🤖 machine learning

Accelerometry-based Energy Expenditure Estimation During Activities of Daily Living: A Comparison Among Different Accelerometer Compositions

本研究表明，在日常活动中，使用身体质心配置（骨盆或骨盆加大腿）的加速度计能量消耗估算精度显著高于腕戴式设备，其中三加速度计配置的预测性能表现最佳。

原作者： Shuhao Que, Remco Poelarends, Peter Veltink, Miriam Vollenbroek-Hutten, Ying Wang

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Shuhao Que, Remco Poelarends, Peter Veltink, Miriam Vollenbroek-Hutten, Ying Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的身体就像一个繁忙的建筑工地。“体力活动能量消耗”（PAEE）简单来说就是你在工作、移动和处理日常琐事时消耗的燃料量。科学家们想要精确了解你到底消耗了多少燃料，但测量最完美的方法是让你连接一台巨大的、沉重的呼吸分析仪，通过分析你的每一次呼吸。由于这在家里是不可能佩戴的，所以研究人员使用加速度计（运动传感器）来根据你的运动量来“推测”你的燃料消耗。

这篇论文本质上是一场“传感器对决”。研究人员想要弄清楚：把这些运动传感器贴在身体的哪个位置，才能最准确地推测你的能量消耗？

两大阵营：核心组 vs. 手腕组

研究人员为两种不同的策略设置了一场比赛：

第一队：核心组 (COM-Based)
把你的身体“质心”（COM）想象成汽车沉重且核心的发动机。如果你想知道发动机的工作强度，你应该测量靠近发动机附近的震动。

设置： 他们将传感器放在了骨盆（臀部区域）和大腿上。
逻辑： 由于骨盆和大腿靠近你的身体重心，它们的运动代表了你整个身体的运动。这就像是通过测量汽车底盘的震动来了解整辆车的行驶速度。

第二队：手腕观察者
这一队代表了我们每个人都会佩戴的流行智能手表和健身追踪器。

设置： 传感器被放置在左手腕和右手腕上。
逻辑： 因为每个人都戴手表，所以使用手腕很方便。但手腕远离身体的“发动机”。这就像是试图通过观察后视镜的震动来猜测汽车发动机的工作强度。

实地测试

九名志愿者进行了一场“生活中的一天”测试。他们坐着、站着、阅读、做家务、爬楼梯以及在跑步机上行走。在做这些活动时，他们佩戴了：

5 个运动传感器： 一个在骨盆，两个在大腿，两个在手腕。
“真相机器”： 一个特殊的面罩（COSMED K5），通过测量他们的实际呼吸来计算他们究竟消耗了多少能量。这充当了“标准答案”。

随后，研究人员使用了两种不同的“推测机器”（数学模型）来仅根据运动传感器的数据来预测能量消耗：

线性回归 (LR)： 一种简单的、经典的数学公式。
CNN-LSTM： 一种高级的、现代的深度学习人工智能（AI）模型，它能像人类大脑一样学习模式。

测试结果：谁赢了？

结果非常明确，“核心组”以压倒性优势获胜。

核心组（骨盆与大腿）： 这些传感器表现得非常出色。无论他们是只使用骨盆传感器，还是同时使用骨盆和两个大腿传感器，模型都能准确地预测出人的能量消耗情况。虽然 AI 模型表现得略好一些，但简单的数学模型也非常出色。
- 类比： 这就像是直接倾听发动机的声音；预测非常精准。
手腕观察者： 手腕传感器表现得很糟糕。无论是左手腕还是右手腕，模型都无法做出任何有用的预测。它们的预测效果极差，基本上就是在瞎猜。
- 类比： 这就像是试图通过观察一只落在卡车保险杠上的蝴蝶来判断卡车的行驶速度。手腕虽然动作很多，但这种运动并不能告诉你在多大程度上反映了身体“发动机”的工作强度。

核心结论

论文得出结论：如果你想了解一个人在日常活动中消耗了多少能量，你需要测量身体的核心，而不是手腕。

一个传感器就够了： 有趣的是，仅仅在骨盆处放置一个传感器，其效果几乎与在骨盆和双腿同时放置传感器一样好。你不需要穿上一身“盔甲”，在质心附近放置一个好的传感器就足够了。
手腕警告： 虽然商用智能手表声称可以追踪你的卡路里消耗，但这项研究表明，如果它们仅仅是利用手腕的运动，那么它们的预测很可能是极其离谱的猜测。手腕的运动并不能很好地反映全身的运动，因此无法准确计算能量消耗。

简而言之：要测量你的身体工作有多努力，请倾听“发动机”（核心）的声音，而不是“后视镜”（手腕）的晃动。

技术摘要：基于加速度计的日常生活活动中能量消耗估算

问题陈述
体力活动能量消耗（PAEE）是肥胖控制和健康监测的关键参数，表现出个体间以及单日内的高度变异性。虽然可以通过间接热量计（逐呼吸气体数据）精确测量 PAEE，但该方法缺乏日常生活的监测便携性。因此，需要基于可穿戴传感器（特别是加速度计）的工具来估算 PAEE。该领域的一个核心挑战是确定最佳传感器位置。虽然身体质心（COM，通常位于下背部或骨盆附近）在理论上是捕捉全身运动的最佳位置，但由于消费类腕式设备（如 Apple Watch、Fitbit）的普及，手腕已成为热门位置。然而，与基于 COM 的配置相比，腕式传感器在估算 PAEE 方面的有效性仍缺乏充分研究，特别是单传感器是否足以近似 COM 加速度，或者是否需要多传感器组合。

研究方法
本研究评估并比较了四种不同的加速度计组合，用于在日常生活（ADL）期间进行 PAEE 估算：

基于 COM 的设置：
- Pelvis-acc（骨盆加速度）： 单个位于骨盆处的加速度计。
- 3-acc（三加速度计）： 一个骨盆加速度计结合两个大腿加速度计。
基于腕部的设置：
- l-wrist-acc（左腕加速度）： 单个位于左手腕处的加速度计。
- r-wrist-acc（右腕加速度）： 单个位于右手腕处的加速度计。

数据采集：
十名参与者（30% 为女性）执行了一系列随机化的 ADL，包括坐姿、站立、笔记本电脑工作、家务劳动（拖地、洗碗）、爬楼梯以及跑步机/骑行运动。通过 COSMED K5 系统收集的呼吸数据（VO2 和 VCO2）作为地面真值（Ground Truth）。研究使用了五个 Movella Xsens DOT 传感器（3 轴，30 Hz）分别记录骨盆、双大腿和双腕部的三轴加速度。数据预处理包括去除重力加速度、低通滤波（6 Hz）以及重采样至 1 Hz。PAEE 通过从总能量消耗（TEE）中减去静息代谢率（RMR）得出。

模型：
研究针对该数据集实现了两种成熟的估算方法：

线性回归 (LR)： 利用特征 $IAA_{tot}$ （三个轴向的积分绝对加速度之和）作为输入。对于 3-acc 设置，使用三个独立的 $IAA_{tot}$ 变量。
CNN-LSTM： 一种以预处理后的三轴加速度数据作为输入的深度学习模型。对于单传感器，输入矩阵为 3x30（3 个轴，30 秒窗口）；对于 3-acc 设置，特征维度被拼接为 9x30。

两类模型均使用 30 秒滑动窗口进行 1 秒步长的预测。性能通过留一受试者交叉验证（Leave-One-Subject-Out cross-validation）、归一化均方根误差（NRMSE）和 R 平方值（ $R^2$ ）进行评估。通过重复测量方差分析（ANOVA）和带有 Bonferroni 校正的配对 t 检验进行统计显著性评估。

主要结果

模型性能： LR 和 CNN-LSTM 模型在 3-acc (基于 COM) 设置下均表现最佳。CNN-LSTM 模型实现了最高的 $R^2$ 值 0.53（NRMSE = 0.64），而 LR 模型实现的 $R^2$ 为 0.41（NRMSE = 0.72）。
COM 与腕部对比： 两种基于 COM 的设置（3-acc 和 pelvis-acc）的表现显著优于基于腕部的设置（ $p < 0.05$ ）。腕部设置几乎没有预测能力， $R^2$ 值接近 0（范围在 -0.02 到 0.06 之间），且 NRMSE 值较高（~0.95）。
传感器组合： 单个骨盆传感器（pelvis-acc）与三传感器组合（3-acc）之间没有显著差异（ $R^2$ 的 $p = 0.278$ ），这表明在执行此类任务时，靠近 COM 的单个传感器足以代表 COM 加速度。
腕部对称性： 左、右腕部传感器之间未发现显著差异（ $p = 0.329$ ）。
模型比较： 在 NRMSE 或 $R^2$ 方面，LR 和 CNN-LSTM 模型之间没有显著差异（ $p > 0.05$ ），表明对于该特定数据集，线性特征 $IAA_{tot}$ 的预测能力与更复杂的 CNN-LSTM 架构相当。

意义与主张
本文得出结论：对于 ADL 期间准确的 PAEE 估算，基于 COM 的建模方法优于基于腕部的做法。作者主张，当单独使用时，腕部佩戴的加速度计无法有效地反映 COM 加速度，导致其对 PAEE 的预测能力微乎其微。这挑战了仅依赖加速度进行能量消耗追踪的商业腕式设备的可行性主张。

研究表明，在进行 PAEE 估算时，放置在靠近 COM 处的单个传感器（如骨盆）足以捕捉必要的运动动力学，因为添加大腿传感器并未比仅使用骨盆设置显著提高性能。作者保持了审慎的态度，指出虽然目前的腕部估算存在局限性，但如果结合其他传感器模态（如心率）或开发出更好地将腕部加速度映射到 COM 加速度的方法，性能可能会得到提升。作者建议未来的研究应侧重于使用更大的数据集来验证这些发现，并探索其他传感器位置（如胸部、上臂），以更好地近似 COM 加速度。

两大阵营：核心组 vs. 手腕组

实地测试

测试结果：谁赢了？

核心结论

类似论文