综述：从过去到未来：体力活动能量消耗评估方法综述

《Journal of Health, Population and Nutrition》：From past to future: a review of methods for assessing physical activity energy expenditure

本综述系统回顾了体力活动能量消耗（PAEE）评估方法的技术演进历程，从18世纪末的直接/间接热量计到当代人工智能（AI）技术应用。重点分析了机器学习（ML）和计算机视觉（CV）两大AI技术在提升评估准确性、优化设备依从性及拓展应用场景方面的进展（如神经网络NN、卷积神经网络CNN等模型），并指出未来需关注技术创新、场景扩展及伦理风险（如数据隐私与算法“黑箱”问题），以推动PAEE评估在慢性病预防和健康管理中的精准化、智能化发展。

　　

从过去到未来：体力活动能量消耗评估方法的演进与智能时代展望

背景

随着物质生活水平的提高，由能量代谢失衡引发的肥胖、糖尿病和心血管疾病等慢性病显著增加。帮助个体维持能量平衡是应对这些问题的关键手段。能量平衡受能量摄入和能量消耗（EE）调控，其中体力活动能量消耗（PAEE）约占总能量消耗的30%，是可变性最大的组成部分。准确评估PAEE对于个人监控运动强度、评估指南依从性以及分析体力活动（PA）与健康结果的剂量反应关系至关重要。近年来人工智能（AI）技术的飞速发展为PAEE的智能评估提供了技术基础。

过去：体力活动能量消耗评估方法的演变

PAEE评估方法的历史演进可划分为三个时期：

初始涌现期（18世纪末至19世纪中期）：法国化学家拉瓦锡奠定了量热法理论基础，并与拉普拉斯合作通过动物实验首次应用直接量热法测量EE。随后，基于间接量热法原理的呼吸热量计问世，从封闭式系统（如Regnault和Reiset系统）发展为开放式系统（如Pettenkofer呼吸室），简化了操作。

逐步探索期（19世纪末至20世纪初）：美国化学家阿特沃特成功研制出直接热量计，首次实现对人体产热的精确量化，开启了人类代谢研究的新纪元。同时，间接量热技术向便携化发展（如Tissot肺活量计、道格拉斯袋），为后期便携气体分析仪的开发奠定基础。双重标记水技术的原理也在此时期被发现。

稳步发展期（20世纪中期至20世纪末）：评估技术呈现多元化趋势。20世纪60年代引入自我报告法（如问卷、运动日记），但其准确性受回忆偏差影响。随后，运动传感器（如计步器、加速度计）逐渐应用于EE评估。1994年，COSMED推出首台便携气体分析仪，虽需佩戴呼吸面罩，但因在准确性和相对便利性间取得平衡，被视为EE评估的金标准。

现状：体力活动能量消耗智能评估进展

AI技术在PAEE评估中的应用主要集中于机器学习（ML）和计算机视觉（CV）两大领域。

机器学习在PAEE评估中的应用

1. 1.1.
   提升评估模型准确性：ML算法（如时序卷积网络TCN、人工神经网络ANN、遗传算法GA）通过处理原始数据，减少了传统回归模型的数据损失，显著提高了PAEE预测精度（例如，某些模型准确率超过92%）。针对特定运动（如跳绳、动力自行车）开发专用模型，能有效改善适用性和准确性。
2. 2.2.
   优化评估设备依从性：为解决髋部佩戴加速度计的不便，研究转向更舒适的手腕佩戴方式。ML算法，特别是ANN和CNN，被用于开发和验证基于手腕加速度计的PAEE预测模型，证明其可达到与髋部佩戴设备相当的准确性，甚至在某些情况下表现更优（手腕ANN模型的均方根误差RMSE比线性模型降低21-23%）。多部位（如手腕、大腿、脚踝）传感器网络结合ANN算法也能有效估计PAEE。
3. 3.3.
   综合考量评估复杂性：PAEE受活动强度、个体生理心理状态、环境因素（温度、湿度、气压）及个人特征（身高、体重、年龄）等多因素影响。ML算法能天然地整合这些多源数据（如心率、呼吸、加速度、皮肤温度、皮肤电反应等），构建更精确的预测模型（如深度多分支两阶段回归网络DMTRN将RMSE降低了22.8%）。
4. 4.4.
   特定人群评估的适用性：针对儿童（基础代谢率BMR较高）和老年人（能量需求、EE和活动范围与中青年差异显著）的生理特点，开发专用的ML模型（如CNN、递归神经网络RNN）至关重要，这些模型在自由生活环境中也显示出良好的性能，增强了PAEE预测模型的整体适用性和稳健性。

计算机视觉在PAEE评估中的应用

CV技术通过摄像头捕获人体运动图像，利用计算算法进行分析处理，实现非接触式PAEE评估，具有无干扰、无负担、场景设置简单、数据全面等优势。研究探索了CV在家庭PA、跑步机行走、壁球、有氧运动等场景中的应用，通过提取关节加速度、关节角度等运动学参数，结合MLP、CNN等模型预测PAEE。例如，有研究利用OpenPose提取参数进行有氧运动PAEE评估，准确率达86.4%。拍摄角度（如后视、侧视）和模型选择对评估效果有显著影响。然而，当前CV模型普遍存在泛化能力差（局限于特定活动类型）、输入数据质量易受环境（光照、遮挡、分辨率）影响以及缺乏统一技术标准框架等挑战。

未来：体力活动能量消耗智能评估展望

1. 1.1.
   推进智能测量技术创新：未来需重点加强CV等非接触式智能技术在PAEE评估中的研究和应用，克服其在泛化性、数据质量和技术标准方面的局限。应使用高分辨率摄像头保障数据质量，采用数据增强和清洗技术，并建立统一的应用标准（数据格式、处理流程、结果表示）。
2. 2.2.
   扩展智能评估应用场景：需将研究从实验室环境转向真实自由生活场景进行验证。平衡评估准确性与便捷性，鼓励使用智能手机内置传感器和轻量级算法降低成本。拓展应用场景至竞技体育（训练负荷监控）、学校体育教育（学生活动水平监测）和公共健康领域（结合智能体育设施提供个性化运动指导），并利用大规模多样化数据集提升模型泛化能力。
3. 3.3.
   规避智能评估伦理风险：随着生物特征和行为数据收集的常态化，必须关注隐私保护（如应用人脸匿名化技术、数据加密传输、完善法律法规）、算法透明度（解决ML模型“黑箱”效应，要求披露算法逻辑和决策过程）以及第三方监督，以增强公众对智能PAEE评估技术的信任和接受度。

结论

PAEE评估方法经历了初始涌现、逐步探索和稳步发展三个阶段。当前，在AI技术驱动下，正朝着智能化和自动化方向变革。ML和CV是两大主要应用领域，其中CV发展潜力巨大。未来研究应聚焦于技术创新、场景扩展和伦理风险规避，以进一步提升AI在PAEE评估中的效能，为个体能量平衡管理和慢性病防控做出贡献。