引言——科学有效性
在与真实用户验证和测试使用移动摄像头测量跑步速度后（您可以阅读演示文稿 这里 和验证 这里），我们意识到 可靠性并不代表一切 在为运动员开发技术时。计算机视觉跟踪杠铃速度的科学有效性和可靠性令人难以置信，即使在非常低的低成本 Android 设备。然而，它的可用性有很多不足之处：无法准确测量运动范围 (ROM)，并且必须将移动设备与三脚架一起放在它前面（在健身房中，由于空间或其他用户走动，这很困难，甚至一些运动员也会感到尴尬），这使得它不太 对日常运动员有用，这正是 Spleeft 的设计目的。
因此，我们始终致力于为用户提供一款能够每天用于监测力量训练的工具，因此我们决定采用一种技术， 在该领域已建立良好的基础： 加速度计或 惯性测量单元 （惯性测量单元）。尽管科学文献对其有效性和可靠性的证据存在差异（1,2），但由于使用的算法不同，该技术由于易用性而被专业人士在实践中广泛使用，尽管科学文献对其有效性和可靠性的证据存在差异。
本文的目的是再次向您展示 斯普莱夫特在 iOS 和 Android 上，与线性换能器对比，展示了其 有效性和可靠性。我们将向您介绍该协议，以便如果您想增强对该工具的信心，您可以复制它。
如果您不想阅读技术性较强的介绍和结果，我们可以再次告诉您： 我们认为 Spleeft 是一个有效且可靠的工具 作为运动员每天使用，因为我们获得了 高相关性 （r2>0.97），并且 没有显著差异 在所有平台和线性传感器之间的结果（p > 0.05）中。
方法
一名受试者进行了 94 次背部蹲坐（利用拉伸-缩短循环），恒定重量 25 公斤，改变意向以 0.39-0.91 米/秒之间的速度进行举重。
Spleeft 应用程序安装在搭载 Android 9 的低成本 Android (v1.4.1) Xiaomi Redmi Note 6 Pro、搭载 iOS 15.0 的 Apple iPhone 7 (v1.3) 和搭载 iOS 15.0 的 Apple iPhone 12 (v1.3) 上。需要注意的是，每台设备都有不同质量的传感器，因此技术规格并不完全相同。但是，Spleeft 处理来自每个传感器（加速度计、陀螺仪和磁力计）的 100 Hz 信号。使用经过科学验证的 LT 作为黄金标准 (1)。
结果
申请同时有效
使用 Spleeft 和 LT 测得的平均速度值具有非常高的相关性，无论是在 iPhone 12（r2=0.98，SEE=0.014 m/s，平均误差 = 0.027 m/s）、iPhone 7（r2=0.98，SEE=0.014 m/s，平均误差 = 0.019 m/s）还是 Android（r2=0.97，SEE=0.014 m/s，平均误差 = 0.046 m/s）上。
对于 ROM 测量，iPhone 12（r2=0.93，SEE=0.3 厘米，平均误差 = 3.15 厘米）和 iPhone 7（r2=0.92，SEE=0.3 厘米，平均误差 = 0.9 厘米）的相关值都很高，而在 Android 设备上，有效性较低（r2=0.83，SEE=0.36 厘米，平均误差 = 5.5 厘米），
使用应用程序跟踪杠铃速度的可靠性和准确性与使用 LT 相比
配对样本 t 检验表明 没有显著差异 在速度和 ROM 测量方面，任何设备上的应用程序与 LT（p>0.05）之间，除了 Android 上的 ROM 测量（p<0.05）。
Bland-Altman 图没有揭示 任何系统错误，因为速度测量的平均值和差异与 LT 之间的相关性非常低（Android 上 r2 = 0.0004，iPhone 7 上 r2 = 0.1，iPhone 12 上 r2 = 0.08）。因此，每个设备的误差在整个负载-速度曲线上都是恒定的。
绘制 Bland-Altman 图以比较两个结果的差值与其平均值之间。r2 相关性高 (>0.9) 表示存在系统误差。
观察者内部可靠性
组内相关系数（ICC）显示 三者高度一致 观察者：iPhone 12 和 Android 的 Spleeft 以及平均速度测量中的 LT（ICC=0.964，CI [95%]=0.933-0.979）。Android 版和 iOS 版 Spleeft 之间没有显著差异（p>0.05）。Bland-Altman 图证实了上述结果（r2=0.005）。
对于 Apple 设备，ICC 再次显示 iPhone 12 和 iPhone 7 上的 Spleeft 与 LT 在平均速度测量上具有高度一致性（ICC=0.991，CI [95%]=0.968-0.996）。 无显著差异 发现两种设备测量结果之间存在差异（p>0.05）。Bland-Altman 图证实了上述结果（r2=0.01）。
结论
证明了 Spleeft 的有效性和可靠性，使用智能手机作为 IMU，在两个平台和设备上测量引导机器上离心-向心收缩模式下的背部深蹲执行速度，与初步比较相机测量的结果相符（文章 这里）这再次证明低端手机可以与高端手机竞争。
这些结果令人惊讶, 其他IMU验证研究并未认为IMU有效或可靠(1)，因为这些研究发现IMU的组内相关系数(ICC)较低(ICC < 0.78)，且Bland-Altman图中的系统误差(r2 = 0.23 – 0.42)为0.05 ± 0.21 m/s。然而，也有一些IMU已被科学界认为有效且可靠(2)。这种结果差异并非表明科学文献中对于IMU测量执行速度的可靠性缺乏共识，而是表明其有效性和可靠性并非完全取决于技术及其硬件。除了数据收集方法之外，这些因素可能还与以下因素有关： 每个 IMU 用于滤波信号的软件和算法, 消除可能的噪音，确定重复的开始和结束时间……
因此，上述数据表明 Spleeft 的算法适用于过滤来自每部手机传感器的信号。 并提供了可靠且低成本的执行速度测量。
作为未来的创新和研究方向，基于所提供的数据，有必要改进 ROM 的测量，因为它存在缺陷，因为它是双重间接的，并且需要在不同的练习和其他收缩方案中使用更标准化的协议（例如 1RM 测试）进行测试。
最后，回到本文引言中提到的，测量跑步速度固然重要，但如果你不利用这些数据来改进训练，那就毫无意义。因此，Spleeft 还包含使用 Z 分数进行自我调节训练以及长期监测最快重复次数的功能。现在，你拥有了一款足够精准且易于运动员使用的工具，你可以轻松地将这些数据整合到你的决策中。.
