基于智能手表的活动监测研究

Pre基于安卓智能手表的活动监测初步研究

Vijayal阿克什米·阿哈纳帕拉1,詹姆斯·D·阿莫尔2 ✉，佐伊·古德温3,克里斯托弗·J·詹姆斯2
1英国考文垂华威大学数字医疗保健研究所——WMG国际数字实验室，CV4 7AL 2英国考文垂华威大学工程学院华 威生物医学工程，CV4 7AL 3英国格拉斯哥斯特拉斯克莱德大学管理科学系，G1 1XQ ✉电子邮件： J.D.Amor@warwick.ac.uk
发表于医疗保健技术 hnology Letters；2014年10月14日收稿；2015年1月19日修订；2015年1月20日接受 5

全球预期寿命不断增长的趋势导致多个国家的人口老龄化。这给老年人群的有效护理带来了压力，同时可用资源日益受限。在老 年人自己的家中为其提供护理并维持其独立性，是解决这一问题的方法之一。欧盟资助的独立生活无干扰智能环境（USEFIL） 项目正致力于开发一种辅助技术工具，以增强独立生活能力。作为USEFIL的一部分，正在开发一种腕戴式单元（WWU），用 于监测用户的体力活动（PA）并集成到USEFIL系统中。WWU是现有技术在辅助生活问题领域的一种新颖应用。它结合了现有 技术和新算法，以提取用于活动监测的身体活动参数。所提取的参数包括：活动水平、步数和佩戴状态。本文介绍了WWU、所 开发的算法以及初步验证结果。结果显示，能够成功提取活动水平，准确识别佩戴状态，并且在受控数据集上对步行数据中的步 数统计估计误差可控制在3%以内。

1. 引言

全球范围内，人口寿命不断延长，60岁及以上的老 年人数量持续增长[1],，这导致了两个重要的观察结果。首 先，随着老年人口数量的增加，患有与年龄相关的健康状况 的人数也随之增加。其次，随着老年人口比例的上升，能够 提供护理的人口比例下降。这影响了可用护理人员的数量以 及可用于提供护理的资金相对数额[2]。

这些影响因素共同导致社会面临压力，即在人均资源相 对减少的情况下为老年群体提供医疗保健服务。然而，在面 临这一压力的同时，过去十年中技术也迅速蓬勃发展。随着 技术成本的降低和性能的提升，技术正被用于解决诸多新兴 挑战。当前的趋势是利用技术来提供或增强医疗保健[3]， 并应对医疗保健服务交付中的新兴挑战。

非显眼的智能环境独立生活（USEFIL）项目 [4]旨在利 用现有和新兴技术，开发一套帮助老年人独立生活的系统。
USEFIL项目将结合现成设备，创建一个集成化独立生活系统。
尽管该项目主要针对老年群体，但本论文中描述的方法适用 于所有成年人。具体而言，本论文重点关注腕戴式单元（ WWU）以及为监测个人活动而获得的有用活动相关指标。
本研究在作者先前的研究[5, 6],基础上，旨在介绍用于测量 USEFIL系统中WWU的活动水平、步数和佩戴状态的算法， 并在正常对照组中展示初步验证结果。还应注意的是，本论 文提出的是对体力活动（PA）水平的衡量指标，而非对不同 活动本身的准确分类。

2. 腕戴式设备

作为USEFIL系统的一部分，正在开发一种腕戴 式设备（WWU）。该WWU在USEFIL系统中的需求主要包括 收集用户的体力活动（PA）数据、与USEFIL系统自动通信 允许使用定制算法。市场分析表明，健康与活动监测领域有 多种设备可供选择，主要分为三类：传感器平台、健康与生 活方式设备以及智能手表。其中，只有智能手表符合 USEFIL的关键标准。传感器平台（如Actigraph [7]）通常 不具备所需的通信或算法灵活性，而健康与生活方式设备 （如Fitbit [8] ）通常被锁定在专有算法和数据接口上。

为了满足系统要求，采用了一款现成的基于Android的智能 手表Android Z1，如图1所示。Z1重160克，设备尺寸为64  mm ×42 mm × 14.5 mm，配备一块50.8 mm的电容式触摸屏， 像素分辨率为320 × 240。主芯片为MT6516，搭载416 MHz处理 器、256 MB内存和8 GB内置存储。Z1具备完整的蓝牙、无线网 络和GSM连接功能，并配有全球定位系统和加速度传感器。该 加速度计为三轴，量程为 ±2 g。该设备受限于其800 mAh电池， 仅能支持设备连续地从其加速度计记录数据达 ∼5小时。

2.1. 与USEFIL的集成

USEFIL系统提供多种服务和应用程 序，以协助独立生活。其中一项关键服务是高级决策支持系 统（DSS），该系统将整合USEFIL系统的传感器输入，并提 供有益于用户医疗保健的建议。腕戴式设备在此系统部分中 充当关键传感器，提供用户的体力活动信息。

腕戴式设备从加速度计中获取数据，并运行一系列算法 以提取活动参数。这些参数通过腕戴式设备的Wi‐Fi连接传回 USEFIL系统，并集成到USEFIL系统决策支持系统中。

2.2 活动监测

由于体力活动与个人健康状况相关，为了识别 健康状况的变化，持续评估体力活动水平至关重要[9]。此外， 为了达到世界卫生组织（WHO）推荐的老年人中等至剧烈体 力活动量，相比自我报告测量，更倾向于采用对活动水平的 定量或直接测量[11]。加速度计被广泛用于
34 这是一篇由IET根据知识共享署名许可协议（ http://creativecommons. org/licenses/by/3.0/）发布的开放获取 论文
《医疗技术快报》，2015年，第2卷，第1期，第34‐39页 doi:  10.1049/htl.2014.0091
本文档由 funstory.ai 的开源 PDF 翻译库 BabelDOC v0.5.10 (http://yadt.io) 翻译，本仓库正在积极的建设当中，欢迎 star 和关注。

监测体力活动，以及Murphy [12]  提出的在老年人研究中选择加 速度计的一般考虑因素，包括生活方式相关的体力活动和步数。
尽管加速度计的佩戴位置通常根据应用而定，例如全身运 动（胸部、胸骨、腋下或腰部）、腿部运动（胫部、踝部）和 帕金森样震颤（手腕），但在像USEFIL这样的长期无干扰监 测中，通常更倾向于使用仅附着在手腕上的单个传感器的简单 系统，尤其是针对老年人 [13]。这一点在早期焦点小组的反 馈中得到了体现——潜在用户明显偏好腕戴式设备。

使用加速度计进行体力活动监测以提取各种身体活动参数是 当前活跃的研究领域。以往关于活动水平的研究表明，随着活动 强度的增加，加速度信号的均方根（RMS）也随之增加，这意味 着使用RMS得分作为活动量度是有效的[14]。在[15],中显示， 三轴加速度计的向量幅值与多种活动的热量能量消耗相关。

步数统计在研究中被广泛用于关联活动与健康状态，促进 健康生活方式[16]，并表明体力活动可能影响健康结果，特别 是在慢性疾病[17]中。一些步数检测算法包括Pan和 Tompkins算法[18], ，最初设计用于检测QRS波群，但最近 已应用于步数检测[19], ；基于双轴信号（x轴和z轴）组合的 峰值检测法[19], ；基于阈值的峰值检测[20] ；以及模板匹配 [19]。

如前所述，腕戴式设备通过其加速度计收集数据，并利用 这些数据进行活动监测。在USEFIL这类系统中，活动水平信 息与步数统计相结合可用于确定活动模式和日常节律。此外， 通过检测体力活动，可以推断出行为模式，例如睡眠‐觉醒周 期，这些模式是健康状况的关键指标。例如，生病的人可能会 在床上停留更长时间。

3. 数据处理

为了使智能手表能够在USEFIL系统中作为腕戴 式设备使用，已为该设备编写了一个定制应用程序，以执行持 续的数据收集和数据处理。该应用程序可通过多种方式进行配 置，以调整采样频率和采样周期，从而管理电池续航时间。数 据处理路径的高级概述如图2所示。

有一个初始的平滑步骤，随后是一系列活动参数计算，以 提供腕戴式设备产生的一组测量指标。需要注意的是，如果设 备未佩戴，则不会进行进一步处理，因为在未佩戴腕戴式设备 的情况下产生的任何测量结果都是无效的。同样，如果腕戴式 设备在数据中未检测到任何步行事件，则不会推导出步数。本 节其余部分将介绍数据处理路径中每个计算步骤所使用的具体 数据处理算法。

3.1. 数据采集

腕戴式设备被配置为以指定频率fs记录加速度 计数据，时间段长度为t秒。来自三个加速度轴的加速度计数 据表示为
x= x1, x2,…, xn { } (1)
y= y1, y2,…, yn { } (2)
z= z1, z2,…, zn { } (3)
其中x、y和z是包含三个运动轴数据点的向量，xi、yi和zi表 示某一轴上的一个数据点，n为该时间段内的样本数。对于任 意给定的时间段，n可近似计算为
n= t×f s ⌊ ⌋ (4)
由于安卓平台不会严格维持采样率，因为传感器读数并非平台 的优先事项，因此实际样本数会有轻微差异。结果是数据大致 以请求的速率进行采样，但该速率存在轻微波动，特别是当设 备处理器因其他进程而处于高负载时。实际上，这意味着采样 率偶尔会比请求的稍慢几个样本，偶尔又会比请求的稍快几个 样本。虽然可以通过插值使数据达到均匀采样率，但在任何合 理较短的时间周期内，均可假设数据为均匀采样而不会产生影 响。本论文中的实际应用目的而言，所提供的采样已足够一致。

3.2 基线平滑

基线平滑的特定目的是以计算高效的方式去除 加速度信号中的模数转换噪声。它可抑制由设备中模数转换引 起的信号微小波动，从而在无运动时产生真正“平坦”的信号， 同时保留

信号中真实运动的区域。此处以X轴为例展示该方法。最初，基 线b被设定为使得
b= x1 (5)
随后，使用以下更新规则来填充输出 x′
x′ i= b if xi − b ∣ ∣ ∣ xi otherwise { (6)
b= b if xi − b ∣ ∣ ∣ xi otherwise { (7)
其中，Tb是阈值（通常为Tb= 0.5），x′i是平滑后的值。同样 的操作在Y轴和Z轴上重复进行。

3.3 穿戴状态检测

通过检测加速度信号中设备在一段时间内 处于静止的状态，来确定腕戴式设备的佩戴状态（佩戴或未佩 戴）。在这些静止时段内，设备被视为未佩戴。这些时段在加 速度信号中的主要特征是，除由于重力影响在一个或多个轴上 产生的恒定读数外，信号中无其他内容。该算法从加速度信号 的均方根中去除恒定分量，并检查后续信号是否存在运动。若 未发现运动，则判定为未佩戴时段。在去除设备噪声后，x、 y和z轴的均方根组合定义为
r= r1, r2,…, rn { } (8)
其中
ri=
x′2 i+y ′2 i+ z′2
3 √ (9)
使用一个3秒持续时间的滑动窗口从r中去除信号的重力分量。
该窗口长度为W个样本，其中W始终为奇数。定义另一个参 数h，其值略小于窗口长度的一半。
h= W −1 2 (10)
使用这些参数，提供向量 r′ 的滑动窗口操作被定义为
r′ i =
r i − 1
W ∑
W
j= 1
r j
, 1 ≤ i ≤ h
r i − 1
W∑
i+h j =i − h
r j
, h, i ≤(n− h)
r i − 1
W∑
n j =n − W+1
r j
, (n− h), i ≤ n ⎧⎪⎪⎪⎨⎪⎪⎪⎩ (11)
从向量 r′ 计算得到一个索引值 v W
v W = 1 n∑
n
i= 1
r′ i (12)
并与阈值Tw（通常为T w ∼ 0.02）进行比较。如果指数值大于 该阈值，则判定腕戴式设备为佩戴状态；否则，判定为未佩 戴状态。

3.4 活动水平分类

通过对接重力后的向量r′进行数值分析来 实现活动水平分类。活动指数值vA的计算方法如下
vA= 1
n∑
n
i=1
r′ i ∣∣ ∣∣ (13)
指数值 vA  可以直接使用，但对于 USEFIL 系统，该值会被 处理以生成一个单一的整数，并扩展活动水平值的最低区域。
活动水平值的指数值映射由以下方式给出
A= 4vA ⌈ ⌉ if 0, vA ≤ 0.5
2vA ⌈ ⌉+ 1 if vA. 0.5 { (14)
如果活动水平大于或等于3，则将加速度计记录视为活跃期， 例如步行或跑步。在数据的活跃期内，使用以下算法检测步 数。

3.5 步数检测

步数检测在向量 r 上进行，重点是从数据 中提取步行频率。通常情况下，对于从手腕获取的加速度计数 据，在健康对照组步行时，可观察到一个或两个主导频率。这 些频率分别对应始终存在的脚步撞击频率和可能不存在的手臂
摆动频率。这些关键频率记为 fh  和 fa，其峰值高度分别为 ph
和 pa。此外还可从该数据中得出进一步的观察结果。首先
min(ph, p a) ≥ 0.75 × max(p h, p a) (15)
这表明两个峰值的高度相似。其次
f h 2f a (16)
这表明脚步撞击频率大约是手臂摆动频率的两倍。此外，ph和pa
之间没有一个可靠地大于另一个。此结论尚未在老年人的步行模 式上进行测试。图3a显示了步行数据（三轴的均方根组合）。该 数据的手臂摆动频率和脚步撞击频率如图3b所示。

为了确定步数，感兴趣的频率是fh。因此，最初的问题是 从r中提取两个主要频率，并确定它们与fh和fa的相关性。首 先，通过快速傅里叶变换（FFT）将r转换到频域，得到向量
f= FFT(r) (17)
从f中提取出两个主要峰值，得到两个频率‐高度配对：(fx, px)
和 (fy, py)，并按峰值高度顺序返回，使得 px >py。
在提取出两个主要频率后，可以利用观测结果(15)和(16)
来确定哪个峰值对应f h 。如果(15)不成立，将px和py分别替换
ph 和pa，则仅存在一个频率，此时fx对应目标频率f h 。如果 (15)成立，则可能两个频率均存在，此时可利用(16)进行推导
1.5 × min(f x ,f y ), max(f x ,f y ), 2.5 × min(f x ,f y ) (18)
如果两个频率 fx  和 fy  中其中一个大约是另一个的两倍，则 该条件成立。若 (18) 成立，则目标频率对应于 max( fx, fy)。
若 (18) 不成立，则认为 f y  为异常值，且目标频率为 f x 。

4. 验证方法

本节介绍了用于验证腕戴式设备中所用算法的 方法。此处介绍了佩戴状态检测、活动水平分类和计步验证的验 证方法。

4.1. 穿戴状态检测

佩戴状态检测算法通过一组测试进行了验证， 测试考察了不同的佩戴方式。腕戴式设备被设置为以1分钟片段 连续采集数据，并报告原始数据和佩戴状态。对设备进行了四项 测试，分别模拟佩戴、未佩戴、戴上和取下状态，每项测试重复 三次。测试仅使用单个参与者，因为该算法主要检测设备未佩戴 的情况。

对于测试中的佩戴片段，采用了不同强度的活动，但主要关 注久坐活动，因为久坐活动最有可能产生误报。测试结果与 各项测试的已知真实情况进行对比分析。

4.2 活动水平分类

通过使用单个参与者（健康男性，29岁） 进行的纵向测试对活动水平分类算法进行了验证。腕戴式设备 被设置为连续地收集数据，并输出活动水平。通过要求参与者 手动记录其活动，在整个测试期间建立了高层次的真实值。需 要注意的是，由于活动水平分类本身的性质，很难对该算法的 有效性提供客观的衡量标准。活动水平是一种主观评估，它应 与能量消耗相关，但无法确定某一段活动的具体评分是4还是 2等。

多项研究表明，活动强度（能量消耗）与加速度信号的均 方根值相关。伊士顿等人[15]的研究表明，均方根值与能量 消耗相关；阿莫尔和詹姆斯[5]的研究表明，强度逐渐增加的 活动会产生信号功率逐渐增大的加速度计数据（信号功率本身 与信号的均方根相关）。基于这些研究，我们选择主观地验证 该算法，而非采用任何客观方式进行验证。

4.3. 步数

对正常对照组（n= 20，男性13名，女性7名，年 龄20–50岁，身高160–191厘米，体重47–110公斤）进行了步 数算法测试。腕戴式设备佩戴于非优势手腕，数据采样频率 为50赫兹。每位参与者完成了以下四项活动：
1. 以正常步速行走100步。2. 以1 赫兹步频行走100步。3. 以正常步 速上楼梯。4. 以正常步速下楼梯。

所进行的活动旨在提供广泛的行走动作，以便后续分析， 且特意选择1 Hz的步频以实现较慢的步行速度。然而，这无 意中改变了参与者的正常步态。楼梯部分的步数统计通过人 工记录。

真实值与算法确定的步数之间的百分比误差被计算，并 使用双向单侧检验（TOST）来检验等效性——即百分比误差 在统计学上等同于零。零等效阈值设定为3%，与之前的研究 一致[21]，并采用95%置信水平。

步数算法在采样率为16赫兹和5赫兹的腕戴式设备数据上进一步进行 了测试，以验证该算法在降低采样率的情况下是否仍能准确检测步数。

5. 结果与讨论

5.1 佩戴与未佩戴检测

佩戴状态测试的结果如图4所示，显示 了在所有测试案例中佩戴状态的正确识别。存在一些真实值与 判定的佩戴状态不一致的时段，这是由于数据以1分钟时间段 进行分析所致。如果设备在某个时间段内的任何时刻实际被佩 戴，则该时间段内设备被视为处于佩戴状态。

该算法在检测设备是否被佩戴方面存在一些局限性，尤其是 在用户非常静止的情况下。如果用户保持足够长时间的静止，佩 戴检测可能会产生错误结果。这一问题可通过使用附加传感器来 检测与皮肤接触，或通过附加分析来检测腕戴式设备被取下或戴 上时的相关事件加以缓解。

5.2. 活动水平

图 5显示了研究人员佩戴腕戴式设备期间的 活动条。明显存在较高强度活动的时段，例如 11:30–12:00， 以及较低强度活动的时段，例如 14:00–15:00。
该图中的活动时间段与参与者当天已知的活动情况吻合良好。
11:30 和 15:30 的咖啡休息时间导致记录到的活动水平升高。大 约 13:00 的午餐时间导致出现两个高强度活动阶段，中间夹着一 个低强度活动阶段。这与步行、坐下进食和再次步行的情况一致。

图 6展示了从腕戴式设备（WWU）记录的加速度测量数据，并 由活动水平检测算法进行分类的结果。加速度显示了去除重力分 量前的三个轴向的数据。对图 5 中的图表进行视觉分析表明，各 图中活动程度不同，这是基于均方根值（RMS values）进行分 类时的预期结果。图 6a 显示非常高的活动量，图 6b 显示中等活 动量，图 6c 显示低活动量。

高强度活动期对应较大程度的运动，例如步行，而低强 度活动期则对应较为静态的活动，例如桌面工作。在一分钟  predominantly 低强度活动中出现的短暂高强度活动往往会 导致中等活动评分。一个典型的例子是参与者从座位起身走 到打印机取文件后返回办公桌的过程。

结果表明，加速度计数据可以被处理以提取活动水平测 量指标，并且这些指标可以轻松分类以便于显示。此外，这 些类别值能够合理地对应到不同强度的活动。

由于我们只关注活跃时段内的步数统计，而不关心人员活动水平较 低时的情况，因此在活动水平大于或等于3时识别步数统计是可行的 我们的目的。采用这种方法的一个局限性是，可能存在一些 其他活动（例如洗碗）伴随大量手腕运动，从而导致活动水 平大于或等于3。

5.3. 步数统计

每个数据集计算出的平均百分比误差见表1。
双单侧t检验（TOST）结果显示，腕戴式设备数据在正常行走 和以1Hz频率行走上提供的步数统计与真实值具有等效性。然 而，在上下楼梯行走时的步数统计与真实值不具等效性，但如 果将等效区间设为真实值上下5%，则可达到等效性。

如表1所示，50赫兹和16赫兹采样率下的步数统计数据的百分比 误差相似，而5 Hz采样率下的误差较大，为2.85%。双单侧t检验 （TOST）的结果支持了这一结论：16赫兹下的步数统计误差与0等 效（且与50赫兹下的误差等效），而5 Hz下的步数统计误差与0不等 效（也与50赫兹下的误差不等效）。这表明，为了高效处理，腕戴 式设备（WWU）加速度计的采样率可设置为16赫兹。

统计分析表明，该算法在检测正常行走和慢速行走时的步 数方面具有足够的准确性，可集成到腕戴式设备中用作计步器。
然而，在上下楼梯行走上准确性较低，因此可以进一步研究如 何判断此类步行的发生并相应地进行步数统计。

5.3. 局限性

本文所呈现的工作存在一些局限性。此处提出 的算法已在正常对照组和少量参与者中进行了测试，这是此 阶段测试的标准做法。后续将对更多目标用户进行算法和设 备的评估。

表1 不同数据集的平均百分比误差
数据集类型和采样率	平均百分比误差，%
正常行走（50赫兹）	1.25
慢速步行（50赫兹）	0.60
步行下楼梯（50赫兹）	5.03
步行上楼梯（50赫兹）	3.38
正常行走（16赫兹）	1.50
正常行走（5 Hz）	2.85

6. 结论

本论文介绍了从腕戴式设备提取的活动参数（设备 佩戴状态、活动水平和步数统计）以及用于提取这些参数的算 法。统计分析表明，该算法能够足够准确地检测正常行走和慢 速行走的步数，可集成到腕戴式设备中用作计步器。

然而，需要注意的是，腕戴式设备（WWU）的使用依赖 于用户佩戴设备并按照使用要求进行操作。如果设备未被佩 戴，则可能导致数据丢失，从而带来潜在问题。在WWU和 USEFIL系统中，这一问题通过两种方式得以降低：首先， USEFIL系统为自愿参与，因此预期使用者会积极遵守相关要 求；其次，手表形态较为常见，有助于降低使用障碍。

未来可以进一步开展工作，通过结合原始加速度计数据和步 数数据以及用户特定参数（如身高和体重）来开发卡路里能量消 耗的估算方法。该估算方法需要与金标准热量计进行验证，相比 仅使用活动水平和步数，能够更全面地反映活动情况。

研究结果是USEFIL系统中腕戴式设备开发的一个有前景 的进展，表明可将多种算法集成到智能手表中，以获取个体 体力活动的初步信息。未来将进一步开发该技术，旨在实现 对日常生活活动的检测与分类。步数及其他参数（如能量消 耗、活动水平、姿势转换和活动分类）可能有助于早期发现 老年人健康状况的出现或健康恶化情况，从而提供相应支持。
此项工作还可扩展至监测个体执行日常生活活动的能力，并 识别跌倒等事件，进而为护理此类人员提供帮助。