第5期 池小文，等：基于智能手机的健身跑数据采集及演化建模 ·707. 4.4实验结果 1.1 ·MM4SA 1)RQ1的结果 1.0f 。HLF 图6和图7分别给出了MM4SA和HLF方法对 0.9 0.8 应的10名受试者健身跑1（速度的平均绝对误差） 、÷07 指标值的散点图和统计盒图。从图6和图7可以直 0.6 观看出，MM4SA方法明显优于HLF方法。对I的 0.5 0 0.4 第 统计实验得出：p-value和effect size分别为2.4613× 0. P 10-4和0.9，也表明MM4SA显著优于HLF。这说明 P2PPPP。P,PPP 与HLF方法相比，MM4SA方法考虑了健身跑中绑 图6MM4SA和HILF方法对应的10名受试者健身跑 缚于腰部的手机在发生间歇性姿态变化时产生的 (速度的平均绝对误差)指标值的散点图 脉冲噪声对三轴加速度信号本身的干扰及对重力 Fig.6 Scatter plot using the quality indicator 分量滤除的影响，进而可以获取更加接近于人体实 applied to MM4SA and HLF based on the 际运动的速度。 datasets of 10 subjects 2)RQ2的结果 考虑到GA算法随机性的特点，在每个数据集 1.0 上运行20次，而对于确定性算法LM则只需运行1 0.9 0.8 次。表2显示了GA和LM算法分别运行20次和1 90.7 次对应的10名受试者健身跑1（心率的平均绝对 0.6 误差)指标的平均、最好、最差和中位数等统计量的 0.5 情况。表3给出了GA和LM算法对应的I秩和实 0.4 验结果。从表2可看出，除了受试者P,的最差I MM4SA HLF 外，其余情况GA均优于LM算法。从表3的10组 统计实验得出：对于所有受试者，p-vaule值均小于 图7 MM4SA和HLF方法对应的10名受试者健身跑 0.05,而effect size的值均为1，说明GA算法显著地 I4(速度的平均绝对误差)指标值的统计盒图 优于LM算法。这表明GA算法可以搜索更大的模 Fig.7 Boxplot using the quality indicator/applied to 型空间，获取较LM算法更为精确的健身跑运动 MM4SA and HLF based on the dataset of 10 subjects 模型。 表2GA和LM算法分别运行20次和1次对应的10名受试者健身跑/（心率的平均绝对误差）指标的统计量 Table 2 Basic summary statistics for the quality indicator/based on 20 runs of GA and single run of LM using the datasets generated by 10 subjects 算法 I的统计量 P P3 P. P5 Pi Ps P10 Mean均值 5.0 4.4 4.5 3.1 4.7 5.2 5.6 4.7 5.3 5.1 Best最好值 4.3 4.0 4.1 2.7 4.4 4.7 4.6 4.3 4.8 4.2 GA Worst最差值 6.1 5.3 5.1 35 55 5.8 5.9 5.3 5.7 5.9 Median中值 4.9 4.4 5.3 5.4 4.6 5.2 5.2 Mean均值 6.0 5.8 6. 5.6 63 6.8 7.0 6.3 6.5 6.0 Best最好值 6.0 5.8 6. 5.6 6. 7.0 6.3 6.5 6.0 LM Worst最差值 6.0 5.8 6 56 7.0 6.3 6.5 6.0 Median中值 6.0 5.8 6.4 5.6 6.5 6.8 7.0 6.3 6.5 6.0４．４ 实验结果 １）ＲＱ１ 的结果 图 ６ 和图 ７ 分别给出了 ＭＭ４ＳＡ 和 ＨＬＦ 方法对 应的 １０ 名受试者健身跑 ＩΔｖ （速度的平均绝对误差） 指标值的散点图和统计盒图。 从图 ６ 和图 ７ 可以直 观看出， ＭＭ４ＳＡ 方法明显优于 ＨＬＦ 方法。 对 ＩΔｖ 的 统计实验得出：ｐ⁃ｖａｌｕｅ和 ｅｆｆｅｃｔ ｓｉｚｅ 分别为 ２．４６１ ３ × １０ －４ 和 ０．９，也表明 ＭＭ４ＳＡ 显著优于 ＨＬＦ。 这说明 与 ＨＬＦ 方法相比，ＭＭ４ＳＡ 方法考虑了健身跑中绑 缚于腰部的手机在发生间歇性姿态变化时产生的 脉冲噪声对三轴加速度信号本身的干扰及对重力 分量滤除的影响，进而可以获取更加接近于人体实 际运动的速度。 ２）ＲＱ２ 的结果 考虑到 ＧＡ 算法随机性的特点，在每个数据集 上运行 ２０ 次，而对于确定性算法 ＬＭ 则只需运行 １ 次。 表 ２ 显示了 ＧＡ 和 ＬＭ 算法分别运行 ２０ 次和 １ 次对应的 １０ 名受试者健身跑 ＩΔｈ （心率的平均绝对 误差）指标的平均、最好、最差和中位数等统计量的 情况。 表 ３ 给出了 ＧＡ 和 ＬＭ 算法对应的 ＩΔｈ 秩和实 验结果。 从表 ２ 可看出，除了受试者 Ｐ１ 的最差 ＩΔｈ 外，其余情况 ＧＡ 均优于 ＬＭ 算法。 从表 ３ 的 １０ 组 统计实验得出：对于所有受试者， ｐ⁃ｖａｕｌｅ 值均小于 ０．０５，而 ｅｆｆｅｃｔ ｓｉｚｅ 的值均为 １，说明 ＧＡ 算法显著地 优于 ＬＭ 算法。 这表明 ＧＡ 算法可以搜索更大的模 型空间，获取较 ＬＭ 算法更为精确的健身跑运动 模型。 图 ６ ＭＭ４ＳＡ 和 ＨＬＦ 方法对应的 １０ 名受试者健身跑 ＩΔｖ （速度的平均绝对误差）指标值的散点图 Ｆｉｇ．６ Ｓｃａｔｔｅｒ ｐｌｏｔ ｕｓｉｎｇ ｔｈｅ ｑｕａｌｉｔｙ ｉｎｄｉｃａｔｏｒ ＩΔｖ ａｐｐｌｉｅｄ ｔｏ ＭＭ４ＳＡ ａｎｄ ＨＬＦ ｂａｓｅｄ ｏｎ ｔｈｅ ｄａｔａｓｅｔｓ ｏｆ １０ ｓｕｂｊｅｃｔｓ 图 ７ ＭＭ４ＳＡ 和 ＨＬＦ 方法对应的 １０ 名受试者健身跑 ＩΔｖ （速度的平均绝对误差）指标值的统计盒图 Ｆｉｇ．７ Ｂｏｘｐｌｏｔ ｕｓｉｎｇ ｔｈｅ ｑｕａｌｉｔｙ ｉｎｄｉｃａｔｏｒ ＩΔｖ ａｐｐｌｉｅｄ ｔｏ ＭＭ４ＳＡ ａｎｄ ＨＬＦ ｂａｓｅｄ ｏｎ ｔｈｅ ｄａｔａｓｅｔ ｏｆ １０ ｓｕｂｊｅｃｔｓ 表 ２ ＧＡ 和 ＬＭ 算法分别运行 ２０ 次和 １ 次对应的 １０ 名受试者健身跑 ＩΔｈ （心率的平均绝对误差）指标的统计量 Ｔａｂｌｅ ２ Ｂａｓｉｃ ｓｕｍｍａｒｙ ｓｔａｔｉｓｔｉｃｓ ｆｏｒ ｔｈｅ ｑｕａｌｉｔｙ ｉｎｄｉｃａｔｏｒ ＩΔｈ ｂａｓｅｄ ｏｎ ２０ ｒｕｎｓ ｏｆ ＧＡ ａｎｄ ｓｉｎｇｌｅ ｒｕｎ ｏｆ ＬＭ ｕｓｉｎｇ ｔｈｅ ｄａｔａｓｅｔｓ ｇｅｎｅｒａｔｅｄ ｂｙ １０ ｓｕｂｊｅｃｔｓ 算法 ＩΔｈ 的统计量 Ｐ１ Ｐ２ Ｐ３ Ｐ４ Ｐ５ Ｐ６ Ｐ７ Ｐ８ Ｐ９ Ｐ１０ ＧＡ Ｍｅａｎ 均值 ５．０ ４．４ ４．５ ３．１ ４．７ ５．２ ５．６ ４．７ ５．３ ５．１ Ｂｅｓｔ 最好值 ４．３ ４．０ ４．１ ２．７ ４．４ ４．７ ４．６ ４．３ ４．８ ４．２ Ｗｏｒｓｔ 最差值 ６．１ ５．３ ５．１ ３．５ ５．５ ５．８ ５．９ ５．３ ５．７ ５．９ Ｍｅｄｉａｎ 中值 ４．９ ４．４ ４．６ ３．０ ４．６ ５．３ ５．４ ４．６ ５．２ ５．２ ＬＭ Ｍｅａｎ 均值 ６．０ ５．８ ６．４ ５．６ ６．５ ６．８ ７．０ ６．３ ６．５ ６．０ Ｂｅｓｔ 最好值 ６．０ ５．８ ６．４ ５．６ ６．５ ６．８ ７．０ ６．３ ６．５ ６．０ Ｗｏｒｓｔ 最差值 ６．０ ５．８ ６．４ ５．６ ６．５ ６．８ ７．０ ６．３ ６．５ ６．０ Ｍｅｄｉａｎ 中值 ６．０ ５．８ ６．４ ５．６ ６．５ ６．８ ７．０ ６．３ ６．５ ６．０ 第 ５ 期 池小文，等：基于智能手机的健身跑数据采集及演化建模 ·７０７·