摘要
本研究的主要目的是检验在使用加重背心的情况下，通过分支链建模（BCM）估算的跑步机行走过程中的能量消耗（EE）的有效性。研究招募了13名久坐不动且存在超重/轻度肥胖的成年人[男性11名，女性2名；平均年龄29.0岁（标准差5.5岁）；最大摄氧量（V̇O2max）为27.4 mL·kg−1·min−1；体重指数（BMI）为29.6（标准差3.0）]。参与者在佩戴加重背心（体重百分比的10%）和未佩戴背心的情况下，分别完成了4.0、4.5、5.0和5.5 km·h−1的逐步递增和稳态行走测试。能量消耗通过间接量热法（EEIC）和BCM（EEBCM）进行估算，后者使用了加速度计/心率（HR）组合传感器（ActiHeart 5），而心肺反应则通过气体分析来确定。使用一致性界限（LoA）和一致性相关系数（CCC）来评估EEBCM的有效性。重复测量方差分析（条件*速度）用于分析生理反应。结果显示，佩戴加重背心的情况对以下参数有显著影响：氧气消耗量增加（V̇O2；ml.kg−1.min−1；p<0.001）、通气量增加（p<0.001）、呼吸交换率增加（RER；p<0.001）、心率增加（p<0.001），以及EEIC和EEBCM的估算结果也都存在显著差异（p<0.001）。无论是未佩戴加重背心（CON）还是佩戴加重背心（VEST）的情况，EEIC与EEBCM之间的相关性都非常强（CCC分别为0.80和0.82）。EEIC与EEBCM之间的平均偏差（95%置信区间）分别为−6.7 J·kg−1·min−1（CON）和3.6 J·kg−1·min−1（VEST）。研究表明，超重/轻度肥胖的成年人在佩戴加重背心跑步时能量消耗会增加。BCM能够敏感地捕捉到这种变化，但无论是未佩戴还是佩戴加重背心的情况，间接量热法与BCM估算的能量消耗结果之间的一致性都较低，因此两者不可互换。
引言
已有充分证据表明，步行与健康老龄化密切相关，包括改善心血管健康、优化身体组成和代谢功能，以及降低跌倒风险（Bai等人，2022年）。此外，步行是最普遍且易于进行的体育活动形式，在人群层面占据了大部分与运动相关的能量消耗（EE）（Siegel等人，1995年）。对于超重或轻度肥胖的人群来说尤其如此，因为这类人群由于肌肉骨骼损伤和慢性或频繁的疼痛（例如腰痛）往往活动能力受限，从而形成一种极少或低强度运动的循环（Arranz等人，2014年）。为了使旨在减肥的生活方式改变计划取得成功，准确测定能量消耗至关重要，这不仅有助于了解每日总能量消耗（TDEE）的变化，还能评估一天内能量消耗的变化情况。例如，增加的体育活动能量消耗可能会被更长时间的不活动所抵消，这种现象被称为“能量补偿”（Careau等人，2021年）。尽管双标记水法仍然是测量TDEE的“金标准”，但该技术无法区分日常生活任务和不同强度结构化运动中的能量消耗（Argent等人，2022年；Westerterp，2018年）。因此，针对超重/轻度肥胖人群设计用于估算步行或日常生活中能量消耗的可穿戴传感器技术在学术界受到了越来越多的关注（Strath等人，2013年）。目前最常用的方法是基于心率（HR）或加速度计的方法，但每种方法都有其局限性，这些局限性限制了能量消耗估算的准确性（Chowdhury等人，2017年）。为了解决这些问题，有一种方法是使用“分支链加速度计”（BCM），它在算法中结合了心率和运动数据来估算能量消耗（Brage等人，2004年）。配备加速度计的可穿戴设备通过追踪三维空间中的身体运动来估算活动期间的能量消耗（Van Hoye等人，2014年）。为了将这些原始测量数据从米每秒平方（m.s−2）单位转换为能量消耗单位，已经开发出了相应的预测方程。一些方程允许将能量消耗计算为代谢当量（METs），类似于氧气消耗量（V̇O2），或者是单位时间内的能量消耗率（以焦耳或卡路里计）（Lyden等人，2011年）。然而，大多数仅依赖运动的加速度计的局限性在于，它们可能无法准确估算多种类型的能量消耗。例如，仅依靠运动数据的能量消耗估算无法考虑诸如行走坡度变化（包括上楼梯）、地形变化以及负重活动等因素的影响（Lyden等人，2011年）。另一方面，基于心率估算能量消耗的方法依赖于心率与V̇O2之间的假设线性关系（Schantz等人，2019年）。这种方法也有其不足，因为研究表明，在低强度运动时，心率的增加可能与能量消耗不成比例，这可能是由于躺卧、坐姿和站立时每搏输出量的变化所致（Amaro-Gahete等人，2019年）。此外，由于多种因素（包括运动类型、参与的肌肉质量、累积疲劳和运动强度）的影响，心率与能量消耗之间可能会出现分离（Ndahimana和Kim，2017年）。多项研究指出，结合心率和加速度使用分支链模型可以提高能量消耗估算的准确性（Brage等人，2007年，2015年）。其基本原理是，同时整合这两种测量数据可以减少单独测量时可能出现的误差来源（Edwards等人，2010年）。一种这样的可穿戴设备（ActiHeart 5，CamNtech）是一款紧凑型胸戴式监测器，它既可作为单极心电图仪使用，也内置了一个三轴加速度计，固定在躯干上。这种双传感器方法已在涉及不同人群、环境和活动类型的多个实验室研究中得到应用（Crouter等人，2008年；Klass等人，2019年），但很少有研究专门针对超重/轻度肥胖人群。这类人群的步行效率通常低于正常体重人群（Menéndez等人，2019年，2020年），这可能会对仅使用加速度计估算的能量消耗引入系统性偏差。此外，超重/轻度肥胖的人群通常会选择较慢的步行速度（Menéndez等人，2019年），这可能会降低信噪比，从而增加能量消耗测量的误差。鉴于超重/轻度肥胖的人群活动能力可能受限，且在高强度运动方面可能存在困难，一种简单实用的方法是通过负重来提高能量消耗。近年来提出了一个有趣的假设，称为“重力恒定理论”，该理论基于实验表明，在啮齿动物中增加慢性体重负荷可以按比例减少脂肪质量和体重（Jansson等人，2018年）。这些发现随后在概念验证研究中得到证实（Ohlsson等人，2020年），最近一项针对肥胖人群的随机临床试验也得到了支持（Bellman等人，2025年）。该理论提出了一种稳态机制，通过调节脂肪质量来维持重力负荷，而不依赖于脂肪产生的瘦素（Bellman等人，2025年；Jansson等人，2018年；Ohlsson等人，2020年）。类似的研究设计还包括有意使用加重背心进行减肥，结果发现减肥计划停止后，佩戴背心的组体重增加显著减少（DeLong等人，2025年）。这些发现令人鼓舞，并支持使用加重背心进行体重管理。然而，大多数研究仅在训练有素的军事人员中考查了负重状态下的能量消耗（Looney等人，2022年，2024年）。虽然这些研究开发出了称为“负重决策辅助工具”（LCDA）的预测方程，但其适用范围仅限于职业/军事环境，可能不适用于评估超重/轻度肥胖的久坐不动人群在负重状态下的能量消耗。虽然使用ActiHeart设备的BCM已经通过双标记水法验证了其对总能量消耗的准确性（Silva等人，2015年），但有研究发现它在 recreationally trained 人群中的应用效果不佳（Santos等人，2014年）。尽管如此，准确测定活动期间的能量消耗仍然至关重要，因为这是通过生活方式干预可以调整的总能量消耗的主要组成部分。在实验室控制条件下进行跑步机行走时，间接量热法被认为是估算能量消耗的参考标准，因为它能够敏感地反映底物利用的变化、绝对运动强度，并且可以通过不显著改变基本运动模式的操作（如缺氧环境或负重）来检测相对强度的变化（Argent等人，2022年）。本研究的目标是使用ActiHeart设备通过间接量热法（EEIC）和BCM（EEBCM）估算一组超重/轻度肥胖人群在跑步机行走过程中的能量消耗。我们还考察了通过佩戴加重背心增加负荷对能量消耗的影响，以评估BCM是否能够感知心率的预期增加，而加速度计的数据没有明显变化。最后，我们将EEIC和EEBCM的结果与LCDA代谢成本方程进行了比较。我们假设ActiHeart设备估算的能量消耗与佩戴及未佩戴加重背心行走时的EEIC结果之间的差异将在可接受范围内。另一个假设是，LCDA能够为超重/轻度肥胖的久坐不动成年人提供有效的能量消耗估算，正如之前在健康军事人员中的研究所示（Looney等人，2022年，2024年）。
方法
样本量计算
本研究是更大项目的一部分，该项目涉及总能量消耗（TDEE）的测量。因此，我们参考了Chowdhury等人（2017年）的研究结果来估算TDEE的效果大小，并据此确定了样本量。统计功效设定为0.8，α为0.05。基于0.8的效果大小（较强效果）和单尾分布，使用G*Power软件（版本3.1.9.6）估算出至少需要12名参与者。
参与者
最初通过电子邮件、社交网络和口口相传的方式招募了15名参与者（13名男性和2名女性）参与本研究。其中两名男性自愿退出，最终完成数据集的参与者人数为13名。参与者的入选标准如下：年龄在20至50岁之间，根据标准指南显示体力活动水平较低（每周中等强度活动少于150分钟或剧烈强度活动少于75分钟），根据体重指数（BMI）被归类为超重或肥胖（BMI=25–35），但其他方面健康。排除标准包括重度肥胖（BMI>35）、吸烟者、有已知的心血管、代谢、肾脏、肌肉骨骼或神经系统疾病史，定期使用已知会改变运动心肺反应的处方药物，或在研究前3个月内有任何肌肉骨骼损伤或手术史。研究开始前，所有参与者都接受了PAR-Q+身体活动准备问卷的筛查（Warburton等人，2011年），所有程序都进行了解释，并获得了书面同意。本研究遵循《赫尔辛基宣言》（世界医学协会2025年版本）进行，并且实验方案已获得哈马德·本·哈利法大学机构审查委员会（HBKU-IRB-2024-23）的批准。
### 实验设计
本研究采用的是被试内（重复测量）实验设计，具有测量有效性。参与者在相隔3至7天的两个不同时间点，访问了一个温度（20.5°C）和相对湿度（45%）受控的生理运动实验室。第一次访问是为了熟悉在跑步机上的行走，通常需要6–10分钟，具体时间因参与者而异（Meyer等人，2019年），并完成一个渐增坡度步行测试。第二次访问时，参与者在佩戴加重背心（VEST）或不佩戴加重背心的情况下，以四种不同的速度（4.0、4.5、5.0和5.5 km·h−1）在跑步机上行走，每种速度各持续4分钟。所使用的加重背心（芬兰Tunturi品牌）是商业化的产品，由透气尼龙材料制成，配有符合人体工程学的肩带，前面和后面共有八个袋子，用于放置沙袋。这些沙袋的重量被调整到相当于每个参与者自身体重的10%。选择这种负荷是基于先前的研究（Ohlsson等人，2020年）和试点测试的结果，以评估其长期使用的舒适度（每日最多10小时）。额外的重量在前后袋子之间均匀分布。
### 实验方案
#### 生理特征
在第一次访问实验室时，使用生物电阻抗分析仪（MC 780 MA，日本Tanita公司）测量了参与者的体重和身体成分（体脂百分比、脂肪质量和无脂质量），并使用壁挂式身高计（德国Seca公司）测量了身高。除了参与前的运动筛查外，还完成了国际体力活动问卷（Craig等人，2003年）的完整版本，以获取更准确的习惯性体力活动水平信息。此外，还完成了一个经过验证的非运动问卷，用于估算最大摄氧量（V̇O2max）（Nes等人，2011年）。之后，参与者在自选速度下在跑步机上行走10–15分钟，以适应环境，速度最多达到5 km·h−1，为接下来的渐增坡度测试做准备。
#### 跑步机运动测试
所有运动测试都在一台研究级别的电动跑步机（Katana XL，荷兰Lode公司）上进行。测试前3小时内，参与者被要求禁用咖啡因和食物，并在测试前24小时内避免任何结构化的体育活动和饮酒。
#### 渐增坡度测试：
- **渐增坡度步行测试**：首先是一个5分钟的基线阶段，速度为2.8 km·h−1，随后是一个梯度增加阶段，最大速度限制为5.8 km·h−1。在梯度增加阶段，速度（0.10 km·h−1）和坡度（可变）每20秒同时增加一次，以便在8到12分钟内达到问卷预测的最大摄氧量（V̇O2max）。这一方案基于先前的一项研究（Porszasz等人，2003年），其中速度的增加是线性的，而坡度的增加是曲线形的。这种设计使得氧气消耗量线性增加，直到达到V̇O2max，从而有助于通过气体交换阈值识别运动强度区间。参与者得到口头鼓励，要求他们付出最大努力，测试在自愿停止时结束。
#### 固定速度下的稳态步行：
到达实验室后，参与者进行了5–8分钟的轻松热身步行，速度为4.0 km·h−1，以重新熟悉跑步机。测试包括八个4分钟的阶段，分别以四种不同的恒定速度（4.0、4.5、5.0和5.5 km·h−1）行走，有的佩戴加重背心，有的不佩戴。速度的顺序是逐步增加的（即从4.0 km·h−1开始），每位参与者在每种速度下都完成了两个阶段（佩戴和不佩戴加重背心），然后才会提升到下一个速度。VEST和CON的顺序进行了平衡，每个阶段之间有60秒的休息时间，用于取下或更换加重背心。
#### 数据收集与分析
#### 气体交换：
使用代谢分析车（COSMED Quark PFT，意大利）逐次呼吸测量呼吸气体交换。每次测试前，根据制造商的说明，使用室内空气和生理校准气体（卡塔尔Buzwair公司）以及标准3升注射器（美国Hans Randolph公司）对气体分析仪和流量涡轮进行校准。原始的逐次呼吸数据首先经过过滤，去除由于吞咽、咳嗽等原因产生的异常值（定义为偏离9次呼吸局部平均值两个标准差以上的值），然后转换为10秒的平均值。在渐增坡度测试中，如果氧气消耗出现平台期，或者峰值心率在预测的最大心率的10 bpm范围内，且呼吸交换比率（RER）大于1.10，则将V̇O2max定义为最高的30秒平均值。所有参与者都符合这些标准。对于固定速度步行试验，所有气体交换数据是在每个阶段的最后60秒内平均得出的。需要注意的是，稳态氧气消耗量（V̇O2）和二氧化碳产生量（V̇CO2）是通过评估逐次呼吸值与时间的关系曲线得出的，在4个分钟的所有阶段中，这一关系曲线与零没有显著差异。稳态V̇O2和V̇CO2被代入Jeukendrup和Wallis（2005年）提出的中等强度运动（50–75%V̇O2max）的能量消耗方程中，随后转换为J·kg−1·min−1单位，以便与ActiHeart数据直接比较。运动通气量（V̇E）以L·min−1为单位报告。
#### 分支链建模（BCM）：
能量消耗还通过一个多传感器可穿戴设备进行估算，该设备包含三轴加速度计和单导联心电图（ActiHeart 5，英国CamNtech公司）。在运动前进行了信号测试（佩戴设备并在实验室内进行轻度活动行走10分钟），以确保心电图波形的记录质量符合制造商的建议（Kasper等人，2023年）。ActiHeart设备以256 Hz的频率采样心电图波形，以25 Hz的频率采样三轴加速度数据，测试完成后将这些数据导入制造商的专用软件（ActiHeart 5版本5.1.10）进行进一步分析，该软件提供了多种模型选项来估算能量消耗（EE）。在本研究中，我们选择了“组校准/个体心率”模型，该模型结合了基于先前验证研究（Brage等人，2007年）得出的群体平均运动数据和个体心率校准。对于后者，将每个参与者的通过间接热量计确定的相应心率输入软件的校准表中。采用这种方法是因为在临床环境中，当可以直接使用间接热量计（EEIC）时，这是推荐的做法。分析后的数据以15秒为周期导出，并与气体交换变量相同的周期（即每个4分钟阶段的最后120秒）进行平均。
#### 负荷携带决策辅助工具（LCDA）：
使用Looney等人（2024年）提供的补充数字内容电子表格来估算能量消耗（J·kg−1·min−1）。该电子表格采用了一个模型，其中包含体重（kg）、静息代谢率（W·kg−1）、背心负荷（占体重的百分比）、步行速度（m·s−1）和行走表面。在两种条件下输入了相同的变量，只是VEST的额外重量除外。从LCDA提取的能量消耗最初以瓦特为单位计算，然后转换为J·kg−1·min−1。
#### 心率和主观努力程度评估：
心率也使用传统的胸带式心率监测器（Suunto，芬兰）测量，通过蓝牙无线连接到代谢分析车的数据采集软件。这些数据在稳态步行阶段的每个阶段的最后60秒内进行平均。主观的努力程度评估使用Borg的主观努力程度评分（RPE）0–10等级（Borg，1982年），在渐增坡度测试中自愿停止时以及稳态步行阶段每个阶段的最后30秒内进行。
#### 统计分析
所有统计分析均使用Jamovi版本2.3.26进行，这是一个开源的R-Project接口，显著性水平设定为p < 0.05。使用Shapiro-Wilks检验和Q-Q图的外观检查来验证所有数据集的正态性。进行了双因素重复测量方差分析（ANOVA），以测试条件（VEST vs. CONTROL）和速度（4.0、4.5、5.0、5.5 km·h−1）对生理变量和通过ActiHeart 5设备及间接热量计估算的能量消耗的交互作用和主要效应。验证了球形性假设，当出现违反假设时采用了Greenhouse-Geisser校正。适当的情况下，使用Tukey的HSD检验进行了事后比较。部分eta平方（ηp2）作为双因素ANOVA的主要效应大小，解释如下：小 ≈ 0.01，中等 ≈ 0.06，大 ≈ 0.14或更高（Cohen，1988年）。使用Bland-Altman分析评估了EEIC、EEBCM和LCDA之间的平均偏差和一致性限（LoA），通过重复测量相关性评估关联强度（对于显著性），以及一致性相关系数（对于效应大小）。选择重复测量相关性（rm），因为它适用于涉及每次参与者多次观察的验证研究，能够考虑数据点的非独立性，并关注个体内部关系的一致性（Bakdash和Marusich，2017年）。一致性相关系数（CCC）用于评估两种方法之间的总体一致性，它同时考虑了数据的精确度（与最佳拟合线的接近程度）和准确性（与真实值的接近程度）。对于CCC和重复测量相关性，关联强度的解释与Pearson相关性类似：可忽略 ≈ 0.0–0.19，弱 ≈ 0.20–0.39，中等 ≈ 0.40–0.59，强 ≈ 0.60–0.79，非常强 ≈ 0.80–1.0.80（Altman，1991；Bakdash和Marusich，2017）。所有RPE数据均非正态分布，因此使用非参数Wilcoxon符号秩检验进行统计分析，并对多重比较应用Bonferroni校正（例如，CON vs. VEST在每个速度下）。所有数据均以平均值和标准差的形式呈现。统计显著性接受标准为p < 0.05。
### 结果
参与者的基线生理和身体成分特征见表1。
#### 稳态跑步机行走期间的生理反应
图1展示了条件（CON，VEST）和速度（4.0、4.5、5.0、5.5 km·h−1）对跑步机行走期间生理变量的影响。相对强度（%V̇O2max）的范围分别为CON为43% − 56%，VEST为45% − 62%。双因素重复测量ANOVA显示条件（p < 0.05）对所有报告的变量都有显著的主效应。与CON相比，VEST条件下的估计边际均值（EMM）百分比变化显示：V̇O2增加了6.9%（p < 0.001；ηp2 = 0.77），V̇E增加了8.6%（p < 0.001；ηp2 = 0.77），HR增加了4.4%（p < 0.001；ηp2 = 0.66），RER增加了2.0%（p < 0.001；ηp2 = 0.81），EEIC增加了7.1%（p < 0.001；ηp2 = 0.70），EEBCM增加了4.0%（p = 0.004；ηp2 = 0.67）。条件与速度的交互作用也存在（V̇O2 p = 0.007；ηp2 = 0.28），EEIC p = 0.008；ηp2 = 0.35）和RER p < 0.001；ηp2 = 0.42）。事后分析显示，在5.0 km·h−1时VEST的V̇O2高出7.7%（p = 0.046），在5.5 km·h−1时高出9.7%（p = 0.001），而在4.0 km·h−1（p = 0.001）或4.5 km·h−1（p = 0.001）时没有显著差异。仅在4.0 km·h−1时，VEST的RER显著高于CON（p < 0.001）。在4.0 km·h−1（VEST vs. CON：2.1 [0.7] vs. 1.4 [0.5]；p = 0.008），4.5 km·h−1（2.9 [0.7] vs. 2.0 [0.8]；p = 0.048），5.0 km·h−1（3.1 [0.7] vs. 2.5 [0.8]；p = 0.033），以及5.5 km·h−1（3.5 [0.7] vs. 2.7 [0.7]；p = 0.011）时，VEST的RPE显著高于CON。
#### 能量消耗：加速度计与间接热量计的比较
双因素ANOVA显示，在跑步机测试期间，方法（EEIC vs. EEBCM）的主效应没有显著差异（p = 0.96；ηp2 < 0.001）。图2展示了CON和VEST条件下的稳态跑步机行走时的身份线和Bland-Altman图。重复测量相关性显示，EEIC和EEBCM之间在CON（rm = 0.94；p < 0.001）和VEST（rm = 0.94；p < 0.001）之间都有强正相关。此外，CCC在这种条件下都被归类为“非常强”（CCC > 0.8）。两种条件下的平均偏差接近0 J·kg−1·min−1，但LoA较大，CON的百分比误差为48%，VEST的百分比误差为40%。
#### 与负荷携带决策辅助工具（LCDA）的比较
双因素ANOVA显示，在跑步机测试期间，EEIC与LCDA（p = 0.80；ηp2 = 0.008）或EEBCM与LCDA（p = 0.59；ηp2 = 0.03）之间没有显著的主效应。图3展示了每种方法和条件下的EE估计值的身份线。重复测量相关性显示，EEIC和EEBCM与LCDA估计值之间都有强正相关（rm > 0.9）。对于EEIC与LCDA的比较，分类结果为：在CON条件下为“强”（CCC=0.67）和VEST条件下为“强”（CCC=0.70）；而在EEBCM与LCDA的比较中，CON条件下为“非常强”（CCC=0.84），VEST条件下也为“非常强”（CCC=0.81）。
讨论
本研究评估了一组久坐不动且超重/轻度肥胖的成年人在佩戴加重背心（体重10%）和不佩戴加重背心进行跑步时的生理反应和能量消耗（EE）。我们通过三种方法估算了EE：（1）间接量热法；（2）加速度计+心率的分支链模型；（3）LCDA预测方程。佩戴加重背心会显著增加V̇O2和EE，且在较高行走速度下增幅更大。所有方法在4.0–5.5 km·h−1的范围内对EE的估算具有很强的正相关性和较低的平均偏差，这一速度范围接近轻度肥胖成人的典型优选行走速度（Fernández Menéndez等人，2019年）。因此，使用研究级别的现场加速度计（ActiHeart 5）能够足够精确地检测到VEST条件下的能量消耗差异。然而，与标准方法间接量热法相比，分支链模型和LCDA估算的EE具有相对较大的不一致性。这些结果表明，加速度计与心率的结合可以使用来反映由于行走速度和负重变化引起的EE差异，但在个体层面上不应将它们与间接量热法或LCDA互换使用。
很少有研究考察未经训练的超重参与者在佩戴加重背心行走时的EE变化，大多数文献集中在军事人员（Straight等人，2025年；Vickery-Howe等人，2025年）、职业环境（Lyons等人，2005年）以及运动训练（Martínez-Noguera等人，2024年；Purdom等人，2021年）方面。在我们的研究对象中，佩戴加重背心时EE率增加了约7％，在4.0 km·h−1的速度下增加了6.1％，在5.5 km·h−1的速度下增加了9.7％。在McCormick等人（2015年）的一项类似研究中，未经训练的年轻女性在4.03 km·h−1的速度下佩戴10%和15%体重的加重背心进行跑步。这些研究者观察到，在0%坡度下，10%附加体重对V̇O2没有显著影响，这与本研究的结果相似；而在更高坡度和更大重量下，效应趋势更为明显（15%与10%体重相比）。鉴于在我们的研究中没有改变坡度，仅增加了跑步机速度，综合结果表明，行走速度和负重的交互作用对EE的增加并不是由坡度或速度单独决定的。我们研究中的平均相对强度约为V̇O2max的43％至62％。这些强度低于另一项研究，该研究考察了在相当于V̇O2max 60％至80％的多种速度下佩戴5%和10%体重加重背心进行跑步时的EE变化（Purdom等人，2021年）。这些研究者报告称，10%附加体重会导致EE显著增加，但5%附加体重则没有这种效应，并且加重背心与强度之间没有交互作用。在负重逐渐增加的行走过程中，运输能量的成本似乎呈线性关系（Huang & Kuo，2014年），然而当行走速度超过最经济速度（大约为4–4.5 km·h−1时，净EE会出现非线性增加（Abe等人，2015年）。因此，负重和运动强度的交互作用可能导致随着速度增加EE的非线性变化，尤其是在从行走转变为跑步的过程中。需要进一步的研究来证实这些结果并验证这一假设。
准确评估总日EE对于理解超重久坐成年人的能量平衡、代谢健康和肥胖相关风险至关重要。虽然双重标记水技术被认为是这一测量的金标准（Westerterp，2018年），但这种方法不适用于一般人群的常规EE评估，且对活动EE的变化不敏感（Santos等人，2014年）。间接量热法可以准确测定活动EE的急性变化，但在日常生活中也不实用。因此，结合心率和加速度计的可穿戴传感器已成为实验室外估算EE的可行替代方案（Chowdhury等人，2017年）。本研究中使用的BCM算法通过加权加速度计和心率的相对贡献来估算EE。具体来说，当活动和心率值都较低时，BCM算法更倾向于根据加速度计估算EE；而在较高运动强度下，心率算法占主导地位（Crouter等人，2008年）。在ActiHeart 5设备的EE评估验证研究中，与60–85%V̇O2max跑步时的间接量热法相比，发现了强相关性（r=0.92）（Klass等人，2019年）。这些研究者指出，ActiHeart的EE值比间接量热法低约3–20％。在另一项也使用间接量热法作为参考标准的研究中，ActiHeart设备估算的EE在3.6至9.6 km·h−1的速度范围内显示出强相关性（r=0.88，Barreira等人，2009年）。虽然使用重复测量相关性方法优于平均多个数据点（例如本例中的速度），因为后者会扭曲真实测量方差。通过这种方法，我们观察到EEIC和EEBCM之间的相关系数更高（rm=0.94，CON和VEST条件均如此；图2）。然而，重复测量相关性的一个局限性是它对两种测量工具之间的平均偏差不敏感。不过CCC确实考虑了这一点，因此关联强度略低（CON为0.80，VEST为0.82），但仍然很强。如前所述，本研究的相对强度范围约为V̇O2max的43％至62％，这是基于接近轻度肥胖成人优选行走速度的跑步机速度（Fernández Menéndez等人，2019年）。因此，我们的结果大致与其他针对不同样本的报告一致，并扩展到了超重/轻度肥胖人群。
为了全面理解方法学有效性，建议使用Bland-Altman“一致性界限”分析（Bland和Altman，1986年）。通过这项分析，我们发现EEIC和EEBCM之间的平均偏差很小，对于CON为负值，对于VEST为正值（图2）。EEIC和EEBCM之间的95%一致性界限约为±50–60 J·kg−1·min−1，相当于一个90公斤个体每小时的±270–324 kJ（即与本研究人群的平均体重相当）。从临床角度来看，这些界限较宽，因为对于活动量极少的个体而言，一小时步行约300 kJ的误差代表了其总日EE的显著部分。然而，本研究设计的一个局限性是用于平均V̇O2和V̇CO2的时间相对较短（60秒），这可能会受到运动期间肺V̇E短期变化的影响（Wood等人，2008年）。然而，跨多个运动强度的低平均偏差表明可能发生了“回归到平均值”的现象。因此，我们建议未来的验证研究应包括在较长时间内的测量（例如多次5–10分钟的锻炼）或按照正常生活活动（例如使用便携式气体分析设备）进行测量。我们的发现与先前显示成人群体在无负重行走试验中具有相似一致性界限的研究结果一致（Chowdhury等人，2017年；Edwards等人，2010年；Klass等人，2019年）。这些广泛的一致性界限可能反映了影响活动EE的个体生理差异，但这些差异无法仅通过加速度计或心率来解释。例如，底物利用、每搏输出量、血红蛋白浓度以及生物力学和代谢效率（Brage等人，2004年）。尽管EEIC和EEBCM之间的一致性界限相对较宽，但总体而言，当前的研究结果表明ActiHeart 5设备在估算超重/轻度肥胖个体的活动EE方面具有实际用途。此外，该设备对由于加重VEST（主要改变心率）引起的EE变化的敏感性与先前的研究结果一致，这些研究表明BCM优于单独使用加速度计或心率的方法（Brage等人，2004年，2007年）。这里的实际意义是，设计用于估算EE的可穿戴传感器应结合加速度计和心率。例如，一些低成本、易于使用的消费级心率监测器包括三轴加速度计（例如Polar H10），但目前还没有能够同时提取加速度和心率数据的应用程序。
另一种非侵入性估算EE的方法是使用步行代谢成本方程。已经开发了许多预测模型来估算运动过程中的EE，但其中很少有模型包含负重的项。美国陆军环境医学研究所（USARIEM）开发的Load Carriage Decision Aid（LCDA）旨在在无法常规使用间接量热法或活动跟踪器的情况下估算总EE（Looney等人，2022年，2024年）。尽管我们研究的人群的能量需求可能与推导LCDA系数的军事人群不同，但该模型似乎适用于我们的超重/轻度肥胖人群在负重和无负重行走时的EE估算。按照设计，LCDA模型预测额外的负重会增加EE，我们没有发现LCDA与EEIC或EEBCM之间的显著差异。我们还观察到，无论是CON还是VEST条件，LCDA估算的EE与EEIC和EEBCM之间的重复测量相关性都很强（图3）。最后，LCDA与EEIC的比较分类结果为“中等”（CON为CCC=0.67，VEST为CCC=0.70）。有趣的是，尽管在这种情况下CCC略低于图2中显示的EEIC与EEBCM之间的CCC，但回归线非常接近于恒等线。这表明ActiHeart设备的方差低于间接量热法参考方法，这并不令人意外，因为它直接测量了个体运动和心率。相比之下，EEBCM与LCDA之间的CCC值略高（CON为CCC=0.84，VEST为CCC=0.81），可能反映了在两种情况下都使用了预测方程。这些结果的 practical 含义是，虽然LCDA价格便宜，可能适用于“现场”预期能量需求的预测评估，但在估算实际消耗时，特别是由于坐立、日常活动和运动导致的EE波动，使用结合加速度计和心率的可穿戴传感器更为准确。
方法学考虑
在本研究中，我们使用了制造商的专有分析软件（ActiHeart 5版本5.1.10，CamNtech，英国）来估算EE。我们应用了个体化的心率与活动EE校准，并结合了一个先前推导出的计算加速度计与EE关系的方程（Brage等人，2004年）。最初，BCM是基于24 m³直接量热室开发的并针对EE进行了验证（Brage等人，2004年），随后为了提高BCM的实际实用性，开发了多种不同的校准方法（Brage等人，2007年）。研究者报告称，从个体测量的心率与EE关系得出的BCMEE估计标准误差最低。因此，在本研究中，我们希望采用“最佳情况”，这代表了实验室研究和临床环境中可以使用代谢车的实际应用。然而，Brage等人（2007年）也报告说，使用先前推导出的群体平均方程也只能实现略微较低的模型精度（R2=0.977 vs. 0.947）。作者建议，在大规模流行病学研究中可以采用这种替代校准程序，因为在这些研究中可能无法进行个体校准。个体与群体层面校准之间模型精确度的相似性表明，本研究的结果可以近似应用于“现实世界”场景，在这些场景中可能无法使用代谢测量车。结论：这是第一项通过结合加速度计和心率（HR）的方法，采用实验设计来研究能量消耗（EE）的研究，其中EE的变化独立于运动模式。我们通过使用负重背心（一种市售的加权背心）来实现这一点。支链模型对因增加重量而导致的EE变化非常敏感，并且在对照组（CON）和佩戴负重背心组（VEST）中与间接测热法得出的EE结果表现出强烈的相关性。尽管置信区间（LoA）较宽，但平均偏差很小，这表明在较短时间尺度内（例如本研究中的测量结果），用于估算每日总EE的个体间方差可能会减少，不过这还需要进一步研究。我们还发现，即使增加的重量相对适中（体重的10%），用于提高舒适度，绝对EE、V̇O2（每分钟氧气消耗量）、HR（心率）和V̇E（每分钟呼吸量）也会一致增加。因此，所有参与者的相对运动强度都有所提高，而在较快的步行速度下这种效应更为明显。总之，ActiHeart设备是估算步行时活动EE的有效工具，无论是在负重还是无负重情况下。使用增加的重量显著提高了活动EE，因此它代表了一种简单的干预方法，可以增加超重和轻度肥胖成年人的相对运动强度，这些人群可能会面临活动能力受限的问题。
表1 参与者的身体特征
完整尺寸表格
图1：该图像的替代文本可能是使用人工智能生成的。
完整尺寸图像
在恒速跑步机上行走时，佩戴负重背心（VEST）与不佩戴负重背心（CON）（体重百分比10%）的生理反应。V̇O2（氧气消耗量）、V̇E（肺通气量）、RER（呼吸交换率）、EEIC（通过间接测热法测得的总能量消耗）、EEBCM（通过支链模型测得的总能量消耗）。每个图表中显示了条件（COND）、跑步机速度（VEL）以及条件与速度交互作用（COND*VEL）的主效应p值。星号（*）表示在指定速度下事后分析显著差异（p < 0.05）。
图2：该图像的替代文本可能是使用人工智能生成的。
完整尺寸图像
身份线图和Bland-Altman图显示了通过间接测热法（EEIC）和加速度计支链模型（EEBCM）估算的总能量消耗（EE，单位为J·kg^-1·min^-1）在无负重（CON；A和B）和有负重（VEST；C和D）跑步机行走情况下的一致性。A和C中的浅灰色线表示身份线；B和D中的粗黑虚线表示平均偏差，点线显示了一致性的上限和下限（LoA）。Nb：RM corr表示重复测量相关系数；CCC表示一致性相关系数。
图3：该图像的替代文本可能是使用人工智能生成的。
完整尺寸图像
身份线图显示了通过间接测热法（EEIC）、加速度计支链模型（EEBCM）和负重承载决策辅助工具（LCDA）代谢成本方程估算的总能量消耗（EE，单位为J·kg^-1·min^-1）在无负重（CON；A和B）和有负重（VEST；C和D）跑步机行走情况下的关系。注意：每个图表中的x轴和y轴单位不同，因此身份线与45°对角线有所偏移。另外，由于LCDA主要是体重（BW）和跑步机速度的函数，并且EE的单位已经根据体重进行了标准化，因此x轴对于每个跑步机阶段来说都是离散值。RM corr表示重复测量相关系数；CCC表示一致性相关系数。
打赏
