·706. 智能系统学报 第12卷 隐私，用P,~P。代指各受试者的真实姓名。给每 4.2验证的问题以及度量标准 位受试者提供1条SUUNT0SS020566000心率带， 问题1RQ1。与HLF方法相比，本文MM4SA 配备android4.4的小米3智能手机1部并安装i酷 方法是否可以获取更为精确的速度数据？ 跑系统。选用h/p/cosmos5.0专业跑步机获取各受 每个受试者在健身跑过程中速度的平均绝对 试者健身跑过程中的精确速度数据，并将其视为实 误差I被作为度量指标定量地回答RQ1。I的定 际速度。在对受试者进行必要的使用培训后，进行 时长为30mim的实验。整个实验过程在福建师范 义如(7)式所示，方法对应的I越小说明越优。 大学旗山校区体育科学学院的体育运动实验中心 (7) 进行。图5给出了一名受试者在h/p/cosmos5.0跑 台上进行健身跑的情况。实验结束后，将云端存储 式中：N为观测周期数，对应于数据集中行数：V:表 的受试者的三轴加速度数据、方向数据、心率数据 示跑步机输出的受试者第i分钟的实际速度：而 与跑步机上存储的实际速度数据进行整合，形成10 表示根据数据集的第i行数据用HLF或MM4SA方 名受试者对应的10个数据集。每个数据集共有30 法计算获得的第i分钟的速度测量值。 行数据，每行数据对应于每分钟采集的三轴加速度 数据、方向数据、心率数据和实际速度数据。 问题2RQ2。与LM算法相比，本文GA算法 表1受试者情况表 构建的健身跑运动模型是否更加精确？ Table 1 Basic subject information 为了公平起见，每个数据集中的实际速度数据 受试者 性别 年龄/岁身高/cm 体重/kg (跑步机输出)和心率数据被用于构建受试者的健 P 女 23 160 50 身跑运动模型。而HLF和MM4SA方法输出的速度 P 女 23 167 57 数据不被考虑使用，以避免因速度偏差而引起的模 P 女 23 160 50 型精度问题。 P 女 23 155 51 子 古 23 155 45 根据受试者P的数据集，分别在云服务器上运 g 男 24 177 60 行GA和LM算法可确定式(1)中参数a1~a的值， 子 男 24 175 65 进而建立P的健身跑运动模型。当已知P的第i分 男 24 168 钟速度值，可用该模型估算对应的心率值。每个受 男 23 170 62 试者在健身跑过程中心率的平均绝对误差I被作 男 3 176 60 为度量指标以定量地回答RQ2。I的定义如式(8) 所示，算法对应的I越小说明越优。 ,|a-H (8) 式中：N为观测周期，对应数据集中行数；H表示第 i分钟的心率测量值：户表示根据模型估算的第i 分钟的心率值。 4.3使用的统计方法 本文采用Wilcoxon秩和检验对实验数据进 行统计分析，并将置信水平α的值设置为0.05。 Wileoxon秩和检验能够给出对比数据在统计学 上显著的差异性（大小用p-value表示）。为了进 一步直观观测差异程度的大小(effect size),本文 图5受试者在h/p/cosmos5.0跑台上进行健身跑 采用Vargha-Delaney[28]的A,作为effect size的度 Fig.5 A subject running on the treadmill produced by h/p/cosmos 5.0 company 量。A2的值域为[0,1]，其值越大说明差异程度 越大。隐私， 用 Ｐ１ ～ Ｐ１０代指各受试者的真实姓名。 给每 位受试者提供 １ 条 ＳＵＵＮＴＯ ＳＳ０２０５６６０００ 心率带、 配备 ａｎｄｒｏｉｄ ４．４ 的小米 ３ 智能手机 １ 部并安装 ｉ 酷 跑系统。 选用 ｈ ／ ｐ ／ ｃｏｓｍｏｓ ５．０ 专业跑步机获取各受 试者健身跑过程中的精确速度数据，并将其视为实 际速度。 在对受试者进行必要的使用培训后，进行 时长为 ３０ ｍｉｎ 的实验。 整个实验过程在福建师范 大学旗山校区体育科学学院的体育运动实验中心 进行。 图 ５ 给出了一名受试者在 ｈ ／ ｐ ／ ｃｏｓｍｏｓ ５．０ 跑 台上进行健身跑的情况。 实验结束后，将云端存储 的受试者的三轴加速度数据、方向数据、心率数据 与跑步机上存储的实际速度数据进行整合，形成 １０ 名受试者对应的 １０ 个数据集。 每个数据集共有 ３０ 行数据，每行数据对应于每分钟采集的三轴加速度 数据、方向数据、心率数据和实际速度数据。 表 １ 受试者情况表 Ｔａｂｌｅ １ Ｂａｓｉｃ ｓｕｂｊｅｃｔ ｉｎｆｏｒｍａｔｉｏｎ 受试者 性别 年龄／ 岁 身高／ ｃｍ 体重／ ｋｇ Ｐ１ 女 ２３ １６０ ５０ Ｐ２ 女 ２３ １６７ ５７ Ｐ３ 女 ２３ １６０ ５０ Ｐ４ 女 ２３ １５５ ５１ Ｐ５ 女 ２３ １５５ ４５ Ｐ６ 男 ２４ １７７ ６０ Ｐ７ 男 ２４ １７５ ６５ Ｐ８ 男 ２４ １６８ ５３ Ｐ９ 男 ２３ １７０ ６２ Ｐ１０ 男 ２２ １７６ ６０ 图 ５ 受试者在 ｈ／ ｐ／ ｃｏｓｍｏｓ ５．０ 跑台上进行健身跑 Ｆｉｇ．５ Ａ ｓｕｂｊｅｃｔ ｒｕｎｎｉｎｇ ｏｎ ｔｈｅ ｔｒｅａｄｍｉｌｌ ｐｒｏｄｕｃｅｄ ｂｙ ｈ／ ｐ／ ｃｏｓｍｏｓ ５．０ ｃｏｍｐａｎｙ ４．２ 验证的问题以及度量标准 问题 １ ＲＱ１。 与 ＨＬＦ 方法相比，本文 ＭＭ４ＳＡ 方法是否可以获取更为精确的速度数据？ 每个受试者在健身跑过程中速度的平均绝对 误差 ＩΔｖ 被作为度量指标定量地回答 ＲＱ１。 ＩΔｖ 的定 义如（７）式所示，方法对应的 ＩΔｖ 越小说明越优。 ＩΔｖ ＝ １ Ｎ∑ Ｎ ｉ ＝ １ Ｖ ＾ ｉ － Ｖｉ （７） 式中：Ｎ 为观测周期数，对应于数据集中行数； Ｖｉ 表 示跑步机输出的受试者第 ｉ 分钟的实际速度；而 Ｖ ＾ ｉ 表示根据数据集的第 ｉ 行数据用 ＨＬＦ 或 ＭＭ４ＳＡ 方 法计算获得的第 ｉ 分钟的速度测量值。 问题 ２ ＲＱ２。 与 ＬＭ 算法相比，本文 ＧＡ 算法 构建的健身跑运动模型是否更加精确？ 为了公平起见，每个数据集中的实际速度数据 （跑步机输出）和心率数据被用于构建受试者的健 身跑运动模型。 而 ＨＬＦ 和 ＭＭ４ＳＡ 方法输出的速度 数据不被考虑使用，以避免因速度偏差而引起的模 型精度问题。 根据受试者 Ｐ 的数据集，分别在云服务器上运 行 ＧＡ 和 ＬＭ 算法可确定式（１）中参数ａ１ ～ ａ５的值， 进而建立 Ｐ 的健身跑运动模型。 当已知 Ｐ 的第 ｉ 分 钟速度值，可用该模型估算对应的心率值。 每个受 试者在健身跑过程中心率的平均绝对误差 ＩΔｈ 被作 为度量指标以定量地回答 ＲＱ２。 ＩΔｈ 的定义如式（８） 所示，算法对应的 ＩΔｈ 越小说明越优。 ＩΔｈ ＝ １ Ｎ∑ Ｎ ｉ ＝ １ Ｈ ＾ ｉ － Ｈｉ （８） 式中：Ｎ 为观测周期，对应数据集中行数； Ｈｉ 表示第 ｉ 分钟的心率测量值； Ｈ ＾ ｉ 表示根据模型估算的第 ｉ 分钟的心率值。 ４．３ 使用的统计方法 本文采用 Ｗｉｌｃｏｘｏｎ 秩和检验对实验数据进 行统计分析，并将置信水平 α 的值设置为 ０． ０５。 Ｗｉｌｃｏｘｏｎ 秩和检验能够给出对比数据在统计学 上显著的差异性（ 大小用 ｐ⁃ｖａｌｕｅ 表示） 。 为了进 一步直观观测差异程度的大小（ ｅｆｆｅｃｔ ｓｉｚｅ） ，本文 采用 Ｖａｒｇｈａ⁃Ｄｅｌａｎｅｙ ［ ２８］ 的 Ａ ＾ １２ 作为 ｅｆｆｅｃｔ ｓｉｚｅ 的度 量。 Ａ ＾ １２ 的值域为［ ０，１］ ，其值越大说明差异程度 越大。 ·７０６· 智 能 系 统 学 报 第 １２ 卷