身体活动监视器20记录的活动信号21。分类器包括特征提取器31，其从活动信号21计算移动特征，诸如按分钟测量的活动计数(AC);运动水平，即曲线下信号面积的幅度(ML);运动速率(MR，bpm);运动频率;运动速度;投影在加速度计的三个感测轴(Cx，Cy，Cz)上的沿竖直方向的单位矢量的分量(重力矢量);信号熵(J);以及运动质量，例如信号熵的倒数(MRQual ity，例如表示为从O到I的范围中的值)。
[0038]移动特征表示对第一分类器级32(称为静息/活动分类器)的输入，所述第一分类器级32确定用户是在执行身体活动还是在久坐。以下算法可以用于确定静息/活动分类器的输出。
ModelOutput = θο + θι * AC + θ2 * ML + 03 * Cz + 04 * MR + θδ *MRQuality
Probability = I / (I + e"(- ModelOutput))
If Probability < ProbThi
Output <= Crest
Else
Output <=Cactive 利用以下参数:
Θ1...5 = [0.6044, -2.4805, 2.9425, 1.2822, 1.1371, 4.1358];
ProbThi, decis1n boundary = 0.50;
分类器30可以利用多参数模型，其提供两级分类以决定活动属于静息(Crest)还是活动(Cactive)类，其中Crest和Cactive表不指不静息或活动的条件的分类器的类输出。在第一分类器单元32检测到活动的情况下，称为活动类型分类器的第二分类器单元33用于区分身体活动的类型。步行、走台阶、跑步和骑行之间的区分可以通过评估涉及移动速度和海拔中的改变以检测向上走和向下走台阶的移动特征来做出。关于可以如何构建该第二分类器单元33的另一示例是作为NaiveBayes分类器，其描述在给定活动信号的特征列表(如以上所列)的情况下活动类型的概率。当从所测量的活动信号计算的特征在数值上类似于数据库中的针对特定活动的预记录的特征，则活动监视器20所测量的活动对应于数据库中所标识的活动的概率是大的。由此，活动类型可以由第二分类器单元33分类。分类器30的输出Cactive然后指代活动的类型。
[0039]另外，还可以从分类器输出推导涉及身体活动的持续时间、开始和终止的时间信息。该信息还可以用于表征HR动态特性，诸如在活动开始时HR上升期间的趋势、HR峰值的活动终止之后而同时活动正在进行时的HR恢复中的趋势。这些特征然后与VO2Hiax预测算法组合使用以估计心肺健康。
[0040]根据是否执行活动和根据哪个HR阶段可得到(例如上升HR、稳定状态锻炼HR、HR恢复)，选择器40将选择最适当的(多个)HR特征以估计针对该活动的V02max。最适当的V02max估计优选地为已经显示出验证测试(优选地提前在实验室中完成一次)中的最低平方根误差(RMSE)的那个。
[0041 ]根据实施例，从较大数目的基于HR特征的模型之中选择VO2Hiax估计模型。例如，如果活动计数在1000以下，HR静息(例如HR静息中值)或HRV(例如SDNN； NN间隔的标准偏差)回归模型用于估计V02max。如果在至少Imin或更长时间内活动计数在1000与5000之间，使用基于锻炼HR(例如HR/计数)的回归模型；如果分类器识别到至少30s的活动恢复，使用HR恢复(例如斜率或增量)等等。
[0042]在下文中示出基于若干不同HR特征的回归模型的示例:
i)VO2Hiax [L/kg/min] = 69.9243 - 0.40637 x HR静息中值**训练**
bias = -9.77e_015rmse = 5.8772%std = 0.1428%mean = -0.022043%see = 0.035767**验证**bias = 1.6395rmse = 7.5044%std = 0.17599%mean = 0.020929%see = 0.040603
ii)VO2Hiax [L/kg/min] = 50.1855 - 1.3398 x 在静息期间的STD HR (SDNN)
#训练#
bias = -6.2172e-015rmse = 5.9303%std = 0.14409%mean = -0.021243%see = 0.034673**验证**bias = 1.5481rmse = 6.2864%std = 0.14643%mean = 0.018633%see = 0.032297
iii)V〇2max [L//kg/min] = 43.4858 - 0.0090276 x 上升Tau指数拟合 #训练#
bias = -7.6383e_015rmse = 6.2464%std = 0.15176%mean = -0.02538%see = 0.03968**验证**bias = 0.27444rmse = 7.0794%std = 0.16974%mean = -0.015193%see = 0.04097
iv)V〇2max [L/kg/min] = 29.958 + 0.4424 x 30sec内的恢复增量HR #训练#
bias = -3.7303e_015rmse = 5.9601%std = 0.14481%mean = -0.022976%see = 0.037613**验证**bias = 1.8209rmse = 7.2645%std = 0.16901%mean = 0.021432%see = 0.040426
v)V〇2max [L//kg/min] = 34.0319 -11.718 x 恢复斜率#训练#
bias = 5.862e_015rmse = 5.9956%std = 0.14567%mean = -0.023327%see = 0.037605**验证**bias = 1.5238rmse = 7.7082%std = 0.18159%mean = 0.012476%see = 0.044786
vi)V02max[L//kg/min] = 66.8135 -6.0392 x 性别-3684.1417 x FitnessIX ->针对步行/跑步的HR/计数之比(如果步行和跑步HR和活动计数可得到的话)
**步进式MLR训练** bias = 1.7764e-016 rmse = 4.8545 %std = 0.11795 %mean = -0.015754 %see = 0.031514 #步进式MLR验证#bias = 1.9627
rmse = 5.5032
%std = 0.12336
%mean = 0.038283
%see = 0.02918
这些数字报告模型的性能。
[0043]图4描绘图示了在步行和跑步期间VO2Hiax与HR/计数之间的相关性的图。其图示了模型HR/计数在估计V02max中如何执行。
[0044]图5示出根据本发明的方法的实施例的流程图。该算法基于可得到的数据而选择由具有最低验证RMSE的预测模型生成的VOanax估计。预测模型是基于可得到的所有HR特征比较模型的实验误差的算法。例如，如果已经检测到三个特征
模型I—HR特征I误差=3 模型2—HR特征2误差= 3.5 模型3—HR特征3误差=I 则系统选择由模型3估计的V02max。
[0045]例如，可能发生的是仅部分的HR恢复数据可得到使得心率特征“恢复斜率”可得至IJ。则，VO2Hiax估计是基于HR恢复斜率模型(RMSE=7.7)。但是在静息数据同样可得到的情况中，可以使用静息期间的STD HR( SDNN)。这将是所显示的V02max预测，因为其RMSE是6.3并且因此低于HR恢复模型。
[0046]在第一步骤SlO中基于加速度信号100做出移动存在的评价。如果移动存在，如在步骤S12中检查的，在步骤S14中做出活动和心率阶段的分类，即检测活动类型(诸如步行、跑步、上升、稳定状态、恢复、骑行等)。如果没有识别到某种类型的活动，如在步骤S16中利用活动模板400检查的，算法返回到步骤S10。
[0047]在处理的并行路径中，在步骤S20中基于心率信号