陈庆果，李 翔

《“健康中国2030”规划纲要》的实施和全民健身上升为国家战略把科学健身提到了新的高度，随着“互联网+”和大数据热潮的到来，运动类可穿戴设备呈井喷式的出现，各种品牌、各种型号的运动手环、运动手表和运动能耗监测仪层出不穷。但从体力活动测量的原理上看，这些仪器大部分都属于加速度计范畴，均是利用加速度传感器捕捉的客观原始加速度数据来监测运动状况。

在学界，加速度计能耗监测的研究由来已久，早在20世纪80年代初，Montoye等（1983）和Wong等（1981）就进行了一系列开创性的研究，把原始数据合成count值，再将其代入回归方程建立计算模型，成为能耗预测领域的经典算法。后来不断有学者通过丰富建模数据特征、完善count指标体系和利用硬件提升效益等手段不断优化回归模型。近年来，随着机器学习算法的兴起，为了充分挖掘原始数据蕴含的丰富信息提高预测的准确性，不断有学者将不同的机器学习算法引入到能耗预测中，Staudenmayer等（2009，2015）先后将神经网络模型应用到髋部加速度计 和腕部加速度计中，研究结果均表明，机器学习算法在非周期性活动的准确性上明显优于传统的以count值为基础的线性模型，Rothney等（2007）和Trost等（2012）针对髋部加速度计的研究也得出相似的结论。但在此领域的研究中，鲜见对不同部位之间两类算法差异的系统比较，缺少对算法效应的整体考量。

针对不同佩戴部位的现有研究也存在同样的不足，例如，在线性回归预测……