原始论文
摘要
背景:在过去的几年里，世界见证了智能手机使用的前所未有的增长。随着加速计和陀螺仪等传感器的出现，智能手机有可能增强我们对健康行为的理解，特别是对身体活动或缺乏身体活动的理解。然而，仅使用智能手机进行可靠有效的活动测量尚未实现。
摘要目的:研究iPod Touch(苹果公司)的有效性，特别是了解使用陀螺仪对身体活动类型进行分类的价值，目标是创建一个易于集成到个人日常生活中的测量和反馈系统。
方法:我们用iPod Touch为16名参与者收集了13项活动的加速度计和陀螺仪数据，iPod Touch基本上具有与iPhone相同的传感器和计算平台。这13项活动包括坐、走、慢跑和以不同的速度上楼下楼。我们提取了时间和频率特征，包括加速度和陀螺仪在每个轴上的均值和方差，加速度矢量幅值，加速度每个轴的快速傅里叶变换幅值。使用Waikato Environment for Knowledge Analysis (WEKA)工具包比较了不同的分类器，包括C4.5 (J48)决策树、多层感知、朴素贝叶斯、逻辑、k近邻(kNN)和元算法(如boosting和bagging)。采用10倍交叉验证方案。
结果:总的来说，kNN分类器达到了最好的准确率:上下楼梯行走的准确率为52.3%-79.4%，慢跑的准确率为91.7%，平地行走的准确率为90.1%-94.1%，坐着的准确率为100%。2秒滑动窗口大小和1秒重叠效果最好。事实证明，增加陀螺仪测量比完全依赖加速度计读数进行所有活动更有益(改进幅度从3.1%到13.4%不等)。
结论:通过iPod touch或iPhone上的加速度计和陀螺仪，可以高精度地识别出常见的体育活动和久坐行为(散步、慢跑和坐着)。这表明在智能手机上开发即时分类和反馈工具的潜力。
doi: 10.2196 / jmir.2208
关键字
介绍
人们普遍认为，缺乏体育活动和久坐不动会增加肥胖、2型糖尿病、心血管疾病、抑郁症和全因死亡率的健康风险[]。在美国，缺乏运动的现象普遍得令人担忧。一项基于2003-2004年全国健康和营养检查调查数据的研究表明，美国人平均花费醒着的时间的55%，即每天7.7小时[久坐不动。另一项基于相同数据的研究表明，不到5%的成年人达到了国家每天30分钟的体育锻炼指南[]。
测量身体活动和久坐行为是开发有效干预工具的一项基本而又重要的任务。自我报告的数据可能存在偏差和错误。随着加速度计技术的进步，客观方法越来越受到重视。研究人员已经探索了不同的配备加速度计的监测设备，例如定制的传感器板[，]、活动加速度计[，]， DynaPort []和飞马活动监测器[]，用于检测活动。虽然其中一些设备很小，但它们仍然是用户佩戴的额外负担。
最近，配备加速度计的智能手机变得无处不在。人们整天随身携带的智能手机是监测身体活动和久坐行为以及及时干预的理想平台。此外，它们具有强大的计算能力，并允许开发集成监测和干预的定制应用程序。研究人员在诺基亚N95手机上使用了加速度计[，]和安卓手机[来检测常见的活动，如散步、爬楼梯、慢跑和坐着。
类似于早期的研究[-，在这项研究中，目标是创建一个有效的活动分类工具，使用当今智能手机上的传感器。然而，本研究有以下三个特点。
设备
我们使用iPod Touch (Apple Inc.， Cupertino, CA, USA)进行研究。它拥有与iPhone基本相同的传感器和计算平台，但成本要低得多。我们将获得的结果与之前使用诺基亚N95和安卓手机的两项研究的结果进行了比较。
传感器
虽然过去的工作主要依赖于手机上的加速度计，但我们将加速度与新出现的陀螺仪传感器的方向读数结合起来。2010年6月，苹果公司推出iPhone 4，成为第一家将陀螺仪引入手机的公司。从那时起，越来越多的手机在机上安装了陀螺仪。然而，很少有研究人员探索使用陀螺仪来测量身体活动。这项研究证明了评估陀螺仪读数是否有利于分类活动的第一步。加速度计测量加速度，陀螺仪测量旋转。我们的假设是结合这两种互补的传感器可以提高活动识别的准确性。
活动强度
以往的研究[-将常见的体育活动分类，如走楼梯和在平地上行走，而不区分速度。然而，研究表明，这些活动的强度很重要:以正常速度行走被归类为轻度体力活动，强度<3代谢当量(工作代谢率/静息代谢率)，而快走被认为是中度体力活动，强度为3-6代谢当量[]。美国疾病控制和预防中心关于成人体育活动的指导方针是每周进行150分钟中等强度的有氧运动(如快走)。因此，我们区分了常见活动的速度，如走路和爬楼梯，以正常和快速的步伐。
方法
数据收集
招聘
资格标准为19-60岁，会说英语，没有妨碍进行中等强度体育活动的现有医疗条件，能够爬楼梯和下楼梯。我们从加州大学圣地亚哥分校抽取了一个方便的样本。男性是通过该大学的校园范围内的名单服务招募的。大约43名男性表示有兴趣参与，其中6人被招募。我们从加州电信和信息技术研究所无线与人口健康系统中心招募了5名女性，从美国加利福尼亚州圣地亚哥摩尔癌症中心的潜在研究参与者中招募了5名女性。所有参与者都签署了研究同意书，所有协议都由大学机构审查委员会批准。显示参与者的特征。
硬件平台
我们使用iPod Touch (Apple Inc.)作为数据收集的硬件平台。它的加速度计和陀螺仪传感器与iPhone基本相同。)，是市场上使用最广泛的智能手机之一。它们也运行相同的iOS操作系统。我们采用的第四代iPod Touch采用了意法半导体(STMicroelectronics, Geneva, Switzerland)的LIS331DLH加速度计和L3G4200D陀螺仪[]。iPod Touch高11.18厘米，宽5.89厘米，深0.71厘米，重100.9克。
| 特征 | n | ％ | |
| 年龄组别(岁) | |||
| 21 - 30 | 6 | 38% | |
| 31-40 | 3. | 19% | |
| 每周 | 1 | 6% | |
| 51-60 | 6 | 38% | |
| 性别 | |||
| 女 | 10 | 63% | |
| 男性 | 6 | 38% | |
| 体重指数范围(kg/m)2） | |||
| 18.5 - -24.9(正常) | 8 | 50% | |
| 25 - 29.9(超重) | 1 | 6% | |
| 30-34.9(中度肥胖) | 4 | 25% | |
| 35-40(严重肥胖) | 3. | 19% | |
软件设置
我们在iPod Touch上开发了一个简单的数据收集应用程序。它允许用户指定活动类型和设备位置(通常称为标记或注释步骤)，使用切换按钮开始和停止数据记录，并将收集到的数据传输给研究人员。我们使用了iOS 4.2应用程序编程接口的CMDeviceMotion类，封装了处理过的加速度和陀螺仪测量。更具体地说，我们使用CMDeviceMotion的userAcceleration属性来获得用户赋予设备的3轴加速度(重力)(即总加速度减去重力)，以及rotationRate属性来获得设备围绕3轴的旋转速率(以弧度每秒为单位)，并通过Apple专有的Core Motion算法消除陀螺仪偏差。加速度计和陀螺仪都配置为以30 Hz(33.33毫秒)的速率采样。
活动
我们总共研究了13种活动类型，其中4种是由研究人员在实验室环境下的跑步机上进行的，其余的是由参与者自行进行的，以模拟自由生活的条件。这些活动的细节描述在．如最后一栏所示，这13项活动进一步分为9类:慢走、正常走、快走、慢跑、坐着、正常上楼、正常下楼、快上楼、快下楼。例如，规定的实验室活动A2(每小时步行3.0英里)和自定节奏活动A11(400米正常步行)属于同一类，C2(正常步行)。也就是说，分类系统应该能够将这两种活动识别为正常行走。
| 活动名称 | 描述 | 类 | |
| 规定 | |||
| A1。步行1.5英里/小时 | 在跑步机上以每小时1.5英里的速度步行3分钟 | C1。缓慢的走 | |
| A2。3.0 MPH步行 | 在跑步机上以每小时3.0英里的速度步行3分钟 | C2。正常行走 | |
| A3。4.0 MPH步行 | 在跑步机上以每小时4.0英里的速度步行3分钟 | C3。快步走 | |
| A4。每小时5.5英里慢跑 | 在跑步机上以每小时5.5英里的速度慢跑3分钟 | C4。慢跑 | |
| 自学 | |||
| A5。坐着 | 坐在椅子上，一动不动 | C5。坐着 | |
| A6。正常的楼上 | 以正常的速度爬一段楼梯(19级台阶) | C6。正常的楼上 | |
| A7。正常的楼下 | 以正常的速度下一段楼梯(19级台阶) | C7。正常的楼下 | |
| A8。轻快的楼上 | 以轻快的步伐爬上一段楼梯(19级台阶) | C8。轻快的楼上 | |
| A9。快下楼 | 以轻快的步伐走下一段楼梯(19级台阶) | 制备过程。快下楼 | |
| A10。400米慢走 | 以慢速绕400米的跑道走一圈 | C1。缓慢的走 | |
| A11。400米正常步行 | 以正常速度在400米跑道上走一圈 | C2。正常行走 | |
| A12。400米快走 | 以轻快的速度绕着400米的跑道走一圈 | C3。快步走 | |
| 首次购物。400米慢跑 | 绕400米跑道慢跑一圈。 | C4。慢跑 | |
收集协议
由于跑步机和跑道的可用性有限，并非每个参与者都按照中指定的顺序完成活动．一些参与者遵循这个顺序，而另一些则先完成400米的跑道活动(A10-A13)，然后是楼梯任务(A6-A9)，最后是实验室活动(A1-A5)。参与者在慢跑时将iPod touch设备放在臂章中，在其他活动时将其放在短裤前口袋中。当放在口袋里时，设备的方向是屏幕背对机身，30针连接端口朝上。当设备放在臂带中时，屏幕远离机身，30针连接端口朝下。并不是所有的参与者都能完成所有的任务。例如，大约一半的参与者无法完成所有的剧烈慢跑活动。5.5英里每小时慢跑和A13。400米慢跑)。整个程序大约花了2个小时完成。 Each participant received US $50 as compensation.
数据预处理
收集到的感官数据(30hz)的时间序列存储在每个参与者的每个活动的逗号分隔值文件中。所有文件的开头和结尾都是在数据预处理阶段手工修剪的。这是因为在数据记录开始时，研究人员必须通过按下切换按钮来开始数据记录，然后将设备放在参与者的正确位置;在活动结束时，他们收集设备并停止数据记录。
特征提取
窗口大小
在某一时刻记录的包含三轴加速度和三轴旋转速率的数据向量称为a样本．为了减少噪声和捕捉运动的循环模式，特征不是在每个样本上计算，而是在样本的滑动窗口上计算。许多研究表明，使用1秒窗口大小的优势[，，，];其他人则使用更大的窗口大小，如2秒[]和10秒[来捕捉更多的循环模式。我们通过实验比较了1秒、2秒、5秒和10秒的窗口大小，发现2秒的窗口大小(在我们的例子中是60个样本)产生了最好的分类性能。详细的比较结果将在下一节中显示。最后，过去的研究表明，在连续的窗口之间使用50%的重叠是有益的[]。因此，我们在滑动窗口中使用了1秒的重叠。
特性
如前所述，我们使用加速度计和陀螺仪作为信号源。在文献中，不同的特征被用于基于加速的活动识别，如均值[，，，]，方差[，]，谱熵[，]，快速傅立叶变换系数[，，，]。为了选择特征，我们对这些不同的特征进行了广泛的比较实验。以下特征(4个基本特征的变体)产生了最好的分类结果:
- 的意思是对于每个加速轴，每个轴的旋转速率(来自陀螺仪)和加速度大小，计算为(一个2x+一个2y+一个2z)在滑动窗口
- 标准偏差对于每个加速轴，每个轴的旋转速率，以及滑动窗口中的加速度大小
- 总和在滑动窗口中的加速度大小
- 快速傅里叶变换幅度，或快速傅立叶变换功率谱的前五个系数的幅度(每个加速轴)。如Preece等[表明，在所有活动的时间、频率和小波特征中，这种快速傅里叶变换特征总体上是表现最好的特征。
结果
分类器比较
我们使用了Waikato Environment for Knowledge Analysis (WEKA)机器学习工具包[]来训练和比较C4.5 (J48)决策树、多层感知、朴素贝叶斯、逻辑和k近邻(kNN)分类器的性能。对于所有分类器，使用默认的WEKA设置(版本3-6-6)。我们对所有实验使用了10倍交叉验证。显示使用2秒窗口大小的比较结果。在这些基本分类器中，kNN通常产生最好的准确率结果。因此，我们进一步将元算法(包括boosting (AdaBoostM1)和bagging)应用到kNN分类器中，但没有观察到明显的好处，如下所示．
| 活动 | 然而,一个 | J48b | 中长期规划c | 物流 | 注d | 提高 | 装袋 |
| C1。缓慢的走 | 94.1% | 86.3% | 90.8% | 88.3% | 61.3% | 94.1% | 94.1% |
| C2。正常行走 | 92% | 80.9% | 84.6% | 74.2% | 55.7% | 92% | 92.2% |
| C3。快步走 | 90.1% | 82.2% | 85% | 68.7% | 64.9% | 89.9% | 90.1% |
| C4。慢跑 | 91.7% | 91.7% | 91.5% | 92.2% | 79% | 92.2% | 91.7% |
| C5。坐着 | 100％ | 99.6% | 100％ | 100％ | 98.5% | 100％ | 100％ |
| C6。正常的楼上 | 69.8% | 51% | 42.7% | 47.9% | 30.2% | 69.8% | 69.8% |
| C7。正常的楼下 | 79.4% | 64.9% | 54.6% | 46.4% | 32％ | 79.4% | 77.3% |
| C8。轻快的楼上 | 70.4% | 69％ | 33.8% | 19.7% | 22.5% | 70.4% | 69％ |
| 制备过程。快下楼 | 52.3% | 44.6% | 24.6% | 33.8% | 35.4% | 52.3% | 43.1% |
| 加权平均 | 90.2% | 83.0% | 83.4% | 77.2% | 63.2% | 90.2% | 89.9% |
一个再。
bC4.5决策树。
c多层感知。
d朴素贝叶斯。
总的来说，kNN分类器在不同步速下行走(90.1%-94.1%)、慢跑(91.7%)和坐着(100%)的准确率都很高。走楼梯被证明是最具挑战性的活动，识别准确率在52.3%到79.4%之间。
表示由kNN生成的混淆矩阵。在所有的误分类样本片段(n = 274)中，有相当一部分是由于难以区分不同速度的行走(n = 101)和在楼梯上行走与在平地上行走(n = 103)造成的。幸运的是，相对于在平地上行走(分类准确率为90.1%-94.1%)，走楼梯对大多数人来说只是日常活动的一小部分。快走和慢跑之间也存在混淆(n = 57个样本段被错误分类)。这可能是由于参与者在自定节奏的情况下使用不同的速度。关注从慢走到慢跑的范围是很有趣的。这些活动几乎从未与楼梯运动或坐着混淆。此外，预测的活动几乎总是要么正确，要么速度差一级;例如，慢走从来不会被误认为是慢跑。
| 活动 | 分类为… | ||||||||
| C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | 制备过程 | |
| C1 =慢走 | 572 | 30. | 5 | 0 | 0 | 0 | 0 | 0 | 0 |
| C2 =正常行走 | 29 | 602 | 13 | 0 | 0 | 4 | 5 | 0 | 1 |
| C3 =快走 | 7 | 17 | 475 | 25 | 0 | 0 | 1 | 0 | 2 |
| C4 =慢跑 | 0 | 1 | 32 | 389 | 0 | 0 | 0 | 2 | 0 |
| 坐着 | 0 | 0 | 0 | 0 | 266 | 0 | 0 | 0 | 0 |
| C6 =楼上正常 | 8 | 15 | 2 | 0 | 0 | 67 | 4 | 0 | 0 |
| C7 =正常楼下 | 6 | 7 | 3. | 0 | 0 | 4 | 77 | 0 | 0 |
| 快上楼 | 1 | 8 | 10 | 1 | 0 | 0 | 0 | 50 | 1 |
| 快下楼 | 0 | 16 | 14 | 0 | 0 | 1 | 0 | 0 | 34 |
窗口大小比较
如上所述，文献中使用了不同的窗口大小，包括1秒[，，]， 2秒[]， 10秒[]。我们实验比较了使用kNN分类器的1秒、2秒、5秒和10秒的窗口大小，总体准确率分别为87.7%、90.2%、88.5%和84.2%。在加权平均准确率方面，2秒窗口大小获得了最佳的总体分类性能。
陀螺仪效应
我们首次尝试评估陀螺仪在测量身体活动方面的效果。我们的假设是，加入陀螺仪数据可以提高整体的分类精度。的结果证实了这一点．将旋转速率(来自陀螺仪)和加速度特性(来自加速度计)与kNN一起使用，所有活动类别的精度都比仅使用加速度特性时更高，改进幅度从3.1%到13.4%不等。
陀螺仪的数据是有用的，因为几乎所有的活动都涉及到手机的某种方向改变。这使得它成为加速度计的一个强大的补充数据源，加速度计只能测量沿着指定方向的线性运动。
| 活动 | 加速度 | 加速度+ 旋转速度 |
区别 |
| C1。缓慢的走 | 89.6% | 94.1% | + 4.5% |
| C2。正常行走 | 85.8% | 92% | + 6.2% |
| C3。快步走 | 78% | 90.1% | + 12.1% |
| C4。慢跑 | 85.4% | 91.7% | + 6.3% |
| C5。坐着 | 100％ | 100％ | 0% |
| C6。正常的楼上 | 65.6% | 69.8% | + 4.2% |
| C7。正常的楼下 | 66% | 79.4% | + 13.4% |
| C8。轻快的楼上 | 64.8% | 70.4% | + 5.6% |
| 制备过程。快下楼 | 49.2% | 52.3% | + 3.1% |
| 加权平均 | 83.7% | 90.2% | + 6.5% |
与前期工作比较
显示了我们研究中获得的分类准确性与之前三个研究报告的分类准确性的比较。然而，研究之间的差异应该谨慎解释，因为它们可以归因于许多因素(如所列）.最重要的因素是每项研究使用了不同的数据集。
研究界缺乏共享数据集使得交叉研究比较困难，特别是在特征类型、滑动窗口大小和分类器方面。为了加速未来对智能手机活动评估的研究，我们正在与研究社区分享我们的匿名iPod touch数据集。数据集可透过iDash数据储存库[]。
| 活动 | Lu等人 ［] |
雷迪等人 ［] |
Kwapisz等人 ［] |
当前的研究 |
| 坐(仍然) | 97.7% | 95.6% | 95% | 100％ |
| 走 | 96.6% | 96.8% | 91.7% | 94.1%(慢)，92%(正常)，90.1%(快) |
| 跑步或慢跑 | 98% | 91.0% | 98.3% | 91.7% |
| 楼上 | ND一个 | ND | 61.5% | 69.8%(正常)，70.4%(活跃) |
| 在楼下 | ND | ND | 44.3% | 79.4%(正常)，52.3%(轻快) |
一个没有完成。
| 功能 | Lu等[] | Reddy等[] | Kwapisz等[] | 当前的研究 |
| 设备 | 诺基亚N95手机(iPhone未评估) | 诺基亚N95手机 | 安卓手机 | iPhone / iPod Touch |
| 信号来源 | 加速度计 | 加速度计 | 加速度计，全球定位系统 | 加速度计、陀螺仪 |
| 特性 | 均值、方差、均值交叉率、谱峰、子带能量(比)、谱熵 | 平均值、标准差、平均值、绝对差、幅度、峰间时间和分形分布 | 均值，方差，能量和密度泛函理论能量系数 | 均值，标准差，和，幅度，快速傅里叶变换幅度 |
| 窗口大小 | 4秒 | 1秒 | 10秒 | 2秒 |
| 分类器 | 支持向量机 | 决策树+离散隐马尔可夫模型 | 多层感知 | 再 |
| 活动 | 骑自行车、跑步、静止、坐车、走路 | 骑自行车、跑步、静止、坐车、走路 | 上楼，下楼，跑步，静止，行走 | 楼上(不同速度)、楼下(不同速度)、跑步、静止、行走(不同速度) |
讨论
主要结果
这项研究是我们努力开发综合工具来测量和干预身体活动和久坐行为的第一步。结合智能手机上传感器的加速度和陀螺仪测量的时间和频率特征，我们将常见的体育活动和久坐行为(不同速度的坐、走和慢跑)分类为高精度(90.1%-94.1%);上下楼梯的分类准确率为52.3% ~ 79.4%。包括陀螺仪的方位读数证明对识别所研究的所有活动是有益的。
限制
我们使用方便的参与者样本收集数据。由于运动模式因人而异，未来的研究将受益于使用多种人口统计学和生理变量来为参与者设计提供信息。此外，将设备放置在特定位置(慢跑时的臂章，其他活动时的短裤口袋)，收集数据。慢跑时仅带臂带，可能会影响该活动的信号模式，并可能有助于我们观察到的高分类准确性。需要进一步的研究来评估不同放置位置(例如，放在手上、裤子后口袋或背包)的分类准确性。在自由生活的环境下测试活动分类的准确性也很有必要，在这种环境下，人们会自然地从坐到站、从慢跑到步行等活动之间转换。用于分类的机器学习算法通常受益于不同的观察或对象，因为机器可以学习更多的个体运动模式。因此，将我们的分类方法(特征、窗口大小和分类器)应用于更大的数据集最有可能产生更高的准确性。
我们把重点放在了与移动运动和坐姿有关的一些范围狭窄的活动的分类上。包括骑自行车等其他活动对于更全面地了解人们参与的各种体育活动将非常重要。然而，对更大范围的活动进行分类可能会导致比本研究获得的准确性更低。
混淆矩阵中显示的假阳性的本质是，当活动被错误分类时，它通常是一个速度等级(例如，快走被错误地分类为正常行走或慢跑)。这表明，有可能通过校准单个用户的预测阈值来显著提高准确性。这是今后工作中需要探索的一个重要领域。
结论
这项研究是首批验证智能手机传感器(包括用于活动识别的加速度计和陀螺仪)的研究之一。结果表明，使用陀螺仪作为分类活动的额外数据源的明显好处。包括来自手机的其他信号数据源，如全球定位系统，可能会进一步改进系统，但仅限于专门识别户外活动，并且可能会减少智能手机的电池寿命。心率监测器等其他传感器也可能进一步改善对活动强度的识别(例如，快走与慢跑的比较)。然而，佩戴额外传感器的额外负担将限制我们的系统对公共卫生的影响。
这项研究为使用智能手机作为活动数据收集器的可能性和局限性提供了重要的指示。该系统具有潜在的高生态有效性，因为它只要求人们携带一种他们通常随身携带的设备。我们研究的下一步是在手机上测试一个板载分类器应用程序，该应用程序可以在需要注释时提示用户，以便高精度地学习和分类个人活动模式。最后一步是测试反馈组件，该组件可以提供个性化的提示和建议，以增加身体活动，减少久坐时间。
致谢
我们要感谢所有帮助收集数据的研究参与者。本项目由美国国立卫生研究院通过美国国立卫生研究院医学研究路线图，拨款U54HL10846支持。作者没有财务披露。
利益冲突
没有宣布。
参考文献
- 鲍曼AE。更新体力活动有益于健康的证据:2000-2003年流行病学审查。医学体育学报2004;7(1增刊):6-19。［Medline]
- Matthews CE, Chen KY, Freedson PS, Buchowski MS, Beech BM, Pate RR等。2003-2004年美国人花在久坐行为上的时间。中华流行病学杂志[J]; 2008;16 (7):875-881 [J]免费全文] [CrossRef] [Medline]
- Troiano RP, Berrigan D, Dodd KW, m
- 鲍磊，Intille s。基于用户标注加速度数据的活动识别。计算机科学2004;01:1-17。［CrossRef]
- 李建军，李建军，李建军，等。一种基于人工智能的人类活动建模方法。发表于:国际人工智能联合会议(IJCAI);2005年7月30日至8月5日;爱丁堡，英国http://ijcai.org/Past%20Proceedings/IJCAI-05/PDF/0888.pdf
- Albinali F, Intille S, Haskell W, Rosenberger M.基于穿戴式运动类型检测改进运动能量消耗估算。发表于:第12届ACM普适计算国际会议(UbiComp '10);2010年9月26日至29日;哥本哈根，丹麦，第311-320页。
- De Vries SI, Garre FG, Engbers LH, Hildebrandt VH, Van Buuren S.利用加速度计评估神经网络识别活动类型。医学体育学报，2011,43(1):101-107。［CrossRef] [Medline]
- 范海涛，范隆梅，王志强，等。基于三轴地震加速度计的运动能量消耗估算方法。肥胖症杂志，2009年6月;17(6):1287-1292 [j]免费全文] [CrossRef] [Medline]
- 李建军，李建军，李建军，等。一种基于加速度计数据的运动特征提取方法。生物医学工程学报，2009,31(3):871-879。［CrossRef] [Medline]
- 卢辉，杨军，刘志，Lane ND, Choudhury T, Campbell TA。用于手机应用的Jigsaw连续传感引擎。发表于:第八届ACM嵌入式网络传感器系统会议(SenSys '10);2010年11月3-5日;瑞士苏黎世，第71-84页。
- 刘建军，李建军，李建军，等。基于移动电话的交通出行模式研究。ACM transsens network, 2010;6(2)。
- Kwapisz JR, Weiss GM, Moore SA。使用手机加速度计进行活动识别。计算机工程学报，2010;12(2):74-82 [j]免费全文]
- Pate RR, Pratt M, Blair SN, Haskell WL, Macera CA, Bouchard C，等。体育活动与公共健康。这是美国疾病控制与预防中心和美国运动医学学院的建议。中华医学会杂志1995年2月1日;273(5):402-407。［Medline]
- Dixon-Warren SJ。Mems j . 2010。iPhone 4中的运动传感:MEMS加速度计http://www.memsjournal.com/2010/12/motion-sensing-in-the-iphone-4-mems-accelerometer.html[访问日期:2012-09-12][WebCite缓存]
- 黄志强，黄志强。基于特征分析的活动识别方法。发表于:智能对象和环境智能会议;2005年10月12日至14日;法国格勒诺布尔。
- 李建军，李建军。基于多传感器的可穿戴计算环境检测方法。计算机科学2003;28(5):220-232。［CrossRef]
- van Laerhoven K, Cakmakci o，我们该怎么教我们的裤子?2000年发表于:第四届可穿戴计算机国际研讨会(ISWC 2000);2000年10月18日至21日;亚特兰大，佐治亚州，美国。
- 李建军，李建军，李建军，等。使用无线加速计和心率监测器实时识别身体活动及其强度。2007年发表于:第11届IEEE可穿戴计算机国际研讨会;2007年9月28日至10月1日;波士顿,MA。美国。
- 刘国强，刘国强，刘国强，刘国强。WEKA数据挖掘软件:更新。计算机学报，2009;11(1):10-18 [j]免费全文]
- 加州大学圣地亚哥分校，2012年5月6日。iDash:整合数据进行分析、匿名化和共享http://idash.ucsd.edu/[浏览日期:2012-05-05][WebCite缓存]
缩写
| 资讯:再 |
| WEKA:怀卡托知识分析环境 |
G·艾森巴赫编辑;提交07.06.12;G . Dunton, E . Hekler, V . Gay的同行评审;对作者的评论26.06.12;修订版本收到11.07.12;接受12.07.12;发表05.10.12
版权©吴万民，Sanjoy Dasgupta, Ernesto E. Ramirez, Carlyn Peterson, Gregory J Norman。最初发表于医学互联网研究杂志(//www.mybigtv.com)， 2012年10月5日。
这是一篇在知识共享署名许可(http://creativecommons.org/licenses/by/2.0/)下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在《医学互联网研究杂志》上，并适当引用。必须包括完整的书目信息，到//www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。