//Logo Image
「世大智科/天才家居」-我們創業囉
PDF Version

作者:姜依帆 (2015-07-28);推薦:徐業良(2015-07-28)

附註:本文為103學年度元智大學機械工程研究所姜依帆碩士論文「以加速度感測器為核心發展穿戴式裝置個人生活型態模式分析技術」第三章。

第三章    活動強度辨識與個人生活型態模式分析

第二章以活動「量」的量測為主,本章則著重在活動「強度」的辨識。利用第二章發展、測試完成的資訊系統架構,蒐集活動資料並發展演算法,將使用者手機G-sensor輸出之三軸加速度數據進行活動活動強度辨識與個人生活型態分析,以穿戴式裝置G-Sensor量測之動作訊號對照心率數據,以機器學習(Machine Learning)方式進行活動強度辨識。研究內容與方法敘述如下。

3.1    活動強度辨識

以心率儲備法估計活動強度

活動強度有各種不同定義,基本上十分類似,本研究以衛生福利部國民健康署之「活動強度」分級(圖3-1為主要依據[16],分為坐式(sedentary)、輕度(light)、中度(moderate)、費力(hard)等四個等級活動強度。

運動強度

3-1. 衛生福利部國民健康署之「活動強度」分級[16]

活動強度的估計上,攝氧量能準確估計熱量消耗,但必須在實驗室環境使用心肺運動測定儀來量測。因此本研究採用較簡易的「心率儲備法(heart rate reserve」估計活動強度,如3-2所示,心率儲備法以下式計算出百分比,判別活動強度:

(HR- HRrest)/(HRmax -HRrest)                                                                           (4)

 

其中HRmax= 220 – AgeHRrest為測試者靜坐5分鐘後,量測第6分鐘心率。由此式可以看出,心率儲備法考慮了年齡因素和測試者個別差異。

3-2. 以心率儲備法估計活動強度[17]

活動樣本蒐集

G-sensor量測活動強度辨識特徵(feature)選取上,經過初步實驗後,發現坐式與輕度活動之步頻(cadence)遠較中度與費力活動為低,而中度與費力活動步頻接近,但費力活動高G值數據比例較高。因此本研究決定以「高G值(超過0.5g~1.5g)數據比例」及平均步頻作為活動強度辨識特徵,蒐集活動樣本以進行機器學習。蒐集活動樣本步驟敘述如下:

(1)   測試器材:心跳帶、手機G-sensor與計步器App

(2)   心跳帶每1分鐘輸出心跳;

(3)   G-sensor與計步器App2分鐘輸出G值(0.2秒取樣1次)及步頻數據;

(4)   測試時間:特定運動持續至測試者心率符合心率儲備法估計活動樣本為所需活動強度(坐式、輕度、中度、費力);

(5)   運動第1分鐘心率、G值及步頻數據不使用;

(6)   紀錄2分鐘運動樣本「高G值(超過0.5g~1.5g)數據比例」及平均步頻。

3-3為本研究蒐集之80個活動樣本,其中橫坐標為高G值(超過0.5g~1.5g範圍)數據比例,縱坐標為平均步頻,資料點以顏色區分活動強度,黃-坐式、綠-輕度、藍-中度、紅-費力。

3-3. 目前蒐集之80個活動樣本

目前蒐集之80個活動樣本來自10位不同測試者,其中男6位、女4位,年齡22~27歲,平均年齡24歲。80個活動樣本中坐式、輕度、中度、費力各20個,活動類型分別以字母標示於3-3中。坐式活動類型包括使用電腦(c)、看電視(t),過程中並容許些微走動;輕度活動類型包括散步(w)、家務(h);中度活動類型包括騎腳踏車(b)、快走(fw);費力活動類型包括快跑(r)、跳繩(j)

3-3中可以看出,以「高G值(超過0.5g~1.5g)數據比例」及平均步頻作為活動強度辨識特徵,坐式、輕度、中度、費力四種活動強度似可明顯區分。其中中度活動樣本中騎腳踏車測得「高G值(超過0.5g~1.5g)數據比例」較低,但仍較輕度活動測得步頻較高,部分區域中度活動和費力活動樣本混和在一起,較難區分。

以機器學習軟體Weka進行學習

將所蒐集之活動樣本輸入機器學習軟體Weka[18],除3-380個活動樣本之外,亦增加20個「靜止(rest)」樣本,高G值數據比及平均步頻均為零。機器學習結果如3-4,選擇Naive Bayes Classifier,以“10 fold cross validation”評估,機器學習模型預估正確率為94%,預估錯誤的樣本集中在中度(moderate)、費力(hard)兩個等級。

3-4. 機器學習結果

3-5將所得機器學習模型視覺化顯示,可以此模型進行活動強度預測,輸入「高G值(超過0.5g~1.5g)數據比例」及平均步頻,即可得到預估之活動強度。

3-5. 機器學習模型

3-5,輸入高G值數據比例及平均步頻兩項特徵,即可用查表方式推估活動強度,所需計算負擔極小,適合於穿戴式系統使用。3-6實際蒐集一位測試者一整天的高G值數據比例及平均步頻,輸入機器學習模型後得到一整天的活動強度圖(5分鐘為單位)。判讀結果當日靜止狀態佔35.54% (510 min),坐式身體活動佔59.93% (865 mins),輕度身體活動佔3.14% (45 min),中度身體活動佔0.70% (10 min),費力身體活動佔0.70% (10 min)。對照當日實際活動紀錄,測試者早上約8:30起床,中度與費力身體活動則為測試者當日下午進行跑步運動。

3-6. 實際蒐集一位測試者整天數據,輸入機器學習模型後得到一整天的活動強度圖

3.2    進行單日PALPhysical Activity Level)推估

PAL表示經常用來作為日常生活型態的指標,計算方式如下:

PAL = TDEE / BMR                                                                              (4)

其中TDEE為每日總能量消耗(Total Daily Energy Expenditure)單位為卡路里,BMR為基礎代謝率(Basal Metabolic Rate),指一個人在靜態情況下,維持生命所需的最低熱量消耗卡路里數。

早在1919年提出的“Harris-Benedict equations”常被用來估算BMR1984年修正之Harris-Benedict equations如下式[19]

男性:BMR = (13.397´w) + (4.799´h) - (5.677´a) + 88.362                      (5)

女性:BMR = (9.247´w) + (6.25´h) - (4.330´a) + 447.593                        (6)

其中w為體重(單位kg),h為身高(單位cm),a為歲數。例如3-6中測試者為男性,173公分、60公斤、27歲,BMR計算如下:

BMR = (13.397´60) + (4.799´173) - (5.677´27) + 88.362 = 1569.13kcal

METMetabolic Equivalent of Task)常用來計算不同強度身體活動之能量消耗,可以搜尋到非常多不同身體活動與MET對照表, MET單位為kcal/kgžhr,例如體重60公斤的測試者散步0.5小時(MET=2.3),能量消耗估計為2.3 ´ 60 ´ 0.5 = 69kcal

本研究由3-6測試者一整天的活動強度圖推估其TDEE,僅能以單一MET值對應一活動強度。不同活動強度的MET值亦與測試者年齡相關,3為本研究設定不同活動強度、年齡對應之MET值。

3. 定不同活動強度、年齡對應之MET

Absolute intensity(METs) in healthy adults(age in years)

Type

Young(28~39yr)

Middle-aged(40~64yr)

Old(65~79yr)

Very-old(80~yr)

Rest

1

1

1

0.2

Sedentary

1.8

1.8

1.4

0.8

Light

2.4

2

1.6

1.1

Moderate

4.8

4

3.2

2

Hard

7.2

6

4.8

3

據表3,圖3-6試者(27歲)之TDEE推估如下:

TDEE = 1.0 ´ 60 ´ 35.54% ´ 24 + 1.8 ´ 60 ´ 59.93% ´ 24 + 2.4 ´ 60 ´ 3.14% ´ 24 + 4.8 ´ 60 ´ 0.70% ´ 24 + 7.2´ 60 ´ 0.70% ´ 24 = 2294.64kcal

PAL = TDEE / BMR = 2294.64 / 1569.13 = 1.46

計算出PAL後,可據以對照其日常生活型態(如表4),推斷測試者當日屬於坐式生活型態。

4. PAL對照日常生活型態[20]

Type

Life style and level of activity

PAL

Inactive

Chair-bound or bed-bound

1.2-1.4

Sedentary

Seated work with no option of moving around and little or no strenuous leisure activity

1.4-1.6

Light

Seated work with discretion and requirement to move around but little or no strenuous leisure activity

1.6-1.8

Moderate

Standing work (e.g. housework, shop assistant)

1.8-2.0

Hard

Strenuous work or highly active leisure

2.0-2.4

建立活動強度資料蒐集資訊系統、撰寫活動強度查詢App

本研究第二階段活動強度資料蒐集資訊系統沿用第一階段建立之資訊架構,由G-sensor訊號判讀後的高G值比例和步頻資料儲存於手機(模擬穿戴式裝置),每日定時批次上傳至雲端資料庫並儲存於雲端資料庫,經機器學習模型判讀活動強度,並計算每日PAL;手機App發出指令索取雲端資料庫資料,顯示單日活動強度圖、各類型活動強度比例及當日PAL,以及活動強度均線圖。3-7為資訊架構示意圖,圖3-8為本研究開發之活動量查詢App使用者介面。

3-7. 資訊架構示意圖

 

3-8. 本研究開發之活動量查詢App使用者介面

蒐集4位測試者長期活動強度資料並進行個人生活型態分析

完成相關App後,本研究邀請四位生活模式不同的測試者,分別為大學生(20歲)、上班族(22歲)、上班族(31歲)、服飾店老闆(58歲),均為男性,且每天均有固定運動習慣。測試者配戴裝有G-sensor App之手機14天(2014/12/09~2014/12/22),紀錄並分析四位測試者之生活模式。四位測試者的基本資料、測試期間的運動強度比例與運動時間、PAL以及每天運動強度圖分別紀錄如下,資料蒐集過程中部分測試者因手機沒電、關機等因素,當日資料蒐集不完整即予捨棄,故每位測試者資料天數不同。

測試者A:上班族,男,22歲,180公分,78公斤,BMR=1,872

3-9. 測試者A運動強度圖

測試者B:大學生,男,20歲,174公分,65公斤,BMR=1,681

3-10. 測試B運動強度圖

測試者C:服飾店老闆,男,58歲,175公分,66公斤,BMR=1,483

3-11. 測試者C運動強度圖

測試者DIC工程師,男,31歲,172公分,64公斤,BMR=1595

3-12. 測試者D運動強度圖

由以上測試數據針對四位測試者不同生活型態差異討論如下:

(1)   測試者A為一般上班族,從圖3-9運動強度圖中可以看出起床上班時間非常規律(週末起床較晚);白天上班期間坐式活動居多,但每天傍晚有固定習慣在健身房健身,時間長達兩小時,測試期間除某週六沒有運動,為坐式生活型態外,每天PAL都在1.6~1.9,屬於輕度至中度活動生活型態。

(2)   測試者B為大學生,從圖3-10運動強度圖中可以看出起床活動時間較上班族晚,但仍非常規律;白天在午餐、晚餐期間有集中輕度活動,其他時間則坐式、輕度活動混合;每天傍晚固定慢跑一小時左右,測試期間有慢跑運動PAL都在1.7左右,屬於輕度活動生活型態,沒有運動則降低為坐式生活型態。

(3)   測試者C為服飾店老闆,年齡58歲,是四位測試者中唯一中年人,故BMR估計值相對較低。從圖3-11運動強度圖中可以看出每天作息時間十分規律,早上約6時起床、11時入睡,下午並有1.5小時左右午睡,每天早晨固定慢跑一小時左右;且由於工作性質,工作期間以站立居多,輕度、中度活動混合,身體活動量較高,週末也不例外。

測試者D為竹科半導體廠工程師,從圖3-12運動強度圖中可以看出每天作息時間十分規律,早上約8時起床、1時入睡,下午並有0.5小時左右午睡,每天晚間固定慢跑一小時左右;且由於工作性質,工作期間以站立居多,輕度、中度活動混合,身體活動量較高,屬於輕度至中度活動生活型態。