart Rate and Activity at Rest, During the Modified Canadian Aerobic Fitness Test and RecoveryJ.Journal of Strength and Conditioning Research,2017,33(2):559-571.13 Joschtel B, Neil M, Fragala-PinkhamM, et al.Predictive validity of the BodyMedia SenseWearJou r nal of Scie nc e and Medici ne in Sport, 2014,18(suppleme nt 1):e37.首都體育學(xué) 院4Ta nner E A, Mon tes J, Manning J W, et al.Validati on of Hexoskin biometric shirt to COSMED K4 b2 metabolic unit in adults during trail runningJ. Sports Tech nology,2015,