加速度计监测高强度复杂运动能量消耗的模型构建与准确性评估

论文摘要

目的:目前我国有关能量消耗的研究大部分围绕简单的中、低强度的周期性体力活动展开,鲜少涉及到高强度复杂的体力活动,且有关于神经网络模型对体力活动能量消耗的预测应用较少,本研究通过对不同佩戴部位的加速度计原始数据的处理,建立不同佩戴部位的线性回归模型和神经网络模型,并对相同、不同佩戴部位的两个模型进行横向的比较,以寻找出最优化的预测模型,从而丰富加速度计的测量领域,让其更好地为运动实践服务。方法:本次研究采用测量法,受试者在4个部位（优势和非优势手腕外侧、髋部右侧和右脚踝外侧）佩戴4个Actigraph GT3X加速度计（简称GT3X）,在胸前佩戴1个Cosmed K4b2气体代谢能耗分析仪（简称K4b2）,通过大屏幕播放的已剪辑好的高强度健身操视频,除去热机准备和热身时间,受试者进行时长为9分钟的高强度复杂运动（本研究选择健身操作为典型代表）。使用SPSS 22.0建立一般线性回归模型,通过SPSS Modeler18.0建立神经网络模型,并使用Bland-Altman方法和比较RMSE等指标对两个预测模型进行预测准确性检验。结果:（1）运动过程中身体形态学指标与能量消耗EE的相关性分析中,体重指标与EE的相关性最高,建模组r=0.505（p<0.01）,验证组r=0.41（p<0.01）;4个佩戴部位的加速度计VM值和HR与K4b2能量消耗的EE、METs的相关性分析中,4个部位的VM值与EE、METs的相关性都很显著（p<0.01）,其中优势手腕的相关性最为显著,HR与EE、METs的相关性最强,与EE的相关性为0.486（p<0.01）,与METs的相关性为0.502（p<0.01）。（2）本研究构建的四个部位线性回归预测方程如下:非优势手腕EE=0.000014VM+0.135体重+0.004HR-1.071脚踝EE=0.000025VM+0.135体重+0.004HR-1.157腰部EE=0.000029VM+0.135体重+0.003HR-0.674优势手腕EE=0.000024VM+0.133体重+0.004HR+0.187非优势手腕调整后R2=0.519,脚踝调整后R2=0.521,腰部调整后R2=0.518,优势手腕调整后R2=0.522。（3）本研究构建出的四个部位的三层神经网络预测模型初始学习率为0.05,动量常量设为0.5,误差率设为0.001,模型如下:非优势手腕13-9-1三层神经网络模型（R2=0.808）脚踝13-9-1三层神经网络模型（R2=0.796）腰部13-13-1三层神经网络模型（R2=0.771）优势手腕13-8-1三层神经网络模型（R2=0.795）（4）线性回归模型和神经网络模型实测值与预算值的一致性检验中,在B-A图中,不同模型不同部位的各散点都基本落在±1.96SD之间,非优势手腕、脚踝、腰部和优势手腕这4个部位的神经网络模型和线性回归模型均有良好的预测能力。（5）通过计算不同部位预测值的RMSE、MAPE和BIAS指数并进行横向比较,神经网络模型非优势手腕、优势手腕、脚踝和腰部这4个部位的RMSE和MAPE均低于线性回归模型,神经网络RMSE指数分别为:0.98、2.85、1.05和1.16,线性回归模型的RMSE指数分别为:1.65、4.7、1.64、1.7,神经网络模型的优势手腕和腰部的BIAS指数也明显低于线性回归模型,从整体误差上来看,神经网络模型的误差更小。结论:（1）本研究构建的四个部位的线性回归能量消耗方程具有较高拟合度,在预测运动能量消耗方面具有较高的准确度,可应用于大多高强度复杂运动能量消耗的监测。（2）本研究构建的四个部位的三层神经模型具有很高的拟合度,准确性优于一般线性回归模型,能够准确预测高强度复杂运动的能量消耗,经验证其在预测运动能量消耗方面具有很高的准确性,为最优化的预测模型。

论文目录

文章来源

类型: 硕士论文

作者: 廖方萍

导师: 陈庆果

关键词: 加速度计,高强度复杂运动,能量消耗,神经网络模型

来源: 四川师范大学

年度: 2019

分类: 基础科学,社会科学Ⅱ辑

专业: 生物学,体育

单位: 四川师范大学

分类号: G804.2

DOI: 10.27347/d.cnki.gssdu.2019.000600

总页数: 51

文件大小: 4007K

下载量: 103

相关论文文献

• [1].一种基于惯导系统的线加速度计动态性能测试方法[J]. 兵器装备工程学报 2019(12)
• [2].基于支持度的椭球拟合微机械电子系统加速度计现场标定方法研究[J]. 兵工学报 2020(01)
• [3].一种谐振式加速度计的稳定性分析方法[J]. 矿业科学学报 2020(02)
• [4].梳齿结构与振动梁复合的硅微谐振式加速度计非线性振动特性[J]. 光学精密工程 2020(05)
• [5].延长某型液浮陀螺加速度计精度寿命分析[J]. 科技创新与应用 2020(11)
• [6].双离心机法线加速度计动态校准中三参数余弦算法实现及应用[J]. 计测技术 2020(02)
• [7].谐振式加速度计动态特性研究[J]. 传感器与微系统 2020(06)
• [8].考虑应力分布约束的压电全向加速度计梁结构优化设计[J]. 光学精密工程 2020(08)
• [9].硅微谐振式加速度计电路带宽测试方法研究[J]. 传感器与微系统 2020(08)
• [10].基于斩波技术的静电悬浮加速度计驱动电路噪声抑制方法研究[J]. 空间电子技术 2020(03)
• [11].一种石英加速度计用磁处理系统研制[J]. 导航与控制 2020(03)
• [12].矽立科技交付第5亿颗加速度计[J]. 单片机与嵌入式系统应用 2019(01)
• [13].低频加速度计在特定温度下的灵敏度修正方法研究[J]. 中国测试 2018(S1)
• [14].高量程加速度计横向各向异性响应的自由落杆冲击评估法（英文）[J]. 微纳电子技术 2019(09)
• [15].石英加速度计失准角超差分析及解决方案[J]. 空间电子技术 2019(05)
• [16].悬丝式惯性加速度计稳定性分析[J]. 电子质量 2017(12)
• [17].ADXL356/ADXL357三轴MEMS加速度计 美国ADI公司[J]. 传感器世界 2017(12)
• [18].MEMS加速度计在防空导弹引信中的应用[J]. 兵器装备工程学报 2018(03)
• [19].半导体激光自混合干涉加速度计测试技术研究[J]. 激光杂志 2018(04)
• [20].高成本和低成本MEMS加速度计性能比较研究[J]. 传感器与微系统 2018(04)
• [21].小型化加速度计的研制[J]. 仪器仪表用户 2018(08)
• [22].MEMS加速度计混合误差标定补偿方案[J]. 压电与声光 2018(04)
• [23].MEMS加速度计噪声分析与降噪方法研究[J]. 传感器与微系统 2018(07)
• [24].基于MEMS加速度计的优化九位置校准算法[J]. 压电与声光 2018(05)
• [25].陀螺加速度计线振动台进动整周测试方法[J]. 中国惯性技术学报 2016(05)
• [26].基于速度误差的加速度计闭环标定方法[J]. 测绘科学 2016(12)
• [27].一种加速度计的标定补偿方法研究[J]. 传感技术学报 2016(12)
• [28].基于比力差分测量的加速度计温度误差补偿方法[J]. 中国惯性技术学报 2016(06)
• [29].振动校准加速度计频率响应不确定度的确定方法[J]. 仪表技术与传感器 2017(03)
• [30].加速度计的高冲击下响应理论与仿真方法研究[J]. 中北大学学报(自然科学版) 2017(02)

标签：加速度计论文;  高强度复杂运动论文;  能量消耗论文;  神经网络模型论文;