基于加速度传感器的大学生自行车运动能耗预测模型研究
基于传感器的运动轨迹识别技术研究与应用
基于传感器的运动轨迹识别技术研究与应用近年来，随着智能穿戴设备和移动设备的普及，基于传感器的运动轨迹识别技术逐渐成为了热门研究方向。
这项技术通过采集人体运动时产生的数据，进行分析和处理，从而识别出不同运动的类型和动作，具有广泛的应用前景。
一、传感器的种类和工作原理传感器是基于感知物理量与电学量之间相互转化的一类装置。
常见的传感器包括加速度计、陀螺仪、磁力计等。
其中，加速度计可以感知加速度，用来判断物体的运动状态；陀螺仪可以感知角速度，用来判断物体的旋转状态；磁力计可以感知地磁场，用来判断方位。
这些传感器在运动轨迹识别技术中发挥着关键作用。
它们通过数据采集，将不同方向上的运动信息转化为数字信号，并通过数据处理和算法分析，得出物体的运动轨迹和动作类型。
二、运动轨迹识别技术的研究现状随着人工智能和物联网技术的发展，传感器技术和数据处理能力一直在不断提升，也为运动轨迹识别技术的研究提供了更多的支持。
目前，在运动轨迹识别技术方面，主要存在以下几个研究方向：1.基于机器学习的数据分类和预测机器学习是一种通过算法学习特征并进行数据分类和预测的方法。
在运动轨迹识别领域，机器学习可以通过大量的训练数据，得出人体运动的模式和规律，比如在跑步、骑车、爬楼梯等不同运动模式下，与之相关的加速度信号和陀螺仪信号都会呈现出不同的特征。
通过对这些数据进行分类和预测，可以实现对人体运动状态的准确识别。
2.基于深度学习的动作识别和预测深度学习是一种利用多层神经网络对特征进行抽象和提取的方法。
在运动轨迹识别领域，深度学习可以通过多个层次对传感器信号进行处理和特征提取，从而实现对不同运动的动作类型和起始终止点的预测，比如对于跑步动作，可以通过在网络中引入时序信息，实现对跑步的周期、步频、步幅等的准确识别。
3.基于多传感器融合的位姿估计和运动重建多传感器融合是一种将不同类型的传感器数据进行整合，得出更加准确完整的信息的技术。
在运动轨迹识别领域，多传感器融合可以通过将加速度计、陀螺仪、磁力计等不同类型的传感器数据综合起来，实现对人体姿态和运动轨迹的准确重建和识别，比如对人体的站立、步行、跑步等动作进行实时监测和分析。
加速度传感器的工作原理
加速度传感器的工作原理
加速度传感器（Accelerometer）是一种智能时尚装备，它可以通过测量物体周围运动环境以及物体内部加速度变化来获取物体的运动轨迹信息，从而分析并应用于日常生活中。
加速度传感器可以检测到周围物体的加速度变化，它可以识别物体在空间和时间不同方向上的加速度变化，从而发掘物体在运动状态时的运动轨迹信息。
一般来说，加速度传感器的工作原理为反应到的加速度通过内建的传感器来收集信息，它可以检测到在空间方向上的变化。
比如它可以检测到转角的大小，转弯后的加速度信息等等，这都可以通过加速度传感器来进行测量。
就好比把电脑、手机等推动物放在一个容器内，加速度传感器就会检测到因为重力以及通过各种推动某种物体在空间上运动时产生会产生的加速度信号。
加速度传感器可以被广泛用于智能手机、电脑、游戏机以及别的设备上，以辅助为用户进行操作。
比如在智能手机上，用户可以通过移动陀螺仪和加速度传感器来实现实时测量定位、倾斜检测、速度检测、基于轨迹的定位等功能。
游戏机上的加速度传感器也可以让玩家更简单的操控角色，比如模拟跑步、跳跃等游戏动作。
另外，加速度传感器还可以被广泛用于运动跟踪、体能管理，以及运动辅助设备、监测及检测机械装备等诸多方面来使用，强大的操控功能和智能测量技术让人们的生活和娱乐更加轻松便捷。
基于机器学习的运动轨迹预测算法研究
基于机器学习的运动轨迹预测算法研究运动轨迹预测是机器学习领域中的一个重要研究方向，其应用广泛涵盖了交通管理、智能驾驶、人机交互等众多领域。
准确预测运动轨迹有助于提高交通效率、减少交通事故、优化路径规划等方面的应用。
基于机器学习的运动轨迹预测算法在解决这些问题上显示出了巨大的潜力。
在运动轨迹预测问题中，我们的目标是根据已有的轨迹数据预测目标物体的未来位置。
这涉及多个挑战，如路径复杂性、目标物体的运动模式变化等。
为了应对这些挑战，研究者们提出了许多机器学习算法来进行运动轨迹预测，包括传统的统计模型、强化学习和深度学习等。
在传统的统计模型中，最简单的算法是线性插值，即根据目标物体的当前位置和速度，假设其未来位置与速度成线性关系。
然而，线性插值无法捕捉到目标物体的非线性运动模式，所以在实际应用中的预测效果有限。
为了解决这个问题，研究者们引入了更复杂的统计模型，如卡尔曼滤波器和粒子滤波器。
这些模型将目标物体的轨迹建模为状态和观测值之间的动态系统，并使用贝叶斯推断来进行轨迹预测。
卡尔曼滤波器假设系统是线性的，适用于轨迹比较简单的情况，而粒子滤波器则可以处理更复杂的非线性轨迹。
然而，传统的统计模型在处理复杂的轨迹时存在一些局限性，因为它们通常只考虑运动物体的动态特征，而忽略了环境的影响以及物体与环境的交互。
这导致了对于存在不确定性和复杂性的场景，传统模型往往难以准确预测运动轨迹。
为了克服这些局限性，并更好地应对运动轨迹预测问题，研究者们开始应用强化学习算法。
强化学习通过与环境进行交互，从而学习如何在给定的环境中采取行动以最大化累积奖励。
在运动轨迹预测中，环境包括物体的位置、速度、加速度等状态信息，行动包括预测物体下一步的位置。
通过不断与环境进行交互，强化学习算法可以学习到目标物体在给定环境中的最佳行动策略。
强化学习在复杂场景中具有较好的鲁棒性和泛化能力，能够更好地预测运动轨迹。
随着深度学习的兴起，越来越多的研究者将其应用于运动轨迹预测问题。
基于单加速度传感器的行走距离估计
基于单加速度传感器的行走距离估计杨清;陈岭;陈根才【期刊名称】《浙江大学学报（工学版）》【年(卷),期】2010(044)009【摘要】针对行走距离估计问题,提出基于单加速度传感器的方法.将单个三轴加速度传感器固定在步行者小腿上,根据腿部状态(静止或运动)将读到的连续加速度值进行分步,并重积分运动状态下的加速度值获得行走距离.在原有阈值分步法基础上采用新的分步方法--自适应分步法进行分步计算,它根据步行者当前行走状态(步速、姿态等)对分步参数进行自适应调整.数据显示自适应分步受初始阈值影响小,具有较好鲁棒性,其平均分步误差为1步,平均距离误差在近匀速运动和变速运动情况下分别为15.18%和22.34%;而阈值分步的平均距离误差在近匀速运动和变速运动下则分别为31.08%和49.82%.实验表明:自适应分步法的结果更加准确且鲁棒性强.【总页数】6页(P1681-1686)【作者】杨清;陈岭;陈根才【作者单位】浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江大学,计算机科学与技术学院,浙江,杭州,310027【正文语种】中文【中图分类】TP311【相关文献】1.基于单加速度传感器的实时动作识别系统 [J], 宋志鹏2.儿童研究:行走在“教与学”的中间地带——基于“大任务单”的数学教学方式变革初探 [J], 庞舒勤;赵庆林3.基于加速度传感器阵列的单振源识别方法 [J], 张袁元;张凌峰;周祥;门秀花4.一般凸体与单形间Banach-Mazur距离估计的一种简单方法(英文) [J], 国起5.复合单叶双曲面上广义Gough-Stewart并联机构加速度传感器各向同性优化设计 [J], 佟志忠;姜洪洲;何景峰;黄其涛因版权原因，仅展示原文概要，查看原文内容请购买。
三轴运动加速度计(GT3X)测量青春期少年(11～14岁)身体活动能耗预测方程的建立和检验
三轴运动加速度计(GT3X)测量青春期少年(11～14岁)身体活动能耗预测方程的建立和检验朱琳;陈佩杰【摘要】研究目的:针对青春期少年建立基于走跑与非走跑运动为基础的三轴运动加速计能耗预测方程.研究方法:80名11～14岁初中生(每岁20人,男、女各半)按性别、年龄分成实验组(60人)和验证组(20人),同步佩戴Cosmed K4b2和ActiGraph GT3X对受试者进行8种常见身体活动测试.采用逐步回归方法,通过实验组建立以K4b2实测能耗值为因变量,以ACxis1、Axis2、Axis3、VM3、年龄、性别、身高、体重等为自变量,建立回归方程.将身体活动分为走跑类、走跑跳类、不规则活动类、日常活动类4种类型,通过验证组对所建方程进行验证;绝对误差和相对误差率用于验证方程预测准确性;Bland-Altman图用于确定系统偏差.结果:所建方程Y(kcal/min)=-1.471 +0.10440×体重(kg)+6.15209E-4×VM3(counts/min);R2=0.693,SEE=0.82,DW=1.734;F检验P＜0.001,说明自变量与因变量存在线性关系;自变量回归系数t检验P＜0.05,说明回归系数有意义;DW值表明误差项独立,回归模型可靠.对于四类活动,方程预测绝对误差为0.58～0.63 kcal/min,相对误差率为9.14％～11.81％;95％的残差均落在Bland-Altman散点图±2SD区间内,表明方程有较好的预测能力.结论:所建能耗预测方程有效,可有效监测青春期少年不同活动类型的能耗.【期刊名称】《中国体育科技》【年(卷),期】2014(050)003【总页数】5页(P73-77)【关键词】青春期少年;三轴运动加速计;身体活动;能耗;预测方程【作者】朱琳;陈佩杰【作者单位】上海体育学院省部共建教育部运动健身科技重点实验室,上海200438;广州体育学院运动与健康系,广东广州510075;上海体育学院运动科学学院,上海200438【正文语种】中文【中图分类】G804.491 前言Physical Activity即身体活动，也有人将其译为体力活动，是指由骨骼肌收缩产生的、使能量消耗增加的身体动作。
基于MEMS技术的加速度传感器研究
基于MEMS技术的加速度传感器研究近年来，随着科技的发展，MEMS（微机电系统）技术在各个领域的应用越来越广泛。
其中，基于MEMS技术的加速度传感器在运动测量、姿态控制、安全监测等方面具有重要的应用价值。
本文将探讨基于MEMS技术的加速度传感器的原理、制备技术以及应用案例。
加速度传感器是一种能够测量物体加速度或者重力的传感器。
MEMS技术结合了微电子技术和微机械技术，使得传感器的尺寸变得非常小，并且能够批量生产。
基于MEMS技术的加速度传感器通常由微机械加速度传感器和集成电路两部分组成。
微机械加速度传感器通常采用质量悬浮结构，当受到外力作用时，质量将发生位移，由此测量加速度。
制备基于MEMS技术的加速度传感器需要经历多个步骤。
首先，通过光刻技术在硅衬底上形成质量悬浮结构。
然后，将金属电极沉积在衬底上，形成电容结构。
接着，通过刻蚀等工艺，雕刻出质量悬浮结构和电容结构。
最后，借助封装技术和集成电路，将传感器制作完整。
基于MEMS技术的加速度传感器具有许多优势。
首先，尺寸小，可以实现微型化和集成化，方便嵌入各类设备。
其次，价格相对较低，适用于大规模应用。
此外，基于MEMS技术制备的加速度传感器具有很高的灵敏度和稳定性，能够精确测量加速度和重力。
基于MEMS技术的加速度传感器在多个领域有广泛的应用。
在运动测量方面，加速度传感器可以用于测量运动物体的加速度和速度，应用于运动跟踪、步数统计等场景。
在姿态控制方面，加速度传感器可以用于测量物体的倾斜角度和旋转角度，应用于飞行器、机器人等设备的姿态控制。
另外，在安全监测方面，加速度传感器可以用于检测物体的碰撞、震动等，应用于汽车碰撞预警、地震预警等领域。
综上所述，基于MEMS技术的加速度传感器具有广泛的应用前景。
由于其尺寸小、灵敏度高和稳定性好等特点，使得加速度传感器在运动测量、姿态控制和安全监测等方面取得了重要的突破。
未来，随着MEMS技术的不断进步和创新，相信基于MEMS技术的加速度传感器将在更多领域发挥重要作用，为人们的生活带来更多便利和安全。
加速度传感器的基本力学模型
加速度传感器的基本力学模型
加速度传感器是用于测量物体加速度的设备。
其基本力学模型可以通过简化为一个质点来进行描述。
假设加速度传感器的测量原理是基于质点的运动，其底部有一个固定的支撑。
以下是加速度传感器的基本力学模型：
1.质点质量（m）：将传感器看作一个质点，质量为m。
2.弹簧常数（k）：加速度传感器中通常包含一个或多个弹簧
用于测量物体的加速度。
弹簧常数k表示弹簧对受力的刚度。
3.阻尼系数（c）：加速度传感器通常还包含阻尼器，用于减
轻振动和稳定运动。
阻尼系数c表示阻尼器对振动的抑制作用。
4.受力（F）：加速度传感器在测量物体的加速度时，受到外
部作用力F的作用。
这个作用力可以是物体的加速度，或者是其他影响传感器的力量。
根据以上基本力学模型，可以得到加速度传感器的运动方程。
通过应用牛顿第二定律（F = ma），可以将传感器的受力与加速度之间的关系表示为：
F - kx - c*dx/dt = m * d^2x/dt^2
其中，x是质点的位移，dx/dt是质点的速度，d^2x/dt^2是质点的加速度。
kx表示弹簧的恢复力，c*dx/dt表示阻尼力。
需要根据具体的加速度传感器的设计和工作原理，对其力学模
型进行进一步的详细分析和建模。
这个基本模型提供了一个起点，可以在实际应用中进行进一步的改进和优化。
加速度传感器数据降噪算法研究及其应用实现
加速度传感器数据降噪算法研究及其应用实现加速度传感器是一种重要的物理传感器，广泛应用于手机、汽车、飞行器等各种领域。
然而，由于加速度传感器受到噪声的影响，它所采集到的数据常常存在着较大的误差，这给其应用带来了很大的麻烦。
因此，如何对加速度传感器采集到的数据进行降噪处理，成为了当前研究的热点之一。
在加速度传感器数据降噪方面，研究者们提出了很多方法，其中比较常用的方法有滤波和批处理等方法。
滤波法是一种基于信号处理的技术，它通过选择合适的滤波器，去除噪声信号，从而使得传感器采集到的数据更接近真实值。
常用的滤波法有低通滤波、高通滤波和滑动平均滤波等。
批处理法是一种基于数据处理的技术，它通过对采集到的数据进行处理，得到一批数据的统计特征，从而排除离群值。
这种方法适用于需要对一段时间内的数据进行处理的场合。
除此之外，还可以使用时域和频域分析的方法对数据进行降噪处理。
时域分析法是指从时间角度出发，分析数据的波形和统计特性，从而进行降噪处理。
频域分析法是指从频率角度出发，通过变换域的方法，将数据从时域转换到频域，进行降噪处理。
以上几种方法各有优缺点，具体应用时需要根据实际情况进行选择。
在实际应用中，加速度传感器数据降噪的要求十分高。
比如在智能手机体感游戏中，加速度传感器的数据需要精确地反映出用户的动作。
如果加速度传感器采集到的数据存在噪声，就会导致用户操作的不准确，影响游戏的体验度。
因此，对于加速度传感器数据的降噪处理，除了研究算法之外，还需要注意一些实际应用上的问题。
比如在设计时，需要合理地选择传感器的采样频率。
选择过小的采样频率会导致信号过于粗糙，而选择过大的采样频率会导致计算复杂度增加，对处理器的要求加大。
此外，在实际应用中还需要考虑传感器的安装位置、传感器与其他元器件之间的干扰等问题。
总之，加速度传感器数据降噪处理在现代科技应用中具有十分重要的地位。
大量的研究工作已经被投入到这一领域，各种新算法和新技术不断涌现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于加速度传感器的大学生自行车运动能耗预测模型研究作者：赵月民陈培友来源：《山东体育学院学报》2019年第01期摘要：目的：基于三轴加速度传感器，建立大学生自行车运动能量消耗预测方程。
方法：选取101名在校大学生，按性别、年龄分成实验组（81人）和验证组（20人）。
实验过程中受试者同时佩戴K4b2气体代谢分析仪和GT3X加速度传感器（脚踝处），在功率自行车上依次进行不同强度（较低强度：37%～45%VO2max;中等强度：46%～63% VO2max;较大强度：64%～91% VO2max）的骑行。
采用逐步回归方法建立运动能量消耗预测模型。
结果：1）ACz轴和VM轴的 counts值与能量消耗存在较高的相关关系（P<0.01）。
2）运动能量消耗（kcal/min）=0.000219×VM+0.065×BW+0.145×SE-2.032[VM为加速度传感器合轴counts值，BW为体重（kg），SE为性别（女=0，男=1）];R2等于0.88，SEE和SEE/Y（%）分别为0.61和11.55%。
3）经验证组数据回代检验，各强度水平下模型预测值与K4b2实测值相关系数在0.82～0.86之间（P<0.01）;绝对误差为0.38～0.61 kcal/min，相对误差为8.37%～10.54%;95%的残差均落在Bland-Altman散点图Mean±1.96SD的区间内。
结论：自行车运动中，通过脚踝佩戴处加速度传感器合轴counts值、性别、体重三个变量建立的能量消耗预测方程，能够有效地预测不同强度水平下的运动能量消耗，预测精度较高，可为大学生自行车运动科学监测提供依据。
关键词：自行车运动;三轴加速度传感器;能量消耗;预测方程中图分类号：G804.2 文献标识码：A文章编号：1006-2076（2019）01-0080-06随着科学技术的进步和穿戴设备的发展，基于重力传感器的加速度计作为一种客观、简便的测量设备，越来越多地被用在体力活动测量工作中。
刘阳对第63 届美国运动医学年会上的所有文献进行综述研究发现，有超过 50 篇文章报告了关于三轴加速度传感器技术的身体活动测评设备的相关研究，占到该类型研究的 90% 以上[1]。
在体力活动监测中，加速度传感器提供的模型能比较有效地计算走跑运动的能量消耗 [2]，但是不能准确测量自行车运动的能量消耗。
研究显示，脚踝处的加速度计数与能量消耗的相关性最高，但仍然没有建立有效的自行车运动能量消耗计算模型[3]。
因此，本研究将选取Actigraph GT3X加速度传感器，将其佩戴于脚踝处位置，以K4b2气体代谢分析仪能量消耗测量值为依据，建立自行车不同强度运动下加速度计数与运动能量消耗之间的关系方程，以期丰富加速度传感器能量消耗计算模型，为大学生自行车运动科学监测提供依据。
1 研究方法1.1 受试者本研究共有101名在校大学生参与测试，其中男生50人，女生51人;在实验之前详细询问受试者的健康状况，确定其无心肺功能疾病及高血压等后纳入正式受试对象。
为研究需要，在数据处理时将受试者随机分成两组，一组（男生40人，女生41人），用于模型建立，另一组（男生10人，女生10人），用于验证模型。
1.2 实验仪器与测试方案1.2.1 实验仪器1.2.1.1 ActiGraph GT3X加速度传感器ActiGraph GT3X（简称GT3X）是由美国制造技术有限公司生产的一款三轴加速度运动传感器，其功能主要包括活动计数、能量消耗、向量幅度、计步、代谢当量等。
本实验将GT3X 佩戴于右脚脚踝外侧上缘处（简称脚踝位置），通过自带分析软件Actilife5.10.0提取原始指标垂直轴（Acz）、额状轴（ACy）、矢状轴（ACx）、水平轴（ACh）、合轴（VM）等的加速度计数（counts）。
ACh水平轴，计算公式为ACh=（ACx2+ACy2）1/2。
VM矢量合轴，计算公式为VM=（ACx2+ACy2+ACz2）1/2。
实验之前，对仪器进行校准，采样频率设置为6次/min。
1.2.1.2 Monark 839E功率自行车Monark 839E功率自行车内置微型电脑装置，可外连PC或心电分析仪。
其可做恒功率、恒阻力、恒心率练习或测试，并有配套的测试分析软件（Analysis software Ver 1.0），遥测胸带监测心率，实时显示心率、脚踏速度、阻力、做功量等指示。
功率自行车在正式使用之前需预热，由实验人员检查是否使用正常。
1.2.1.3 K4b2气体代谢分析仪间接测热法一般被认为是进行能量消耗监测的金标准，有着较高的精确性[4]。
K4b2气体代谢分析（简称K4b2）能够通过测量运动中受试者的摄氧量（VO2），进而计算能量消耗，每日测试前需对K4b2进行预热和校正。
1.2.2 运动强度界定和阻力计算功率自行车骑行分为三个强度骑行阶段，三种强度依次为：较低强度：37%～45%VO2max;中等强度：46%～63%VO2max;较大强度：64%～91%VO2max[5]。
功率自行车骑行阻力采用室外骑行轮胎和地面的滚动摩擦阻力（F（摩擦力））[6]：F（摩擦力） =μ×Fn/r=μ×mg/r，μ（摩擦系数）=0.5 mm，g（重力加速度）=9.8 m/s2，m=体重+车重，普通自行车车重为15 kg，r（轮胎半径）=25 cm。
1.2.3 测试方案1.2.3.1 最大摄氧量（VO2max）测定受试者测试前首先带好心率带和面罩，连接气体代谢分析仪。
采用递增负荷方式测试最大摄氧量：功率自行车运动负荷从100 W开始（女生50 W），每分钟递增25 W，至力竭（蹬踏速度为60 r/min）。
当摄氧量出现平台，即负荷摄氧量不在增长，可视为达到最大摄氧量。
如果摄氧量未出现平台，而受试者已经力竭，则取最大值作为最大摄氧量。
如果呼吸商大于1.1，心率在180次/min以上，受试者不能保持当前运动速度也可以作为最大摄氧量[7]。
1.2.3.2 不同强度骑行实验根据计算的阻力（F摩擦力）给功率自行车设定骑行阻力。
首先，受试者缓慢匀加速骑行，骑行到37%～45%VO2max时，提醒受试者保持当前速度，当范围平稳在37%～45%VO2max并维持3 min后，记录此时的骑行速度，此速度为受试者进行较小强度骑行时的适宜运动速度。
再让受试者以此速度骑行5 min，同时获取5 min的GT3X实验数据和K4b2的实验数据。
之后，让受试者按照上述方案进行中等强度（46%～63% VO2max）和较大强度（64%～91% VO2max）的骑行实验。
最后将GT3X的测试数据导入Actilife5.10.0软件、K4b2的数据导入Cosmed K4b27.0软件，之后进行数据整理与分析。
整理时，GT3X和K4b2中的实验数据取每一分钟均值。
1.3 数据统计采用逐步回归法建立自行车运动能量消耗预测方程。
采用Pearson相关、相对误差以及Bland-Altman点图等方法检验预测方程的有效性。
显著性水平定义为P<0.05和 P<0.01。
2 研究结果2.1 受试者基本信息正式实验前，首先对受试者的年龄、性别、身高、体重、BMI、最大心率（HRmax）信息进行采集。
最大心率（HRmax）采用Tanaka计算公式， HRmax=208-0.7×年龄（此公式适用于健康的成年男性和女性）[5]。
接着对受试者的最大摄氧量进行测试，获取受试者基本信息。
受试者各指标测试结果见表1。
2.2 不同性别大学生骑行强度的分析以ACSM运动强度等级中的最大摄氧量百分比（%VO2max）分级为依据，采集受试者较低强度、中等强度和较高强度骑行运动中的摄氧量、心率、METs、蹬踏速度以及骑行速度，数据统计结果见表2。
表2显示，在三种强度下受试者的摄氧量、心率、METs和ACSM运动强度等级中的分级标准基本一致。
男生较低强度运动下的蹬踏速度为41.85 r/min，骑行速度为14.53 km/h，中等强度运动下的蹬踏速度为60.60 r/min，骑行速度为21.38 km/h，较大强度运动下的蹬踏速度为78.98 r/min，骑行速度为27.98 km/h;女生较低强度运动下的蹬踏速度为37.44 r/min，骑行速度为13.00 km/h，中等强度运动下的蹬踏速度为53.39 r/min，骑行速度为18.66 km/h，较大强度运动下的蹬踏速度为69.46 r/min，骑行速度为24.54 km/h。
2.3 运动能量消耗预测模型的建立2.3.1 加速度传感器计数与运动能量消耗关系对不同强度下各加速度轴原始counts值进行分析发现（见表3），加速度传感器各轴counts值均随着运动强度的增加而增大。
在各分轴中，三种运动强度下ACz轴的counts值均最大，分别为7360.30，13611.97，20264.69，ACx轴、ACy轴counts值相对较小。
进一步对各加速度轴counts值与能量消耗的相关关系进行分析，各轴counts值均与能量消耗线性相关关系显著（P<0.01）。
其中，ACz轴counts值与能量消耗的相关系数在三种强度水平下均大于其他各分轴，相关系数依次为0.63，0.59，066;VM轴与能量消耗也存在较高的相关关系，相关系数依次为0.57，0.58，0.65。
2.3.2 回归方程建立以K4b2实测能量消耗值为因变量，以ACz、ACx、ACy、ACh、VM、年龄、性别、身高、体重、BMI等为自变量，选取逐步回归法，建立回归方程，方程参数见表4。
回归方程自变量的容忍度（TOL）均大于0.64，方差膨胀系数（VIF）均小于1.55，特征值均大于0.01，条件指标（CI）均小于16，因此回归方程各自变量间不存在多元共线性问题。
F值为2 884.52（P=0.000<0.01），决定系数 R2为0.88，因而VM、体重、性别3个自变量共可有效解释能量消耗88%的变异量，方程的剩余标准差（SEE）为0.61，SEE/Y（%）值为11.55%，方程的拟合程度较高。
2.4 能量消耗预测模型的有效性将验证组每个受试者的性别、体重、VM数据代入回归方程，计算能量消耗预测值，并与实际运动能量消耗值进行比较，结果见表5。
表5显示，不同强度水平下，自行车运动能量消耗预测值与实测值之间具有显著线性相关关系（P<0.01），相关系数分别0.82，0.83，0.86。
方程能量消耗预测的绝对误差在0.38～0.61 kcal/min之间，且绝对误差随运动强度的增加而增大，相对误差在8.37%～10.54%之间。