编辑推荐：
在身体活动（PA）研究中，传统加速度计数据处理方法在分类 PA 强度时存在诸多问题。研究人员开展了利用重力加速度结合 ViT-BiLSTM 模型对成人 PA 强度分类的研究。结果显示该模型总体准确率达 98.5%±1.48%，为 PA 监测和分类研究提供了重要参考 。
在健康与运动研究领域，准确监测和分类身体活动强度（Physical Activity Intensity，PAI）至关重要，它能为人们了解自身健康状况、制定科学运动计划提供关键依据。传统上，依靠加速度计测量身体活动虽已较为普遍，但在 PAI 分类方面却面临重重挑战。例如，基于代谢当量（METs）的 PAI 估算方法，不同研究使用的切点差异大，受个体差异、环境因素及设备放置位置影响明显，导致结果不准确。传统机器学习算法虽在 PAI 分类中有一定表现，但依赖人工设计和选择特征，不仅耗时费力，还可能遗漏重要特征。卷积神经网络（Convolutional Neural Network，CNN）虽能自动提取特征，但以往研究多在实验室环境进行，且需佩戴多个加速度计，在自然环境下可行性差，同时难以捕捉活动的全局信息。循环神经网络（Recurrent Neural Network，RNN）中的双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM）虽擅长处理时间序列数据，但对活动的全局空间信息不敏感。因此，开发一种更精准、适应性更强的 PAI 分类模型迫在眉睫。
为解决这些难题，来自英国埃克塞特大学（University of Exeter）、长江大学工程技术学院以及英国利物浦大学（University of Liverpool）的研究人员携手开展了一项重要研究。他们创新性地将 Vision Transformer（ViT）和 BiLSTM 相结合，构建了 ViT-BiLSTM 模型，并利用重力加速度数据进行 PAI 分类研究。该研究成果发表在《BMC Biomedical Engineering》上，为身体活动监测和分类领域带来了新的突破。
研究人员在本次研究中运用了多种关键技术方法。首先，采用 Capture-24 数据集，该数据集来自 151 名 18 - 91 岁成年人佩戴的 Axivity AX3 手腕活动追踪器，收集了近 4000 小时的数据，其中超 2500 小时有基于有效真实活动的注释。其次，利用欧几里得范数减一（Euclidean Norm Minus One，ENMO）算法对原始加速度计数据进行预处理，转换为重力加速度数据，并依据 Hildebrand 等人的阈值标注 PAI。之后，将数据转换为格拉姆角场（Gramian Angular Field，GAF）图像，再通过 ViT - BiLSTM 模型进行分析。
下面来看具体的研究结果：
- 模型性能：通过对比 ViT-BiLSTM 模型与其他模型（如 CNN、ViT、BiLSTM、CNN-BiLSTM）的混淆矩阵发现，ViT-BiLSTM 模型表现卓越，总体准确率达到 99.63%，LPA、MVPA 和 SD 的分类准确率分别为 99.5%、98.9% 和 99.5%。其受试者工作特征（Receiver Operating Characteristic，ROC）曲线下面积（Area Under the Curve，AUC-ROC）几乎都为 1.0，在区分不同活动强度时具有强大的判别能力，且假阳性率低。
- 模型稳健性：通过方差分析（Analysis of Variance，ANOVA）评估模型在不同 PAI 和时间窗口（Temporal Window，TW）下的准确性差异，结果表明模型在不同 TW（F=0.52，p=0.72）和 PAI（F=2.18，p=0.13）条件下，准确率保持一致，展现出良好的稳健性和稳定性 。从箱线图可知，模型对 SD 的预测准确率最高且最稳定，MVPA 的准确率方差较大，LPA 表现居中。不同 TW 下，15s 和 10s 时模型预测更稳定，5s 和 30s 的预测变异性较大。
- 模型训练过程：以 15s TW 为例分析模型的准确率和损失曲线，训练准确率从约 95% 提升至近 100%，验证准确率从约 96% 上升至 100%，训练损失从约 9 急剧下降至近 0，验证损失从约 1 逐渐下降至近 0，表明模型学习效果良好，泛化能力强，且未出现过拟合现象。
- 不同因素对模型准确率的影响：不同 TW 会影响模型性能，15s TW 时训练和测试准确率最高，5s TW 最低。模型对 SD 的预测准确率始终较高，在短时间窗口（如 1s、5s）对 MVPA 预测准确率较高，长时间窗口（如 30s）对 LPA 预测准确率较高，1s 和 15s 的训练和测试损失标准差较大，反映出模型性能波动较大。
研究结论和讨论部分指出，ViT-BiLSTM 模型在 PAI 分类中性能卓越，使用重力加速度进行强度分类比传统 METs 方法更准确，且模型稳健性和可靠性高。与以往研究相比，该模型优势明显，即便面对复杂的 LPA 和 MVPA 行为，也能实现高精度预测。不过，PA 特征会影响模型性能，未来研究可考虑优化模型，如采用模型剪枝、量化技术或探索轻量级架构，同时应在更多数据集上验证结果，使用不同 PA 阈值，拓展研究不同类型的身体活动，以进一步提升模型的实际应用价值。
这项研究为身体活动监测和分类提供了创新思路与有效方法，有助于推动相关领域的发展，让人们能更精准地了解自身身体活动状况，为健康管理和运动干预提供更科学的依据。
