目的:目前测量人体日常体力活动方法有很多种,但是都有相当大局限性。通过便携式加速度传感器测量体力活动能耗,已发展成为主流,但其预测体力活动能耗的算法模型一般为线性回归模型,其预测能力有限。本研究希望通过分析髋部固定的三轴加速度传感器获取加速度数据,建立预测能量消耗的人工神经网络(Artificial Neural Network,ANN)模型。经过转换的信号信息和受试者人口特征(性别,年龄,身高,体重,身体质量指数)应用于人工神经网络(ANN)模型的训练,试图找到一种更好的分析变量间复杂关系的非线性数学模型,从而达到预测能量消耗的效果。方法:根据文献资料的查找,受试者进行跑台的慢走(65m/min)、快走(100m/min)、慢跑(135m/min)、静坐、自行车骑行(中等强度心率)等人体日常生活动作,记录受试者,年龄、性别、身高、体重、脂肪含量、加速度传感器计数(VM)为主要指标,年龄和性别要求受试者填写基本情况调查表;身高、体重按照人体形态学指标测量标准进行测量;脂肪含量用身体成分分析仪测量结果为标准。三轴加速度传感器(GT3X)读取原始计数(VM)采集一分钟数据用以进行加速度信号的特征提取。受试者髋部固定一个GT3X加速度传感器,开始进行规定的5种活动,加速度计采样频率设置为30Hz,使用GT3X自带软件采集信号。使用matlab2015b读取原始加速度信号进行相关分析。能量消耗的测量采用间接测热法(MAX-Ⅱ),受试者通过佩戴呼吸面罩收集气体样本。建立ANN模型其目的是把神经网络与原始数据特征相结合用以评估测量每分钟能量消耗。结果:模型预测结果显示ANN模型的MAE和MSE平均值相对于Actigraph的回归方程测量结果显著减少(P<0.001)人工神经网络(ANN)的相关系数(r~2)高于AG回归方程模型,而总能量消耗(TEE)的平均绝对误差(MAE),均方误差(MSE)和绝对百分比差异与AG回归方程模型比较差异减小。在预测值的均值和方差方面都有所改进,分析百分比误差显示ANN模型比AG回归方程模型有更进一步降低。本文在现有的基础上通过采集加速度传感器原始信号数据,在特征提取阶段利用这些数据,确定相关参数进行建模,经分析后得出以下结论。(1)本研究所建立的ANN能耗预测模型提高了能量消耗的预测精度,更加适用于大学生人群日常能量消耗的监测。(2)开放了高维建模技术的领域,相比于传统的建模技术,ANN显得更加灵活。验证了当前模型也使模型算法更具鲁棒性。