消费级可穿戴设备评估真实世界运动质量：基于MARG传感器的节段朝向测量与验证

《Wearable Technologies》：Assessing real-world movements using consumer-grade wearable devices: Measuring segment orientations and movement quality

本研究针对实验室外运动质量评估的挑战，探索消费级可穿戴设备的应用潜力。研究人员通过对比Polar Verity Sense MARG传感器与Vicon光学运动捕捉系统，系统评估了不同传感器位置在复合运动中对节段三维朝向的测量精度。结果表明，胸部传感器整体表现最佳（RMSEmean<9.0°），而腕部传感器误差波动较大（5.5°≤RMSEmean≤139.1°）。该研究为利用可穿戴技术提升运动质量评估的实用性与可及性提供了重要依据。

　　

随着科技革命的推进，可穿戴设备已成为现代生活不可或缺的组成部分。当前设备功能多样，能够提供多种健康相关指标。然而，尽管可穿戴设备越来越多地被用于促进大众的体育锻炼，但其焦点主要集中于运动的“量”的量化，而运动“质”的重要性虽日益受到关注，却仍是身体活动中常被忽视的环节。优质的运动对于最小化受伤风险、提升运动表现至关重要，甚至可能通过增强个体参与体育活动的动机和信心来延长寿命。

传统上，运动质量的测量与评估局限于研究和临床环境。在临床中，评估通常由运动专家主观进行；而在研究中，光学运动捕捉（OMC）系统被视为金标准。然而，在这些限制之外评估运动质量仍然充满挑战，主要源于时间、资金和空间上的巨大限制。此外，这些评估环境以及通常所分析的运动类型可能限制了其生态效度。因此，广大民众往往无法从理解和改善自身运动质量中获益。可穿戴技术则提供了一个潜在的解决方案，它以可负担、易获取且实用的方式，为评估运动质量带来了新的机遇。

先前研究表明，可穿戴技术，主要是磁力计、角速度计和重力计（MARG）传感器、惯性测量单元（IMU）或其组成部分，可通过直接测量和量化运动特征来参与运动质量评估。这通常围绕着传感器朝向的计算，从而也允许估算关节角度。尽管已有大量研究验证了可穿戴设备在体育活动中测量朝向的能力，但这些验证研究并非没有局限。例如，IMU和MARG传感器常在体育活动中与OMC系统进行对比验证。在此类验证中，传感器通常被固定在运动捕捉系统常用的表面刚性反光标记簇上，以确保标记簇的朝向与设备本体直接对应。虽然这种方法能精确验证传感器朝向数据，但未能触及运动质量的细微之处；传感器的朝向追踪能力得到验证，却未考虑运动标准或人体及其骨骼结构的动态、相互关联的运动。因此，缺乏实际的可转移性变得明显，因为OMC系统使用基于骨骼的生物力学模型来评估人体运动，其运动描述是相对于关节中心，而非表面的标记位置。

现有文献虽展示了可穿戴技术辅助评估运动质量的潜力，但主要由单平面和单关节运动的研究主导。此类研究多使用临床或研究级传感器，未能完全捕捉人类运动的复杂、多维特性。此外，相对于标准化的生物力学模型，验证多个三轴MARG传感器在全身复合运动中朝向的研究十分匮乏。事实上，仅有两项研究试图验证可穿戴设备相对于此类模型的朝向，且两者均使用研究级设备来检查主要用于临床应用的下肢运动。此外，虽有研究表明传感器在测量运动量时放置位置灵活不影响精度，但其他研究提示在运动质量评估中，若传感器位置不理想，其性能可能会下降。因此，本研究旨在评估消费级可穿戴设备在复合及功能性练习中评估运动质量的能力，并与已建立的OMC模型进行对比，涵盖上下肢。作为次要目标，鉴于传感器位置可能对精度产生影响，本研究试图找出传感器位置对朝向测量的影响，以供运动质量评估之用。

为开展研究，22名健康成年参与者（17名男性）在胸部、双腕、双大腿和双踝佩戴了八个Polar Verity Sense 9轴MARG传感器，同时执行重复的自身体重运动。使用Madgwick梯度下降传感器融合算法来获取三维朝向。在时间同步和坐标系对齐后，以Vicon光学运动捕捉系统为基准，通过均方根误差（RMSE）来量化并发效度。

研究人员利用Android应用程序远程操作传感器，并使用12摄像头Vicon OMC系统及Nexus 2.0软件以250 Hz采样率同步采集运动学数据。采用标准化且广泛使用的Plug-In Gait (PiG)生物力学模型和反光标记集作为金标准。参与者完成了包括深蹲、俯卧撑、早安式体前屈和椅子臂屈伸在内的练习协议（仰卧卷腹数据因标记遮挡被排除分析）。

数据处理与分析阶段，Vicon记录在需要时进行了间隙填充，随后将生成的C3D标记坐标文件导出至Visual3D生物力学建模与分析软件，构建了包含10个节段（胸廓、上臂、前臂、骨盆、大腿、小腿）的生物力学模型。MARG传感器数据则传输至MATLAB R2023a进行分析，包括坐标系转换、磁力计和陀螺仪校准、数据降采样和同步。应用Madgwick传感器融合算法（默认β值为0.1）来估计设备朝向，朝向以经典XYZ序列的欧拉参数（俯仰、翻滚、偏航）表示。为确保与OMC数据比较，传感器朝向数据进行了重采样，并通过对齐全局坐标系（主要校正偏航角偏差）和时间同步（利用朝向输出中的明显信号特征）进行处理。通过计算均方根误差（RMSE）来评估并发效度，并依据Poitras等人（2019）推荐的阈值对精度进行分类：RMSE < 5°为“优秀”，5-10°为“良好”，>10°为“不可接受”。

研究主要应用了以下几项关键技术方法：利用Polar Verity Sense 9轴MARG传感器进行数据采集；采用Vicon光学运动捕捉系统及Plug-In Gait (PiG)生物力学模型作为金标准；使用Madgwick梯度下降算法进行传感器融合以估计朝向；通过均方根误差（RMSE）进行并发效度评估；并对传感器数据进行磁力计校准、坐标系对齐和时间同步处理。样本来源于22名健康成年志愿者。

3. 结果

3.1. 朝向测量精度总体情况

解耦的欧拉参数总体RMSE值表明，在所有运动和传感器位置中，偏航角（Yaw）的估计误差最大。仅胸部传感器在偏航方向上持续保持准确，左踝和左大腿传感器在早安式练习中也表现良好。腕戴传感器产生的偏航角误差最大。翻滚角（Roll）的测量结果通常最佳。

3.2. 深蹲练习中的传感器表现

对于深蹲练习，胸部传感器始终准确。相反，放置在左大腿和右腕的传感器在俯仰和翻滚角上表现出不准确性，右大腿传感器仅在翻滚方向上不准确。深蹲的所有其他俯仰和翻滚测量值均在可容忍范围内。

3.3. 早安式练习中的传感器表现

在早安式练习中，俯仰角的准确性差异很大；胸部、大腿和踝关节传感器的范围从“良好”到“优秀”，但腕部传感器产生了显著的不准确性。类似地，腕部传感器在翻滚方向上的估计误差很大，大腿传感器也观察到不准确性。然而，胸部和踝关节测量值在合理的精度范围内。

3.4. 俯卧撑练习中的传感器表现

对于俯卧撑，仅右腕传感器在俯仰角上表现出可容忍的精度，与其他位置较高的误差形成对比。在翻滚方向上，仅左腕传感器超过了可接受限值；大腿传感器显著显示出“优秀”精度。

3.5. 椅子臂屈伸练习中的传感器表现

对于椅子臂屈伸，胸部传感器在所有方向上的精度均在可容忍范围内。腕部传感器在俯仰方向上表现良好，而踝关节和大腿传感器的估计可靠性较差。对于翻滚角，左腕和右大腿观察到不可接受的误差，但所有其他传感器位置返回了“良好”到“优秀”的精度。

4. 讨论与结论

本研究的结果表明，使用MARG传感器进行朝向测量的准确性是运动特异性的，并可能受解剖学传感器定位的影响。此外，它强调了使用表面佩戴的可穿戴设备来模拟已建立的OMC骨骼模型（运动质量评估的金标准）所面临的挑战。

胸部佩戴的设备在所有练习中一致性最高，这很可能得益于胸骨位置的骨骼结构最小化了软组织伪影误差。这一发现与Dahl等人（2020）的研究结果一致，他们使用类似的OMC生物力学模型评估了研究级传感器在类似运动和传感器放置下的表现。这一发现意义重大，考虑到置于躯干的传感器对于运动质量评估的价值。推测而言，由于靠近身体质心，躯干佩戴的传感器可能在不同活动中具有可转移性。

研究中观察到的其他位置的准确性因所执行的运动而异。基于欧拉角的朝向估计的一个挑战是万向节锁死（Gimbal lock），当陀螺仪的三个旋转轴中的两个对齐时，会导致一个自由度的丢失。在本研究中，这种现象表现为当翻滚方向的旋转接近90°时，俯仰和偏航输出出现不可预测的朝向行为。尽管大多数人可能不熟悉四元数，但欧拉角仍然更易于理解。万向节锁死在椅子臂屈伸和俯卧撑中的大腿和踝关节传感器上尤其明显。

可以合理推测，本研究中涉及的运动中腕部传感器相对较高的旋转速度导致了较大的误差，这与先前研究观察到的影响一致，而万向节锁死则使误差加剧。这些发现强调了运动质量评估对传感器放置的敏感性，突出了身体节段以及设备佩戴在节段上的具体位置的重要性。此外，它们揭示了消费级IMU和MARG传感器在准确测量高速运动朝向方面的当前局限性。

在深蹲中，大腿和腕部传感器的不准确性很突出。据推测，与先前研究一致，观察到的大腿传感器误差可归因于大腿肌肉的影响； underlying muscular contractions could engender measurement errors not experienced by a more rigid segment. 万向节锁死也可能影响了一些大腿传感器数据，但根据OMC数据，只有少数参与者（n=3）达到了足够的深度（即大腿节段与地面平行）。对于腕部传感器，输出似乎受到参与者深蹲过程中手臂运动的影响。许多个体加入了手臂摆动而不是保持固定手臂姿势，相关的异质性使得难以确定一个明确的总体误差来源。

传感器测量在静态条件下或运动范围较小时表现出良好的准确性。例如，在早安式练习中，大腿和踝关节通常表现出良好的准确性，因为运动很小，而踝关节传感器在深蹲的俯仰和翻滚方向上表现良好，认识到运动的主要方向是绕z轴（即偏航）。然而，在评估人体运动质量时，静态朝向测量的实际应用有限。相比之下，在俯卧撑和椅子臂屈伸中基本保持静止的腕部测量却表现出意想不到的误差。对于这两种练习，传感器在腕关节屈曲时的接近性可能导致了不准确性，表明前臂上更远的位置可能更合适。此外，值得注意的是，在俯卧撑过程中，左右腕部观察到了明显的测量差异。虽然确切的误差来源仍未确定，但潜在的磁力计干扰可能是一个因素。

当单独考虑解耦的欧拉参数时，偏航方向的测量比俯仰和翻滚要错误得多。这与Bergamini等人（2014）的发现相当，他们探索了一系列用于测量人体运动的朝向估计算法，包括Madgwick算法。尽管作者使用了将研究级传感器牢固附着在刚性OMC标记簇上的方法，但在长时间数据采集期间，特别是在 locomotion tasks 中，与较短的、单一事件的手动任务相比，误差更为明显。基于这些观察，本研究的结果表明，总体而言，俯仰估计比翻滚角更错误。这与先前的研究相反，在先前研究中，俯仰角估计通常最准确，或者与翻滚估计相当。然而，需要注意的是，先前的研究结果通常来自高度受控的研究，其中欧拉参数在统一条件下进行测试。本研究中考虑的传感器放置和特定运动引入了相当大的变异性。

虽然这项研究为使用商用级MARG传感器测量人体运动提供了宝贵的见解，但必须在某些局限性的背景下考虑这些发现。所使用的传感器是基于与OMC系统局部坐标的近似位置手动对齐的。这可能影响了测量的精度，尽管在可能的情况下，通过考虑绝对朝向而非相对朝向来对此进行了说明。此外，依赖磁力计来校正陀螺仪漂移虽然常见，但带来了诸如环境干扰等挑战。尽管尝试缓解此问题，但由于所执行运动的性质，不可能保证完全消除干扰，尽管这也突出了当前传感器技术的现实局限性。

总体而言，本研究强调了使用商用级MARG传感器评估人体运动的潜力和固有局限性。虽然存在显著的前景，特别是在单平面运动测量和胸部佩戴设备的使用方面，但从业者在解释传感器衍生的朝向数据时必须谨慎。本研究为后续研究奠定了基础，旨在改进这些工具，并提高其在与传统生物力学模型相比在现实世界应用中的准确性，同时强调机器学习分类技术作为评估运动质量的替代途径。可穿戴技术的可及性为公众了解其运动质量提供了有希望的机会，同时为身体活动和健康监测贡献了更全面的框架。