利用来自 Apple Watch 和 Fitbit 设备的数据，通过机器学习（ML）方法预测个人可能参与的体育活动类型

《International Journal of Clinical and Health Psychology》：Predicting the Types of Physical Activities Using Data from Apple Watch and Fitbit Devices Based on Machine Learning (ML) Methods

可穿戴设备健康监测与多模型分类研究：基于Apple Watch和Fitbit的数据分析显示，采用SMOTE平衡采样后，LGBM算法在活动类型分类中表现最优，准确率达0.876且F1-score达0.875，较其他模型（如XGB、RF）提升显著，尤其在区分高代谢运动（如7 METs跑步）时具有更强分类能力。研究验证了数据平衡对提升模型鲁棒性的关键作用，并指出未来可结合实时处理优化与医疗场景应用拓展。

　　
### 研究背景与意义
随着可穿戴设备的普及，智能手表和健身追踪器已成为健康监测的重要工具。这些设备通过传感器收集用户的生理数据（如心率、步数、运动类型等），为个性化健康管理提供了基础。然而，如何从大量传感器数据中准确分类用户活动类型（如行走、跑步、静止等），并解决数据不平衡问题，仍是当前研究的关键挑战。

本研究以Apple Watch和Fitbit设备为数据源，通过对比8种机器学习模型（包括随机森林、梯度提升树、K近邻等）在不同数据平衡策略下的性能，提出了一种基于LightGBM（轻量级梯度提升机）的分类模型。该模型在平衡数据集上表现出最优的准确率和F1分数，尤其在识别高强度运动（如跑步7 METs）方面表现突出。这一成果不仅验证了机器学习在可穿戴设备数据分析中的潜力，还为后续研究提供了优化方向。

### 研究方法与数据
#### 1. 数据来源与预处理
研究团队从Apple Watch和Fitbit设备中获取了共计6,264条用户活动数据，涵盖6种运动类型：平躺、静坐、自定步速行走、跑步3 METs、跑步5 METs和跑步7 METs（METs为代谢当量，衡量运动强度）。数据预处理包括：
- **缺失值处理**：用特征平均值填充缺失值。
- **文本规范化**：统一数据格式（如性别编码为数值型）。
- **数据标准化**：通过缩放消除不同量纲特征的影响。

#### 2. 模型选择与对比
研究对比了8种机器学习模型，涵盖集成学习（随机森林、梯度提升树）、元学习（AdaBoost）和实例学习（K近邻）等框架。具体模型包括：
- **LightGBM**：基于梯度提升的树模型，擅长处理高维数据且计算效率高。
- **Extra Trees**：通过随机特征和节点分裂构建集成树模型，减少过拟合风险。
- **XGBoost**：优化后的梯度提升算法，内置正则化防止过拟合。
- **随机森林（RF）**：通过自助采样和多数投票机制提升鲁棒性。
- **Bagging**：通过自助采样聚合多个弱学习器降低方差。
- **K近邻（KNN）**：基于局部邻域的简单分类方法，但对数据分布敏感。
- **Nu-SVC**：支持向量机变体，通过调整核函数和正则化参数适应不同数据集。
- **AdaBoost**：通过权重调整逐步优化弱学习器组合。

#### 3. 数据平衡策略
针对数据集中少数类样本过少的问题，研究采用以下方法：
- **SMOTE（合成 minority over-sampling technique）**：通过插值生成合成样本，避免简单复制导致的过拟合。
- **ADASYN**：动态调整合成样本生成比例，优先处理困难样本（Hard Examples）。
- **对比实验**：分别评估平衡与非平衡数据下的模型性能，验证数据预处理的有效性。

#### 4. 评估指标与实验设计
研究使用以下核心指标：
- **准确率（Accuracy）**：预测正确的样本占总样本的比例。
- **F1分数（F1 Score）**：精确率与召回率的调和平均，衡量平衡分类任务中的综合性能。
- **训练时间（Training Time）**：模型训练耗时，反映算法效率。

实验采用5折交叉验证，确保结果泛化性。通过方差分析（ANOVA）验证LGBM模型性能提升的显著性（p值<0.05）。

### 研究结果与分析
#### 1. Apple Watch数据集表现
- **未平衡数据**：LGBM以83.3%的准确率和83.3%的F1分数位列第一，显著高于其他模型（如随机森林的81.9%）。
- **SMOTE平衡后**：LGBM准确率提升至87.6%，F1分数达87.6%，较未平衡数据提高约4%。其中，跑步7 METs的AUC（曲线下面积）最高，表明模型能有效区分高强度运动。
- **其他模型对比**：
- XGBoost和Extra Trees在准确率上紧随其后，但F1分数低于LGBM。
- KNN和Nu-SVC因对数据分布敏感，性能相对较弱。
- AdaBoost训练时间最短（0.07秒），但准确率仅41.9%，效率与效果严重失衡。

#### 2. Fitbit数据集表现
- **未平衡数据**：LGBM仍以91.9%的准确率和91.9%的F1分数领先，远超次优的Extra Trees（91.8%）和XGBoost（91.2%）。
- **SMOTE平衡后**：LGBM准确率进一步升至93.0%，F1分数达93.0%，验证了数据平衡对少数类识别的提升效果。
- **模型效率对比**：KNN训练时间最短（0.02秒），但准确率仅为75.3%；XGBoost和LGBM因处理高维数据需要更长时间，但性能优势显著。

#### 3. 平衡策略对比
- **SMOTE vs. ADASYN**：在Apple Watch数据集上，SMOTE的F1分数（87.6%）高于ADASYN（86.4%），可能因ADASYN过度合成导致噪声增加。在Fitbit数据集上，SMOTE的F1分数（93.0%）同样优于ADASYN（92.3%）。
- **数据平衡对性能的影响**：无论Apple Watch还是Fitbit，平衡数据集下的模型准确率均显著高于未平衡数据集，验证了SMOTE的有效性。

### 研究贡献与局限性
#### 1. 贡献
- **模型优化**：首次系统对比8种机器学习模型在两种主流设备上的表现，明确LGBM为最优选择。
- **数据平衡策略验证**：通过SMOTE与ADASYN对比，证明SMOTE在生成合成样本时更少引入噪声。
- **实际应用价值**：模型可嵌入智能手表系统，实时识别运动类型并推送健康建议，例如预警久坐或高估运动强度。

#### 2. 局限性
- **设备差异未深入探讨**：Apple Watch和Fitbit的传感器精度、采样频率不同，可能影响模型迁移能力。
- **数据规模限制**：研究样本量较小（Apple Watch 3,656条，Fitbit 2,608条），未来需扩大数据集验证泛化性。
- **计算效率权衡**：LGBM在平衡数据集上的训练时间显著增加（较未平衡数据慢约2倍），需优化算法或硬件资源。

### 结论与未来方向
本研究证实，通过SMOTE平衡数据后，LightGBM模型在两类设备上均表现出最佳分类性能，准确率最高可达93.0%。这一结果为可穿戴设备的数据分析提供了可靠工具，尤其在健康管理领域具有潜在应用价值。

未来研究可聚焦以下方向：
1. **跨设备泛化性**：验证模型在佳明、华为等其他设备上的适用性。
2. **实时处理优化**：改进LGBM的并行计算能力，适应移动端低延迟需求。
3. **多模态融合**：整合心率、血氧、GPS等多源数据提升分类精度。
4. **个性化适配**：根据用户年龄、体重等特征动态调整模型参数。

### 实际应用场景
- **健康管理**：实时监测用户活动类型，预警久坐或高强度运动超负荷。
- **保险精算**：结合运动数据评估用户健康风险，优化保险定价策略。
- **康复训练**：为术后患者提供运动类型识别和康复进度跟踪。
- **体育科学**：分析运动员训练数据，优化训练计划。

该研究为可穿戴设备的数据处理提供了方法论参考，其开源代码和数据库（通过申请可获取）将推动后续研究进展。