The Validation Study on Wrist-wearable Activity Monitors for Monitoring Physical Activity
-
摘要:目的 梳理运动智能手环评估步数、能量消耗、距离、身体活动强度效度的研究文献，为进一步开展相关研究提供借鉴。方法 对中国知网、PubMed、EMBASE和谷歌学术等数据库进行检索及筛查，梳理运动智能手环评估身体活动指标的效度研究成果及其进展。结果 受多种因素的影响，运动智能手环监测不同类型身体活动指标具有不同范围的误差，同时无法精确监测距离和不同强度身体活动时间。结论 运动智能手环监测不同身体活动指标的整体精确性较差，在实际应用中应谨慎解读其监测结果，且目前相关研究不足，有待于进一步深入研究。Abstract:Objective To provide a reference for carrying out related studies by sorting out the validity studies on wrist-wearable activity monitors for evaluation of physical activity parameters and summarizing all existing research results and progress.Methods CNKI, PubMed, EMBASE, Google Scholar, and other databases were searched.After the initial screening, exclusion of repeated articles, the results of all studies were integrated and finally summarized.Results As the results of studies are affected by various factors, wrist-wearable activity monitors exhibit errors when monitoring the parameters of different physical activities and distance, and quantifying the time spent on different intensities of physical activity.Conclusions Wrist-wearable activity monitor devices have the poor accuracy on monitoring the different physical activity parameters as a whole, so we should interpret these research results in practical situation discreetly.In addition, there are many deficiencies in present studies, and these subjects require further in-depth studies.
-
身体活动是由骨骼肌收缩产生的任何可以使机体能量消耗高于安静代谢水平的机体活动[1]。大量研究表明:身体活动不足是冠心病、2型糖尿病、骨质疏松和恶性肿瘤等慢性疾病的重要危险因子[2], 规律的身体活动有利于减小慢性疾病发生的风险[2-3]。身体活动不足已成为引起全球范围死亡的第4危险因素[4], 因此, 监控身体活动已经成为促进人们身体健康的重中之重。现今, 测量身体活动方法主要有直接测热法(direct calorimetry)、间接测热法(indirect calorimetry)、双标水法(doubly labeled water, DLW)、心率监测法和问卷调查法等[5], 但是这几种测量方法有的设备昂贵、操作复杂, 有的主观意识太强而不适用于大样本连续性身体活动监测。
目前, 运动健康领域的科研工作者用传统的佩戴于腰部的加速度运动传感器进行身体活动监测, 获取有效数据进行分析处理, 为大众运动健身提供科学依据, 增加大众运动健身的科学性。由于传统加速度运动传感器小巧便捷、无须受试者进行回顾, 可有效减少回忆偏差, 且经过了多种方法的效度检验其能准确提供关于身体活动的能量消耗、频率、强度和持续时间等信息[6-7], 已被广泛接受和应用于科研工作中。由于传统加速度运动传感器价格昂贵, 需要专业科研人员操作电脑软件处理数据, 不利于大众即时、直观地了解自身身体活动情况; 传统加速度运动传感器需要佩戴于腰部, 降低了大众的佩戴依从性, 不适用于大众健身的自我身体活动监测。运动智能手环同样采用加速度计原理监测身体活动, 通过与相应的手机应用软件(APP)连接, 可使大众直观地获取能量消耗、日常步数等身体活动指标数据, 从而有效监控长期或短期的身体活动目标的实现[8]。此外, 由于运动智能手环价格适宜、穿戴方便、符合大众消费心理等, 因此应用运动智能手环监测身体活动水平变得越来越普及。
此外, 相关领域学者希望运动智能手环不仅仅能用于大众健身, 也能应用于科研中, 以代替传统的身体活动测量方法。无论是用于科研还是大众健身, 评估其效度都是非常重要的。目前, 尽管科研人员致力于检验运动智能手环监测身体活动的效度, 但还处于起步阶段。本文通过梳理运动智能手环评估步数、能量消耗、距离、身体活动强度效度研究相关文献, 分析总结现有研究成果和研究进展, 为进一步开展相关研究提供借鉴。
1. 研究方法
文献检索通过在中国知网、PubMed、EMBASE、谷歌学术等电子学术文献数据库, 以中文关键词“运动智能手环”“可穿戴监测设备”“效度”“比较”“精确性”和英文关键词“wearable devices”“consumer-level devices”“commercial accelerometer”“commercial activity-tracker”“validity”“validation”“validate”“comparison”“comparisons ”“comparative”“accuracy”, 搜索至2018年1月的相关研究文献。以上述检索词作为关键词在主题、题目、摘要和全文等进行逻辑组合检索。
纳入文献的筛选:①初筛, 通过阅读题目和摘要, 根据文献纳入标准进行初筛、排重; ②阅读全文, 根据研究的纳入标准, 确定可以纳入的文献; ③通过参考文献追溯的方法进行筛选, 以避免文献遗漏。
文献纳入标准:①已在学术数据库或学术期刊上出版的中英文全文文献; ②实验对象为人的研究; ③具有客观参照标准的研究; ④佩戴于腕部的运动智能手环效度的研究。
每篇文献提取内容包括:第一作者、运动智能手环品牌及佩戴部位、地区、受试者基本信息(年龄、人数)、实验方案、监测指标、参照标准、实验结果。
2. 研究结果
共检索到75篇文献, 经初筛、排重及全文阅读后, 最终纳入26篇文献。这26篇文献主要针对6种品牌运动智能手环(Fitbit、Jawbone UP、Withings Pulse、Misfit Shine、Garmin Vivofit、Nike Fuelband)进行效度检验的研究。表 1列举出了这6款运动智能手环的基本特征及主要功能。从表 1可知, 所有的运动智能手环都能监测步数和距离指标, 不同的智能手环监测的能量消耗指标是不同的, 且佩戴方式多样化。此外, 每一款运动智能手环都可以与手机进行关联, 有相应的手机APP无线传输数据。运动智能手环同时具有智能提醒、手机来电显示(振动)、日常防水等功能。有显示屏的智能手环可显示时间、日期及运动数据等指标, Garmin vivofit、Withings Pulse和Jawbone UP运动智能手环还具有分类活动、提供饮食监控帮助等更复杂的功能。在充电方面, 需充电的运动智能手环一般充电时间短, 续航时间长。
表 1 运动智能手环的基本特征及功能Table 1. The characteristic and function of wrist-wearable activity monitors类别 Fitbit Jawbone UP Withings Pulse Garmin Vivofit Misfit Shine Nike Fuelband 产地 美国 美国 法国 美国 美国 美国 价格/元 498~1 298 698~1 180 998 599~1 399 500~599 1 080 传感器类型 三轴加速度计 三轴加速度计 三轴加速度计 三轴加速度计 三轴加速度计 三轴加速度计 步数 √ √ √ √ √ √ 距离 √ √ √ √ √ √ 基础能量消耗 Δ √ Δ √ Δ Δ 运动能量消耗 Δ √ Δ √ Δ Δ 深睡眠时间 □ √ √ √ √ □ 浅睡眠时间 □ √ √ √ √ □ 活动时间 √ √ □ □ √ √ 佩戴部位 腰部、腕部等 腕部 腕部、腰部等 腕部 腕部、脚部等 腕部 设置参数 H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB 应用软件 Fitbit UP Withings Connect Misfitipad软件 Nikeconnect 分析 Fitbit系统软件 UP系统软件 Withings系统软件 Connect系统软件 Misfit系统软件 Nike connect系统软件 注:√表示存在这一参数功能; □表示不存在这一参数功能; Δ表示只能监测总的能量消耗, 而无法区分基础能量消耗和运动能量消耗; H表示身高; W表示体质量; Sex表示性别; DOB表示出生年月日 本文梳理了26篇运动智能手环监测步数、能量消耗、距离和定量身体活动强度时间指标效度的研究文献的基本特征和研究结果。有关运动智能手环效度研究的文献全部为英文文献, 其中步数20篇、能量消耗10篇、距离1篇、定量身体活动时间5篇和监控不同训练形式指标1篇; 针对不同品牌运动智能手环的研究分别有Fitbit Flex 15篇、Jawbone UP 13篇、Nike Fuelband 9篇、Garmin Vivofit 6篇、Fitbit Charge HR 6篇、Misfit Shine 5篇和Withings Pulse 2篇。
2.1 运动智能手环监测身体活动步数的效度研究
步行是人类最古老、最基本的身体活动方式, 生活中大多数身体活动的进行几乎都离不开步行, 步行也是随时随地都可以轻松完成的极简单的身体活动。最早在20世纪60年代日本提出每日步行10 000步的推荐量[9], 以达到促进健康的需求, 步数成为定量身体活动最常用的指标之一[10]。在运动智能手环监测步数相关研究中, 绝大多数研究以步数观察值和手动计数值作为参照标准, 且受试者包括健康成年人和特殊群体。
2.1.1 运动智能手环监测不同速度运动的步数
运动智能手环监测不同速度运动步数时, 预测步数的精确度有所不同。Huang等[11]在实验室条件下, 以录像观察值为参照标准, 招募40位平均年龄为23.9岁的健康成年人为受试者, 让受试者分别以3.2、4.8和6.4 km/h的速度在跑台上步行3 min, 检验运动智能手环Garmin Vivofit、Fitbit Flex、Jawbone UP 24和Nike Fuelband测量步数的效度。研究发现, 所有的运动智能手环仅测量以3.2 km/h的速度步行时所测得的步数与观察值相比具有显著性差异, 4种品牌运动智能手环的测量误差率分别为:
(-2.3±1.4)%, (-6.5±18.4)%
(-15.3±34.8)%, (-52.8±33.7)%
而测量其他速度运动下的步数与观察值相比无显著性差异。Alinia等[12]以录像观察值为参照标准, 15位年龄为21~31岁的健康成年人为受试者, 让受试者分别以2.5、5.0和8.0 km/h的速度在跑台上运动5 min, 检验运动智能手环Fitbit Flex测量不同运动速度下的步数效度。结果显示, Fitbit Flex所测得2.5、5.0和8.0 km/h速度下的步数与观察值相比均无显著性差异; 然而, 其他学者的研究结果与此不同。
Diaz等[13]以录像观察值为参照标准, 23位年龄为20~54岁的健康成年人为受试者, 让受试者在跑台上分别以3.2、4.8、6.4和8.3 km/h的速度运动6 min, 检验运动智能手环Fitbit Flex测量不同运动速度下步数的效度。结果显示, Fitbit Flex所测得步数与实际观察值呈高度相关(r=0.77~0.85), 但测得3.2、4.8和6.4 km/h速度下步行时步数与观察值之间具有显著性差异, 分别低估了观察值的16.3%、10.6%和11.3%, 而8.3 km/h速度下步行时的步数与观察值无显著性差异。Chow等[14]以录像观察值为参照标准, 31位平均年龄为24.3岁的健康成年人为受试者, 让受试者分别以5.0、6.5、8.0、10.0和12.0 km/h的速度在跑台上运动3 min, 检验运动智能手环Fitbit Flex、Fitbit Charge HR、Jawbone UP测量步数的效度。结果显示, 除了Fitbit Charge HR、Fitbit Flex和Jawbone UP、Fitbit Charge HR分别高估了10.0 km/h和12.0 km/h速度下的步数之外, Fitbit Flex、Fitbit Charge HR、Jawbone UP全部低估了其他速度运动的步数; 且随着运动速度的增加, 误差率逐渐降低, 范围分别为:1.5%~11.9%, 3.6%~10.1%, 0.1%~4.3%。Kooiman等[15]以Optogait为参照标准, 33位平均年龄为39.0岁的健康成年人为受试者, 让受试者在跑台上以4.8 km/h的速度步行30 min以检验运动智能手环Fitbit Flex、Jawbone UP和Nike Fuelband监测步数的效度。结果显示, Fitbit Flex、Jawbone UP与Optogait之间具有显著相关性, 而Nike Fuelband与Optogait之间无显著相关性。Fitbit Flex和Nike Fuelband显著低估了4.8 km/h速度下的步行步数(P < 0.05), 误差率分别为5.7%和18.0%, 而Jawbone UP测得步数值与参照值之间无显著性差异。
另外, Sushames等[16]以录像观察值为参照标准, 25位平均年龄为23.7岁的健康成年人为受试者, 检验运动智能手环Fitbit Flex监测受试者在跑台上自我选择运动速度在5.0~6.5 km/h和8.0~10.0 km/h的范围内的步行和跑步各6 min的步数效度。结果显示, Fitbit Flex测得步数值与观察值之间无显著相关性, 且Fitbit Flex显著低估了跑台步行的步数值(P < 0.05), 误差率为21.2%, 而测量跑台跑步的步数与观察值相比无显著性差异。Nelson等[8]以手动计数为参照标准, 30位平均年龄为48.9岁的健康成年人为受试者, 检验运动智能手环Fitbit Flex和Jawbone UP监测受试者步行(地面步行、地面快速走和跑台步行各5 min)和慢跑(地面慢跑和跑台慢跑各5 min)步数的效度, 与先前研究结果一致的是Fitbit Flex显著低估了步行时的步数(P < 0.05), 误差率为8%, 而慢跑步数与计数值之间无显著性差异。Jawbone UP测量的步行和跑步的步数与计数值之间均无显著性差异。Stackpool等[17]以手动计数为参照标准, 20位年龄为18~44岁健康成年人为受试者, 检验运动智能手环Nike Fuelband和Jawbone UP监测受试者在跑台以自我选择的速度分别进行20 min步行和跑步的步数效度。结果显示, Nike Fuelband所测得步数与手动计数值呈中度相关(r=0.55), 但显著低估了跑台步行计数值的6%(P < 0.05), 而测量跑台跑步的步数与计数值相比无显著性差异。Jawbone UP监测跑台步行和跑步的步数值与计数值相比均无显著性差异。Storm等[18]以OPAL感应器为参照标准, 16位平均年龄为28.9岁的健康成年人为受试者, 检验Jawbone UP、Nike Fuelband测量慢速、自己选择的速度以及快速步行下的步数有效性。结果显示, 无论在何种速度下, Jawbone UP所测得步数值都与参照值相比无显著性差异, 而Nike Fuelband低估了3种运动状态下步数参照值的12%~35%, 其中测量低速状态下的步数误差率最大, 快速步行状态下的步数误差率最小。
共有9篇文献对运动智能手环监测不同速度走、跑的步数进行了研究, 包括运动智能手环Garmin Vivofit、Fitbit Flex、Fitbit Charge HR、Jawbone UP、Nike Fuelband。这5款运动智能手环全部低估了低速步行的步数, 误差率范围为2%~52%, 其中Jawbone UP可以精确监测不同速度运动的步数, 而其余4款运动智能手环可以相对较好地监测中速到高速运动的步数。与本研究结果类似, 探讨加速度运动传感器效度的研究也发现, 运动速度越低, 持续时间越短, 监测步数的加速度运动传感器的精确度就越低[19-22]。这可能是因为运动智能手环与传统的加速度运动传感器一样, 都是以加速度计实现身体活动监测任务, 低速步行时下肢运动产生的加速位移较小, 其不足以使加速度计产生动作计数, 从而出现步数被低估的结果。
2.1.2 运动智能手环监测上、下楼运动的步数
运动智能手环测量水平面和倾斜面的身体活动步数时, 具有较大的差异。Huang等[11]以录像观察值为参照标准, 40位平均年龄为23.9岁的健康成年人为受试者, 检验运动智能手环Fitbit Flex、Garmin Vivofit、Nike Fuelband和Jawbone UP 24测量水平面、上楼和下楼时步数的效度。结果显示, Nike Fuelband显著低估了水平面、上楼和下楼时的步数, 误差率高达(16.7±16.5)%、(34.3±26.8)%和(26.8±18.7)%。其他几款手环在测量水平面步行步数时与观察值相比无显著性差异, Fitbit Flex、Jawbone UP虽然也显著低估了上楼和下楼时的步数, 但是误差相对较小, 其误差率分别为(7.9±7.4) %和(7.1±10.2)%、(7.7±22.2) %和(14.3±19.8)%。另外, Garmin Vivofit低估了上楼步数和高估了下楼步数, 误差率分别为(1.4±5.8)%和(1.5±12.3)%。Nelson等[8]以手动计数为参照标准, 30位平均年龄为48.9岁的健康成年人为受试者, 检验运动智能手环Fitbit Flex和Jawbone UP监测5 min上楼和下楼步数的效度。结果却显示, 这2款运动智能手环监测上下楼步数与计数值之间均无显著性差异。可见, 不同品牌的运动智能手环监测上楼和下楼运动的步数的精确度有很大差异, 可能的原因是在水平面上步行是下肢的前后移动, 上、下楼的动作既有下肢的前后移动又有上下运动, 而运动智能手环测量步数的计算模型可能是基于水平面的数据建立起来的, 因此无法精确地监测上、下楼的步数。
2.1.3 运动智能手环监测日常身体活动总步数
在实验室模拟自由环境下, Rosenberger等[23]以Omron计步器为参照标准, 40位年龄范围为21~76岁的健康成年人和老年人为受试者, 让其完成24 h日常生活身体活动内容, 检验运动智能手环Jawbone UP和Nike Fuelband监测健康成年人和老年人一天除睡眠之外的日常身体活动总的步数效度。结果显示, Jawbone UP和Nike Fuelband与Omron计步器相比都具有显著性差异(P < 0.05), Jawbone UP高估步数约18.5%, 而Nike Fuelband低估步数约29.0%。
在自由环境下, Ferguson等[24]以BodyMedia Sense Wear Model MF或Actigraph GT3X为参照标准, 21位平均年龄为32.8岁的健康成年人为受试者, 检验运动智能手环Nike Fuelband、Misfit Shine、Jawbone UP、Withings Pulse监测除睡眠之外的日常身体活动总步数的效度, 发现这4款运动智能手环所测得的步数与参照步数之间都具有较高的相关性(r=0.94~0.99)。所有的运动智能手环都明显低估了步数, 测量误差率从低到高依次为Jawbone UP 2.5%、Withings Pulse 6.0%、Misfit Shine 10.6%、Nike Fuelband 25.4%。Farina等[25]以Nl200i和Actigraph GT3X为参照标准, 25位平均年龄为72.5岁的健康老年人为受试者, 让受试者在自由环境下佩戴运动智能手环Fitbit Charge HR和Misfit Shine共7 d, 检验这2款运动智能手环监测除睡眠之外的日常身体活动总步数的效度, 发现Fitbit Charge HR、Misfit Shine所测的步数与参照步数之间都具有显著的相关性(r=0.83~0.91)。与Nl220i和Actigraph GT3X相比, Fitbit Charge HR显著高估了步数的20.1%和35.9%(P < 0.05), Misfit Shine低估了步数的10.8%和0.1%(P>0.05)。
Dominick等[26]和Reid等[27]以Actigraph GT3X为参照标准, 分别以19位年龄范围为19.0~37.0岁和22位平均年龄为21.2岁的健康成年人为受试者, 让受试者在自由环境下佩戴Actigraph GT3X和运动智能手环Fitbit Flex共7 d。2个研究都发现Fitbit Flex可精确地监测除睡眠之外的日常身体活动总步数。然而, Chu等[28]以Actigraph GT3X为参照标准, 104位平均年龄为31.0岁的健康成年人为受试者, 让受试者在自由环境下佩戴Actigraph GT3X和运动智能手环Fitbit Flex共7 d。结果显示, Fitbit Flex所测得步数与参照值之间虽呈显著性相关(r=0.89), 但Fitbit Flex显著高估了参照步数的15.5%(P < 0.05)。Sushames等[16]以Actigraph GT3X为参照标准, 25位平均年龄为23.7岁的健康成年人为受试者, 让受试者在自由环境下佩戴Actigraph GT3X和运动智能手环Fitbit Flex 1 d。结果显示, Fitbit Flex所测的步数与参照步数之间虽具有显著相关性(r=0.78), 但Fitbit Flex显著高估了步数, 误差率高达47.2%(P < 0.01)。
从这7篇文献看, 研究监测1 d除睡眠之外的日常身体活动总步数的运动智能手环有Fitbit Flex、Fitbit Charge HR、Nike Fuelband、Misfit Shine、Jawbone UP和Withing Pulse。Rosenberger和Ferguson的研究都发现, 运动智能手环Misfit Shine、Nike Fuelband和Withing Pulse全部低估了一天除睡眠之外的日常身体活动总步数, 与实验室研究结果一致。Farina的研究发现, Fitbit Charge HR高估了日常身体活动总步数, 且针对Jawbone UP、Fitbit Flex的研究也没有取得一致的结果, 可能的原因是这几项研究的参照标准或实验人群及样本量都不同, 无法评判哪项研究的结果更可信, 有待于更多的研究进一步验证。
2.1.4 运动智能手环监测特殊人群身体活动步数
在目前的文献研究中, 有5篇文献对运动智能手环监测特殊人群步行步数的效度进行了检验。在实验室控制条件下, Fulk等[29]以录像观察值为参照标准, 平均年龄为52.9岁的30位中风患者和20位脑创伤性损伤患者为受试者, 检验运动智能手环Nike FuelBand监测中风和创伤性脑外伤患者康复时期进行2 min步行测验时步数的精确性, 与健康人群的研究结果类似, Nike FuelBand明显低估了实际步数。Schaffer等[30]以录像观察值为参照标准, 24位平均年龄为54.0岁的中风患者为受试者, 将运动智能手环Garmin Vivofit分别佩戴在患者的健侧和非健侧, 让受试者以自我选择的速度在大约200 m和30 m的道路上进行6 min和50步行走测验, 检验Garmin Vivofit监测其步数的效度。结果显示, 佩戴在患者健侧和非健侧的Garmin Vivofit所测的步数与参照值相比均具有显著性差异(P < 0.05), 且佩戴在健侧的Garmin Vivofit低估了6 min和50步行走测验步数的40.7%和31.0%, 佩戴在非健侧的Garmin Vivofit低估了6 min和50步行走测验步数的33.4%和38.0%。Treacy等[31]以手动计数为参照标准, 166位平均年龄80岁的步行速度缓慢(步速 < 1.2 m/s)或具有可观测性步态异常但至少可独自行走10 m的老年人为受试者, 受试者佩戴运动智能手环Garmin Vivofit和Fitbit Charge HR完成6 min步行测验。结果显示, Fitbit Charge HR(r=0.40)和Garmin Vivofit(r=0.30)所测得步数与参照值之间无显著相关性, 且误差率高达44.1%和65.1%。
Voss等[32]以Actigraph GT3X为参照标准, 30位平均年龄13.0岁的患有先天性心脏病的儿童青少年为受试者, 让受试者在自由环境下连续佩戴Actigraph GT3X和Fitbit Charge HR共7 d, 检验Fitbit Charge HR测量其步数的效度。结果显示Fitbit Charge HR所测得步数与参照值之间具有较好的一致性(ICC=0.86), 但Fitbit Charge HR显著高估实际步数的28.0%。另外, Floegel等[33]以录像观察值为参照标准, 99位平均年龄为78.9岁的可独立行走和用辅助工具行走的老年人为受试者, 让受试者以自我选择的速度步行100 m, 检验运动智能手环Fitbit Flex和Jawbone UP监测步数的效度。结果显示, Fitbit Flex监测健康老年人、下肢损伤、使用拐杖行走和助步车行走老年人的步数与观察值之间一致性较差(ICC=-0.03~0.15), 且分别低估了步数观察值的27.7%、16.3%、35.9%和57.4%, 而Jawbone UP所测量的这4种身体状态下的老年人步数与观察值之间呈现较差到一般一致性(ICC=-0.04~0.55), 分别低估了步数观察值的10.9%、9.5%、46.0%和95.4%。
这5篇文献对运动智能手环Nike Fuelband、Garmin Vivofit、Fitbit Charge HR、Fitbit Flex和Jawbone UP监测特殊人群步数的效度进行了检验。发现除了Fitbit Charge HR高估步数之外, 其他运动智能手环Nike Fuelband、Garmin Vivofit、Fitbit Flex和Jawbone UP均低估了步数, 且Fitbit Flex、Garmin Vivofit和Jawbone UP误差率分别高达57.4%、65.1%和95.4%。因此, 应慎重利用运动智能手环监测特殊人群的步数。
从整体来看, 所有的运动智能手环都倾向于低估健康人群的身体活动步数, 运动智能手环Jawbone UP监测特殊人群步数的误差率较大, Nike Fuelband监测健康人群步数的误差率较大。值得注意的是, 如果运动智能手环低估步数, 使用者为达到运动目标会增加运动, 从而可能会间接增加身体活动量, 这也势必增加目标达成的难度, 早期容易产生挫折感而放弃努力。如果运动智能手环高估步数, 将会阻碍使用者运动目标的完成, 间接减少身体活动量, 达不到健身目的。考虑到此结果对大众健身的影响, 此后需要对更多受消费者欢迎的运动智能手环进行研究, 以提醒人们在实际生活中合理利用运动智能手环。
2.2 运动智能手环监测身体活动能量消耗的效度研究
能量消耗是反映身体活动的另外一个常用的重要指标。在运动智能手环监测能量消耗的研究中, 实验人群皆为健康成人, 且大多以气体代谢分析仪为参照标准。
2.2.1 实验室环境下运动智能手环监测身体活动能量消耗
研究发现, 运动智能手环预测不同速度运动能量消耗的精确度有所不同。Diaz等[13]以气体代谢分析仪Ultima CPX为参照标准, 23位年龄为20~54岁的健康成年人为受试者, 让受试者在跑台上分别以3.2、4.8、6.4和8.3 km/h的速度运动6 min, 研究运动智能手环Fitbit Flex测量不同运动速度下能量消耗的效度。结果发现, 能量消耗预测值与参照值之间呈较强相关性(r =0.88);平均测量差异在0.84~10.89 kJ(-0.2~2.6 kcal), 其中Fitbit Flex在中速和快速步行时能量消耗预测值与参照值之间差异最大, 分别高估了参照值的52.4%和33.3%。Stackpool等[17]以便携式气体代谢分析仪Oxycon Mobile为参照标准, 20位18~44岁健康成年人为研究对象, 研究运动智能手环Nike Fuelband和Jawbone UP监测受试者在跑台以自我选择的速度分别进行20 min步行和跑步的能量消耗效度。结果显示, Nike Fuelband和Jawbone UP与参照标准之间呈中度相关, 相关系数分别为0.72和0.63, 但显著高估了受试者跑台跑步时能量消耗的15%和20%。
Price等[34]以能量代谢测量系统Parvo Medics True One 2400为参照标准, 14位平均年龄为23.0岁的健康成年人为受试者, 让受试者分别以2.5、4.5和6.5 km/h的速度在跑台上步行4 min和分别为8.0、10.0和12.0 km/h的速度在跑台跑步4 min, 检验运动智能手环Garmin Vivofit测量不同速度步行和跑步的能量消耗的效度。结果显示, Garmin Vivofit监测不同速度运动的能量消耗值与参照值之间都无显著相关性。Garmin Vivofit显著低估了跑台步行能量消耗值的10.0%~30.0%(P < 0.01), 而所测得跑台跑步的能量消耗值与参照值之间无显著性差异。Dooley等[35]以能量代谢测量系统Parvo Medics True One 2400为参照标准, 62位平均年龄为22.6岁的健康成年人为受试者, 让受试者完成静坐10 min, 再分别以4.0、5.6和8.8 km/h的速度在跑台上运动10 min, 然后静坐10 min的实验活动方案, 检验运动智能手环Fitbit Charge HR监测其能量消耗的效度。结果显示, Fitbit Charge HR与参照值之间呈中度相关(r=0.42~0.66), 且显著高估了运动前静坐活动、4.0 km/h、5.6 km/h运动的能量消耗的16.9%、85.0%和45.8%(P < 0.05), Fitbit Charge HR监测8.8 km/h运动和恢复期静坐活动能量消耗值与参照值之间无显著性差异。
Bai等[36]以气体代谢分析仪Oxycon Mobile为参照标准, 52位年龄为18~65岁的健康成年人为受试者, 让其分别进行20 min的静坐活动、25 min的有氧运动和25 min的抗阻运动, 研究4款运动智能手环(Fitbit Flex、Jawbone UP 24、Misfit Shine、Nike Fueband)监测3种不同类型身体活动能量消耗的效度。发现4款运动智能手环与参照标准Oxycon Mobile之间具有高度相关性(r=0.71~0.90)。Nike Fuelband低估了3种身体活动的能量消耗, 误差率分别为静坐20.0%, 有氧运动18.5%, 抗阻运动约35.0%。Fitbit Flex、Misfit shine和Jawbone UP 24低估了抗阻运动和静坐活动能量消耗, 误差分别为:31.6%和29.0%, 37.0%和18.2%, 52.0%和29.0%;而高估有氧运动能量消耗, 误差分别为34.0%, 30.0%和60.0%。
Nelson等[8]以气体代谢分析仪Cosmed K4b2为参照标准, 30位平均年龄为48.9岁的健康成年人为受试者, 让受试者进行11种各5 min的身体活动(3种静坐活动、4种家务劳动和4种自主有氧运动), 检验运动智能手环Fitbit Flex和Jawbone UP监测3种不同类型身体活动能量消耗的效度。结果显示, Fitbit Flex监测静坐活动和家务劳动能量消耗值与Cosmed K4b2测量值相比无显著性差异, 却显著高估了自主有氧运动能量消耗的24%(P < 0.05)。Jawbone UP显著低估了静坐活动和家务劳动能量消耗的17%和35%(P < 0.05), 显著高估了自主有氧运动能量消耗的16%。Imboden等[37]以气体代谢分析仪Cosmed K4b2为参照标准, 30位平均年龄为49.2岁的健康成年人为受试者, 让受试者在80 min内分别进行2~15 min的至少12种身体活动(≥4种静坐活动、≥4种家务劳动、≥4种有氧运动), 其中静坐活动总时间不少于40 min, 检验运动智能手环Fitbit Flex和Jawbone UP监测总的活动能量消耗的效度。发现Fitbit Flex(r=0.78)和Jawbone UP(r=0.69)与参照设备之间具有显著相关性, 但Fitbit Flex和Jawbone UP显著低估了总的活动能量消耗(P < 0.05), 误差率分别为13.3%和28.6%。
根据现有研究成果, 4款运动智能手环(Fitbit Flex、Jawbone UP、Nike Fuelband、Fitbit Charge HR)明显高估了走、跑等有氧运动的能量消耗, 而Garmin Vivofit低估了跑台走、跑能量消耗。除了Misfit Shine和Fitbit Charge HR的误差率高达60.0%和85.0%, 其余运动智能手环测量有氧运动能量消耗的误差率范围为20.0%~35.0%。4款运动智能手环(Fitbit Flex、Jawbone UP、Misift Shine、Nike Fuelband)明显低估静坐活动和抗阻运动能量消耗, 与监测静坐活动的误差率(18%~30%)相比, 监测抗阻运动的误差率更高(31.6%~52.6%)。可能的原因是运动智能手环计算能量消耗的模型是基于有氧运动的数据建立的, 不适合抗阻运动模式。
2.2.2 自由环境下运动智能手环监测24 h日常生活的总能量消耗
Ferguson等[24]以BodyMedia Sense Wear Model MF为参照标准, 21位平均年龄为32.8岁的健康成年人为受试者, 让受试者佩戴运动智能手环Misfit Shine、Jawbone UP、Withings Pulse监测自由环境下48 h身体活动, 以预测完整24 h日常生活的总能量消耗, 检验这3款运动智能手环的效度。发现这3款运动智能手环测量值与参照值呈中高度相关, 相关系数r=0.74~0.79。这3款运动智能手环全部低估了24 h日常生活的总能量消耗, 其中Jawbone UP的误差率高达29.8%, 其他2款运动智能手环Misfit Shine和Withings Pulse的误差率略低, 但也分别达到了15.9%和17.7%。Murakami等[38]利用能量代谢舱间接测热法和DLW为参照标准, 19位年龄为21~50岁的健康成年人为受试者, 在能量代谢舱完成24 h模拟日常自由环境及15 d自由环境的日常活动能量消耗监测, 检验运动智能手环Withings Pulse O2、Jawbone UP、Garmin Vivofit、Fitbit Flex和Misfit Shine监测24 h日常生活的总能量消耗效度。能量代谢舱模拟日常自由环境的研究结果显示, Withings Pulse O2、Jawbone UP和Garmin Vivofit显著地低估了24 h日常生活的总能量消耗13%左右, 而Fitbit Flex和Misfit Shine与能量代谢舱相比虽有高估趋势, 但统计学上不具有显著性差异。15 d自由环境的日常活动能量消耗监测结果发现, 所有5款运动智能手环都显著地低估了24 h日常生活的总能量消耗, 其中Withings Pulse O2、Jawbone UP和Garmin Vivofit的误差率较高, 都超过了20%, 而Fitbit Flex和Misfit Shine的误差率相对较低, 低于10%。
Brooke等[39]以Sensewear Armband Mini为参照标准, 95位平均年龄为28.5岁的健康成年人为受试者, 让受试者在自由环境下佩戴Sensewear Armband Mini和6款运动智能手环(Jawbone UP、Garmin Vivofit、Fitbit Flex、Misfit Shine、Nike Fuelband和Fitbit Charge HR)2 d, 检验这6款运动智能手环监测24 h日常生活的总能量消耗的效度。结果显示, 这6款运动智能手环与参照设备之间具有显著相关性(r=0.66~0.90, P < 0.01), 但全部倾向于高估24 h日常生活的总能量消耗。Fitbit Flex、Nike Fuelband和Fitbit Charge HR所测得24 h的总能量消耗值与参照值相比无显著性差异, Misifit Shine、Jawbone UP和Garmin Vivofit分别显著高估24 h日常生活的总能量消耗的15.2%、22.8%和24.5%。
从现有研究可知, 不同品牌运动智能手环监测24 h日常生活的总能量消耗的效度差异较大, 且研究高估或低估趋势结果不一致。但一致的研究结果是Jawbone UP和Garmin Vivofit监测24 h日常生活的总能量消耗的误差率相对更高。这可能与日常身体活动内容本身有关, 因为日常生活身体活动是由很多项不同的活动内容组成, 每项活动内容的动作不统一、活动强度不定, 增加了能量消耗数据监测的难度。
与运动智能手环监测步数结果类似, 运动智能手环低估了24 h日常生活的总能量消耗, 可能会间接促进大众健身身体活动量的增加, 但也表明运动智能手环暂时无法合理地应用于科研领域监测能量消耗。同时, 运动智能手环会高估走或跑等有氧运动时的能量消耗, 这将阻碍人们实际身体活动目标的实现, 给健康带来危害。
2.3 运动智能手环监测身体活动距离的效度研究
步行距离也被广泛用于身体功能健康的评估, 例如, 6 min的步行距离测验可作为一项评价心肺耐力的健康指标[40]。6 min步行距离可以用来评估一些慢性疾病医疗效果, 例如慢性通气受阻[41]、外围动脉胆固醇降低[42]和胃旁路手术[43]等。部分学者研究运动智能手环监测其他指标效度的同时检测了监测距离的效度, 且相关研究都是在实验室条件下进行的, 受试者为健康成年人, 研究运动智能手环监测不同速度运动和上、下楼距离的效度。
Huang等[11]以固定的距离值为参照标准, 40位平均年龄为23.9岁的健康成年人为受试者, 让其分别以3.2、4.8和6.4 km/h的速度在跑台上步行3 min, 检验运动智能手环Fitbit Flex、Garmin vivofit和Jawbone UP监测不同速度运动距离的效度。结果显示, 运动智能手环Fitbit Flex、Garmin vivofit和Jawbone UP全部高估了3.2 km/h步行的距离, 其误差率分别为(26.8±36.6)%、(46.0±43.6)%和(51.7±93.9)%。Fitbit Flex低估了4.8 km/h和6.4 km/h步行的距离, 误差率分别为(2.6±18.7)%和(19.6±21.8)%, Jawbone UP、Garmin Vivofit高估了4.8 km/h和6.4 km/h步行距离, 误差率分别为(9.5±34.7)%和(9.6±44.8)%、(14.6±35.7)%和(38.8±40.1)%。此外, Huang等[11]也检验了运动智能手环Jawbone UP、Fitbit Flex、Garmin Vivofit测量水平面和上、下楼距离的效度。结果显示, Garmin Vivofit和Jawbone UP高估了水平面上的步行距离, 误差率分别为(5.1±11.4)%和(5.2±9.8)%, Fitbit Flex低估了水平面上的步行距离值, 误差率为(12.8±15.4)%。研究也发现, 所有的运动智能手环都高估了上、下楼的距离值, 与真实值相比具有显著性差异(P < 0.01), 且误差率都在45%以上。
总之, 运动智能手环Fitbit Flex、Garmin Vivofit和Jawbone UP全部高估了3.2 km/h速度运动和上、下楼的距离, 且误差率较大分别为26.8%~51.7%和≥45%。Fitbit Flex低估速度为4.8 km/h和6.4 km/h运动的距离, Garmin Vivofit和Jawbone UP高估速度为4.8 km/h和6.4 km/h运动的距离, 虽无监测较低速度运动时距离的误差率大, 但随着运动速度的增加, 误差率逐渐变大。由此可见, 运动智能手环无法精确地监测距离指标的数据, 这可能是由运动智能手环有关距离的计算公式忽略了实际生活中步幅长度的变化而造成的。
笔者只检索到1篇研究运动智能手环监测距离的效度的文献, 这可能是由于在实际生活中, 通过手机中的GPS功能以及跑台的记录距离功能可获得距离信息, 从而将距离记录不作为运动智能手环的主要功能, 因此很少有研究检验运动智能手环监测距离的效度。笔者建议消费者不能简单地依据运动智能手环监测身体活动距离的数据判断身体活动量, 并且科研人员应谨慎将运动智能手环监测距离这一功能应用在科研工作中。
2.4 运动智能手环定量不同强度身体活动时间的效度研究
现有的对运动智能手环定量不同强度身体活动时间的效度研究大多都是在自由环境下, 受试者为健康成年人, 检验运动智能手环定量日常生活身体活动中不同强度身体活动时间的效度。
Rosenberger等[23]以Actigraph GT3X为参照标准, 40位年龄为21~76岁的健康成年人和老年人为受试者, 在实验室内模拟自由环境让其进行24 h日常活动, 检验运动智能手环Jawbone UP和Nike Fuelband定量不同强度身体活动时间的效度。研究发现, 运动智能手环Jawbone UP和Nike Fuelband定量中高强度身体活动时间误差率分别高达52.0%和92.0%。Ferguson等[24]以Actigraphy GT3X为参照标准, 21位平均年龄为32.8岁的健康成年人为受试者, 检验运动智能手环Misfit Shine、Jawbone UP、Withings Pulse在自由环境下定量不同强度身体活动时间的效度。结果显示, 虽然运动智能手环定量中高强度身体活动时间预测值与参照值呈中高度相关(r=0.75~0.85), 但预测值与参照值之间具有较大的显著性差异, 误差率范围为25.0%~50.0%。其中Jawbone UP和Withings Pulse显著高估了中高强度身体活动时间, 而Misfit Shine显著低估了中高强度身体活动时间。
Reid等[27]以Actigraph GT3X为参照标准, 22位平均年龄为21.2岁的健康成年人为受试者, 检验运动智能手环Fitbit Flex定量在自由环境下进行日常身体活动时不同强度身体活动时间的效度。结果显示, Fitbit Flex显著高估了中高强度身体活动时间(P < 0.001), 误差率高达89.0%。另外, Sushames等[16]以Actigraph GT3X为参照标准, 25位平均年龄为23.7岁的健康成年人为受试者, 检验运动智能手环Fitbit Flex定量自由环境下1 d的不同强度身体活动时间的效度。与其他研究结果不同, 此研究发现, Fitbit Flex显著低估了中高强度身体活动时间(P < 0.01), 误差率达60.4%。
实验室条件下, Imboden等[37]以Cosmed K4b2为参照标准, 30位平均年龄为49.2岁的健康成年人为受试者, 让受试者完成80 min由静坐活动、家务劳动和自主有氧运动组成的身体活动方案, 检验运动智能手环Fitbit Flex和Jawbone UP定量不同强度活动时间的效度。研究发现, Fitbit Flex与参照设备之间无显著相关性(r=0.18), 而Jawbone UP与参照设备之间有显著相关性(r=0.54)。Jawbone UP和Fitbit Flex所定量的中高强度身体活动时间与参照值相比具有显著性差异(P < 0.05), 分别显著低估了参照值的35.0%和65.0%。
现有研究结果显示, 5款运动智能手环Jawbone UP、Nike Fuelband、Misfit Shine、Withings Pulse、Fitbit Flex测量日常生活中高强度身体活动时出现了较大的误差, 误差率范围为25.0%~92.0%。可能原因是运动智能手环和参照设备对中高强度身体活动的采样标准和界定标准不同。尽管中高强度身体活动能量代谢大于3METs, 但不同监测设备界定不同强度身体活动参数不同。并且不同于Actigraph GT3X, 针对不同人群定量不同身体活动的加速度切点值, 很多商业公司并未给出运动智能手环界定不同强度身体活动的参数, 这就会对研究者在处理运动智能手环数据、提高监测精度方面造成困难。因此, 界定不明确和具体参数不公开有可能是运动智能手环无法精确定量不同强度身体活动时间的重要因素, 同时是制约运动智能手环应用扩展的重要因素。
2.5 运动智能手环监测特殊运动训练模式的效度研究
运动智能手环监测特殊运动训练模式的效度研究并不常见, 笔者只检索到1篇实验室条件下的文献。
Stackpool等[17]以手动计数和便携式呼吸代谢分析仪为参照标准, 安排20位年龄为18~44岁的健康成年人以自我选择运动强度进行20 min的椭圆机训练, 休息10 min, 再进行20 min的由7个动作组成的灵敏性训练。评估运动智能手环Jawbone UP和Nike Fuelband监测椭圆机训练和灵敏性训练的步数和能量消耗的精确性。步数效度的研究结果显示, 对于监测椭圆机训练步数而言, 运动智能手环Jawbone UP和Nike Fuelband与手动计数呈高度相关(r=0.97~0.99), 且2款运动智能手环测量值与计数值相比都无显著性差异。相反, 2款运动智能手环监测灵敏性训练步数与手动计数之间无显著相关性(r=0.17和r=0.34)。虽然Jawbone UP测量值与计数值之间无显著性差异, 但Nike Fuelband显著低估了灵敏性训练的步数(P < 0.05), 误差率为34%。能量消耗效度的研究结果显示, 对于监测椭圆机训练能量消耗而言, 运动智能手环Jawbone UP与便携式呼吸分析仪之间相关系数较低(r=0.40), Nike Fuelband与便携式呼吸分析仪之间无相关性(r=0.008)。运动智能手环Nike Fuelband显著地低估了其能量消耗, 误差率为27.0%, Jawbone UP能量消耗预测值与参照值相比无显著性差异。对于监测灵敏性训练能量消耗而言, Nike Fuelband和Jawbone UP与便携式呼吸仪之间呈一般到中度相关(r=0.47~0.67), Nike Fuelband和Jawbone UP显著低估了灵敏性训练能量消耗, 误差率分别为14%和30%。
总之, 运动智能手环Jawbone UP可精确地监测椭圆机训练步数和能量消耗, 而无法精确地监测灵敏性训练步数和能量消耗; Nike Fuelband仅能精确监测椭圆机训练步数指标, 显著低估了椭圆机训练的能量消耗及灵敏性训练的步数和能量消耗。由此可见, 运动智能手环无法精确地监测灵敏性训练的步数和能量消耗。这可能是由于灵敏性训练是速度、柔韧和力量的综合性训练, 它们之间的相互转换较快, 运动智能手环内部三轴加速度计所设置的动作参数无法准确捕捉快速变化的加速度, 从而造成测量误差。
3. 结论与展望
3.1 结论
(1) 运动智能手环可较好地监测中高速下运动和椭圆机训练的步数, 但无法精确地监测低速下步行、上下楼和1 d除睡眠之外的日常身体活动的步数, 且低估灵敏性训练时的步数。
(2) 大部分运动智能手环倾向于低估静坐、家务劳动及抗阻训练的能量消耗, 且监测抗阻训练能量消耗与监测静坐、家务劳动能量消耗相比具有更高的误差率。监测短期不同速度有氧运动的能量消耗及24 h日常生活的总能量消耗时的误差趋势(高估与低估)并不一致, 监测24 h日常生活的总能量消耗误差率小于监测有氧运动能量消耗的误差率。
(3) 无论是监测不同速度运动下的距离还是上、下楼的距离, 以及定量不同强度身体活动时间, 运动智能手环都有较大的误差。
从整体情况看, 运动智能手环监测不同身体活动指标的效度较差, 特别是在监测运动距离及抗阻训练能量消耗等身体活动指标时效度更差, 而在监测中、高速度走/跑或椭圆机运动步数时效度相对较高。因此, 在实际应用中, 应根据自身需求合理利用运动智能手环监测身体活动, 谨慎解读监测结果。同时, 这也说明未来运动智能手环的研发还有较大的提升空间。
3.2 展望
(1) 考虑到研究运动智能手环监测步数的效度受到了很多因素的影响, 例如参照标准、运动速度、水平面和倾斜面、实验室或自由环境等。这就需要在未来的研究中进一步深化, 并基于具体分类的运动数据建立相对应的步数计算模型, 提高运动智能手环监测步数的精确性。
(2) 未来的研究需要对监测老年人、儿童青少年和其他特殊群体能量消耗的效度进行探究, 需要增加多种品牌运动智能手环的检验, 并且需要探索运动智能手环监测能量消耗的误差及其原因, 基于日常身体活动数据研发建立运动智能手环能量消耗预测公式, 提高其监测能量消耗的精确性。
(3) 进一步增加运动智能手环监测自由环境下的多个身体活动指标效度的研究, 提升运动智能手环效度研究的全面性。
除此之外, Diaz等[13]和Mammen等[44]将夹扣式穿戴设备Fitbit One和运动智能手环Fitbit Flex分别佩戴在受试者腰部和腕部进行研究, 发现佩戴于腰部的Fitbit One精确性高于Fitbit Flex, 可能的原因是腕部的计算模型是基于佩戴于腰部采集的数据建立起来的。为了提高佩戴依从性, 美国国家营养健康与调查组织已经将传统佩戴于腰部的加速度计改为腕部佩戴, 目前很多学者正在研究腕部佩戴加速度计的计算模型和切点值[45]。同样, 在未来的运动智能手环研发中, 需要开发出更加科学合理的身体活动相关指标评估模型以及复合型运动智能手环等可穿戴式身体活动监测设备, 进一步提高大众健身的科学性。另外, 伴随着新款运动智能手环的产生、软件的升级及其他的变化, 都需要连续不断地更新设备评估。随着运动智能手环测量能力的提升, 研究领域也应紧跟其上, 使其更方便地应用于科研和实际生活中。
-
表 1 运动智能手环的基本特征及功能
Table 1 The characteristic and function of wrist-wearable activity monitors
类别 Fitbit Jawbone UP Withings Pulse Garmin Vivofit Misfit Shine Nike Fuelband 产地 美国 美国 法国 美国 美国 美国 价格/元 498~1 298 698~1 180 998 599~1 399 500~599 1 080 传感器类型 三轴加速度计 三轴加速度计 三轴加速度计 三轴加速度计 三轴加速度计 三轴加速度计 步数 √ √ √ √ √ √ 距离 √ √ √ √ √ √ 基础能量消耗 Δ √ Δ √ Δ Δ 运动能量消耗 Δ √ Δ √ Δ Δ 深睡眠时间 □ √ √ √ √ □ 浅睡眠时间 □ √ √ √ √ □ 活动时间 √ √ □ □ √ √ 佩戴部位 腰部、腕部等 腕部 腕部、腰部等 腕部 腕部、脚部等 腕部 设置参数 H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB H, W, Sex, DOB 应用软件 Fitbit UP Withings Connect Misfitipad软件 Nikeconnect 分析 Fitbit系统软件 UP系统软件 Withings系统软件 Connect系统软件 Misfit系统软件 Nike connect系统软件 注:√表示存在这一参数功能; □表示不存在这一参数功能; Δ表示只能监测总的能量消耗, 而无法区分基础能量消耗和运动能量消耗; H表示身高; W表示体质量; Sex表示性别; DOB表示出生年月日 
下载: 导出CSV
-
[1] CASPERSEN C J, POWELL K E, CHRISTENSON G M Physical activity, exercise, and physical fitness:Definitions and distinctions for health-related research[J].Public Health Rep, 1985, 100(2):126-131 http://d.old.wanfangdata.com.cn/OAPaper/oai_pubmedcentral.nih.gov_1424733
[2] STEPHENSON J, CONSULTANT, ECONOMIST H, et al.The cost of illness attributable to physical inactivity in Australia[J].Health and Aged Care, 2000:31-36 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=10.1177/1545968308323779
[3] MORROW J R, JACKSON A W, BAZZARRE T L, et al.A one-year follow-up to physical activity and health.A report of the Surgeon General[J].Am J Prev Med, 1999, 17(1):24-30 doi: 10.1016/S0749-3797(99)00030-6
[4] 乔玉成, 王卫军.全球人口体力活动不足的概况及特征[J].体育科学, 2015, 35(8):8-15 http://d.old.wanfangdata.com.cn/Periodical/tykx201508002 [5] SEALE J L, RUMPLER W V.Comparison of energy expenditure measurements by diet records, energy intake balance, doubly labeled water and room calorimetry[J].Eur J Clin Nutr, 1997, 51(12):856-863 doi: 10.1038/sj.ejcn.1600498
[6] 洪俊睿, 袁琼嘉, 王涛, 等.Actigraph传感器在青少年体力活动能量消耗测试中的应用[J].上海体育学院学报, 2013, 37(3):64-65 doi: 10.3969/j.issn.1000-5498.2013.03.012 [7] 王军利, 张冰, 贾丽雅, 等.Actigraph(GT3X)加速度计测量我国19~29岁人群身体活动能耗的效度研究[J].体育科学, 2012, 32(12):71-77 doi: 10.3969/j.issn.1000-677X.2012.12.010 [8] NELSON M B, KAMINSKY L A, DICKIN D C, et al.Validity of consumer-based physical activity monitors for specific activity types[J].Med Sci Sports Exerc, 2016, 48(8):1619-1628 doi: 10.1249/MSS.0000000000000933
[9] 付强.计步器测量日步行量综述[J].科技信息, 2010(25):95-96 http://d.old.wanfangdata.com.cn/Periodical/kjxx201025400 [10] MAUGHAN R.Research methods in physical activity[J].British Journal of Sports Medicine, 1991, 25(2):111 http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_d980a0c6da718229ab0265e85efda068
[11] HUANG Y, XU J, YU B, et al.Validity of FitBit, Jawbone UP, Nike+ and other wearable devices for level and stair walking[J].Gait Posture, 2016, 48:36-41 doi: 10.1016/j.gaitpost.2016.04.025
[12] ALINIA P, CAIN C, FALLAHZADEH R, et al.How accurate is your activity tracker? A comparative study of step counts in low-intensity physical activities[J].JMIR Mhealth Uhealth, 2017, 5(8):e106 doi: 10.2196/mhealth.6321
[13] DIAZ K M, KRUPKA D J, CHANG M J, et al.Fitbit(R):An accurate and reliable device for wireless physical activity tracking[J].Int J Cardiol, 2015, 185:138-140 doi: 10.1016/j.ijcard.2015.03.038
[14] CHOW J J, THOM J M, WEWEGE M A, et al.Accuracy of step count measured by physical activity monitors:The effect of gait speed and anatomical placement site[J].Gait Posture, 2017, 57:199-203 http://cn.bing.com/academic/profile?id=f86e805b4350b3f171477193ab011a69&encoded=0&v=paper_preview&mkt=zh-cn
[15] KOOIMAN T J, DONTJE M L, SPRENGER S R, et al.Reliability and validity of ten consumer activity trackers[J].BMC Sports Sci Med Rehabil, 2015, 7:24 doi: 10.1186/s13102-015-0018-5
[16] SUSHAMES A, EDWARDS A, THOMPSON F, et al.Validity and reliability of Fitbit Flex for step count, moderate to vigorous physical activity and activity energy expenditure[J].Plos One, 2016, 11(9):e0161224 doi: 10.1371/journal.pone.0161224
[17] STACKPOOL CAITLIN M.Accuracy of various activity trackers in estimating steps taken and energy expenditure[J].Journal of Fitness Research, 2014, 3(3):32-48 https://minds.wisconsin.edu/handle/1793/66292
[18] STORM F A, HELLER B W, MAZZA C.Step detection and activity recognition accuracy of seven physical activity monitors[J].Plos One, 2015, 10(3):e0118723 doi: 10.1371/journal.pone.0118723
[19] DIJKSTRA B, ZIJLSTRA W, SCHERDER E, et al.Detection of walking periods and number of steps in older adults and patients with Parkinson's disease:Accuracy of a pedometer and an accelerometry-based method[J].Age Ageing, 2008, 37(4):436-441 doi: 10.1093/ageing/afn097
[20] LE M G C, TUDOR L C.Comparison of pedometer and accelerometer accuracy under controlled conditions[J].Med Sci Sports Exerc, 2003, 35(5):867-871 doi: 10.1249/01.MSS.0000064996.63632.10
[21] RYAN C G, GRANT P M, TIGBE W W, et al.The validity and reliability of a novel activity monitor as a measure of walking[J].Br J Sports Med, 2006, 40(9):779-784 doi: 10.1136/bjsm.2006.027276
[22] YANG C C, HSU Y L, SHIH K S, et al.Real-time gait cycle parameter recognition using a wearable accelerometry system[J].Sensors (Basel), 2011, 11(8):7314-7326 doi: 10.3390/s110807314
[23] ROSENBERGER M E, BUMAN M P, HASKELL W.L., et al.Twenty-four hours of sleep, sedentary behavior, and physical activity with nine wearable devices[J].Med Sci Sports Exerc, 2016, 48(3):457-465 doi: 10.1249/MSS.0000000000000778
[24] FERGUSON T, ROWLANDS A V, OLDS T, et al.The validity of consumer-level, activity monitors in healthy adults worn in free-living conditions:A cross-sectional study[J].Int J Behav Nutr Phys Act, 2015, 12:42 doi: 10.1186/s12966-015-0201-9
[25] FARINA N, LOWRY R G.The validity of consumer-level activity monitors in healthy older adults in free-living conditions[J].J Aging Phys Act, 2018, 26(1):128-135 doi: 10.1123/japa.2016-0344
[26] DOMINICK G M, WINFREE K N, POHLIG R T, et al.Physical activity assessment between consumer- and research-grade accelerometers:A comparative study in free-living conditions[J].JMIR Mhealth Uhealth, 2016, 4(3):e110 doi: 10.2196/mhealth.6281
[27] REID R E R, INSOGNA J A, CARVER T E, et al.Validity and reliability of Fitbit activity monitors compared to ActiGraph GT3X+ with female adults in a free-living environment[J].J Sci Med Sport, 2017, 20(6):578-582 doi: 10.1016/j.jsams.2016.10.015
[28] CHU A H, NG S H, PAKNEZHAD M, et al.Comparison of wrist-worn Fitbit Flex and waist-worn Acti Graph for measuring steps in free-living adults[J].Plos One, 2017, 12(2):e0172535 doi: 10.1371/journal.pone.0172535
[29] FULK G D, COMBS S A, DANKS K A, et al.Accuracy of 2 activity monitors in detecting steps in people with stroke and traumatic brain injury[J].Phys Ther, 2014, 94(2):222-229 doi: 10.2522/ptj.20120525
[30] SCHAFFER S D, HOLZAPFEL S D, FULK G, et al.Step count accuracy and reliability of two activity tracking devices in people after stroke[J].Physiother Theory Pract, 2017, 33(10):788-796 doi: 10.1080/09593985.2017.1354412
[31] TREACY D, HASSETT L, SCHURR K, et al.Validity of different activity monitors to count steps in an inpatient rehabilitation setting[J].Phys Ther, 2017, 97(5):581-588 doi: 10.1093/ptj/pzx010
[32] VOSS C, GARDNER R F, DEAN P H, et al.Validity of commercial activity trackers in children with congenital heart disease[J].Can J Cardiol, 2017, 33(6):799-805 doi: 10.1016/j.cjca.2016.11.024
[33] FLOEGEL T A, FLOREZ P A, HEKLER E B, et al.Validation of consumer-based hip and wrist activity monitors in older adults with varied ambulatory abilities[J].J Gerontol A Biol Sci Med Sci, 2017, 72(2):229-236 doi: 10.1093/gerona/glw098
[34] PRICE K, BIRD S R, LYTHGO N, et al.Validation of the Fitbit One, Garmin Vivofit and Jawbone UP activity tracker in estimation of energy expenditure during treadmill walking and running[J].J Med Eng Technol, 2017, 41(3):208-215 doi: 10.1080/03091902.2016.1253795
[35] DOOLEY E E, GOLASZEWSKI N M, BARTHOLOMEW J B.Estimating accuracy at exercise intensities:A comparative study of self-monitoring heart rate and physical activity wearable devices[J].JMIR Mhealth Uhealth, 2017, 5(3):e34 doi: 10.2196/mhealth.7043
[36] BAI Y, WELK G J, NAM Y H, et al.Comparison of consumer and research monitors under semistructured settings[J].Med Sci Sports Exerc, 2016, 48(1):151-158 doi: 10.1249/MSS.0000000000000727
[37] IMBODEN M T, NELSON M B, KAMINSKY L A, et al.Comparison of four Fitbit and Jawbone activity monitors with a research-grade ActiGraph accelerometer for estimating physical activity and energy expenditure[J].Br J Sports Med, 2018, 52(13):844-850 doi: 10.1136/bjsports-2016-096990
[38] MURAKAMI H, KAWAKAMI R, NAKAE S, et al.Accuracy of wearable devices for estimating total energy expenditure:Comparison with metabolic chamber and doubly labeled water method[J].JAMA Intern Med, 2016, 176(5):702-703 doi: 10.1001/jamainternmed.2016.0152
[39] BROOKE S M, AN H S, KANG S K, et al.Concurrent validity of wearable activity trackers under free-living conditions[J].J Strength Cond Res, 2017, 31(4):1097-1106 doi: 10.1519/JSC.0000000000001571
[40] TROOSTERS T, GOSSELINK R, DECRAMER M.Six minute walking distance in healthy elderly subjects[J].Eur Respir J, 1999, 14(2):270-274 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ029785336/
[41] JONES P W, BAVEYSTOCK C M, LITTLEJOHNS P.Relationships between general health measured with the sickness impact profile and respiratory symptoms, physiological measures, and mood in patients with chronic airflow limitation[J].Am Rev Respir Dis, 1989, 140(6):1538-1543 doi: 10.1164/ajrccm/140.6.1538
[42] MOHLER E R, HIATT W R, CREAGER M A.Cholesterol reduction with atorvastatin improves walking distance in patients with peripheral arterial disease[J].Circulation, 2003, 108(12):1481-6 doi: 10.1161/01.CIR.0000090686.57897.F5
[43] TOMPKINS J, BOSCH P R, CHENOWITH R.et al.Changes in functional walking distance and health-related quality of life after gastric bypass surgery[J].Phys Ther, 2008, 88(8):928-935 doi: 10.2522/ptj.20070296
[44] MAMMEN G, GARDINER S, SENTHINATHAN A, et al.Is this Bit Fit? Measuring the quality of the Fit-Bit step counter[J].The East Japan Journal of Clinical Orthopaedics, 2012, 5(4):30-39 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=10.1177/000944550003600301
[45] TROIANO R P, MCCLAIN J J, BRYCHTA R J, et al.Evolution of accelerometer methods for physical activity research[J].Br J Sports Med, 2014, 48(13):1019-1023 doi: 10.1136/bjsports-2014-093546
-
期刊类型引用(11)
1. 李震. 大型体育场馆免低开放政策绩效研究. 湖北科技学院学报. 2025(01): 1-9 . 
百度学术
2. 孙岩，熊永通. 高校体育场馆服务质量满意度模型构建与实证分析. 体育科技文献通报. 2024(12): 218-222+226 . 百度学术
3. 薛廷利. 体育场馆运营管理机制改革创新路径探究. 文体用品与科技. 2023(07): 98-100 . 百度学术
4. 王俊江. 我国大众冰雪运动场馆公共服务体系的建设与优化. 冰雪运动. 2023(01): 88-91 . 百度学术
5. 吴琳，王萍，王飞. 三维度框架下日本滑雪产业的战略模式分析与启示. 上海体育学院学报. 2022(09): 42-52 . 百度学术
6. 郭慧芳，张大超. 中国体育专项债券发行的时代背景、特征及高质量推进策略. 成都体育学院学报. 2022(06): 45-50 . 百度学术
7. 郑中华，徐成立，陈元欣. 产业链理论视域下我国乒乓球产业发展困境与消解路径研究. 体育科技文献通报. 2022(12): 200-205 . 百度学术
8. 彭思敏，曾晓东. 成都市天府新区体育公共服务供给现状及对策分析. 体育科技文献通报. 2021(06): 116-118 . 百度学术
9. 王金伟. 国内外大型体育场馆运营管理模式研究. 当代体育科技. 2021(27): 164-167 . 百度学术
10. 陈骏. 四川省公共体育服务体系建设与运行研究. 体育风尚. 2020(09): 208-209 . 百度学术
11. 杨桦，仇军，陈琦，孙晋海，方千华，韩春利，周良君，王雷，钟建伟. 新时代我国体育哲学社会科学研究现状与发展趋势——基于国家“十四五”体育学发展规划调研分析. 体育科学. 2020(08): 3-26 . 百度学术
其他类型引用(13)
计量
- 文章访问数: 357
- HTML全文浏览量: 330
- PDF下载量: 20
- 被引次数: 24