在测量时 使用 Apple Watch 测量硬拉时的杠铃速度, ，把手表戴在手腕上还是挂在横杆上，这有区别吗？在我们分享了Spleeft的最新改进后，最常见的问题之一就是：为什么我的Apple Watch是挂在横杆上的，而不是戴在手腕上。.
我理解大家的反应。酒吧里的一块手表会吸引你的目光，没错，我知道那幅画面可能会引发好奇。但背后其实是一个我们一直在探究的问题： 如果把手表放在横杆上，能否让测量结果更加可靠？ 实际上，佩戴Apple Watch进行硬拉测量的结果似乎不如其他练习（如深蹲）的测量结果可靠。一项独立的Apple Watch验证研究也报告了这一差异。.
在我们的同步硬拉测试中，固定在杠铃上的手表在起举前记录到的振荡次数较少。当我们采用相同的流程对两组信号进行重建时，在大多数重复试验中，其速度曲线也更接近编码器的数据。以下是相关数据以及该比较的局限性。.
Apple Watch 放在吧台上还是戴在手腕上：传感器测量的是哪种运动？
当你在做硬拉时手腕上戴着 Apple Watch，你的手会随着杠铃一起移动。不过，这并不意味着它们在每一刻的动作都完全一致。.
举重前，您可以调整握法、收紧手臂或稍微改变手腕的位置。即使杠铃几乎没有移动，这些动作也可能被传感器检测到。腕带的松紧和震动也会影响记录结果。.
我们的假设是，起初出现的一些异常现象源于身体、手腕和手表之间的相互作用。将其固定在横杆上可以减少这些相对运动，使信号更接近我们想要测速的物体。.
这一点很重要，因为Spleeft是通过加速度来重建速度的。该信号中的一点微小误差在积分过程中可能会累积。上升开始前发生的情况可能会影响起始点，进而影响整个重复测试的轨迹。.
我们在硬拉训练中如何测试Apple Watch，并与Vitruve进行对比
这项研究是我们正在进行的关于训练录音的研究工作的一部分，我们在关于 利用真实数据改进Spleeft的速度算法. 在本文中，我们将展示在同一组训练中同时记录的三个信号：
- 一款安装在横杆上的 Apple Watch SE（第一代），正在运行新版算法。.
- 手腕上戴着一款 Apple Watch Series 8，运行的是上一版本的系统。.
- Vitruve 线性编码器作为外部参考。.
这使我们能够对同一条执行语句进行比较，而无需假设在不同时间执行的两组操作是等价的。.
在本次分析中，我们将展示四组硬拉，每组均包含三段记录：一组60公斤，两组70公斤，一组80公斤。这样一来，还剩下 15次同等强度的重复动作. 其中一次重复训练因举重前手腕数据不充分而被排除；另一组训练中，只有手表记录了杠铃的数据。.
结果：15次硬拉重复动作中的杠铃速度
吧台上的手表显示出的速度轨迹更接近维特鲁威在 15次重复动作中的14次, ，在所有四个数据集中的平均误差均较低。.
为了量化这种接近程度，我们计算了均方根误差（RMSE）：这是对各数据点之间曲线差异的度量。数值越低，说明在本次比较中，这些曲线之间的距离越近。.
| 测量15次共同重复的跨度 | 在吧台观看 | 戴在手腕上观看 |
|---|---|---|
| 上升过程中的平均均方根误差 | 0.033 米/秒 | 0.092 米/秒 |
| 开始时的平均均方误差 | 0.011 米/秒 | 0.057 米/秒 |
初始时间窗口从同心相开始前0.25秒起，至同心相开始后0.15秒止，该时间段通过Vitruve进行标识。这些数值是每次重复测量中轨迹误差的平均值；它们并非平均速度误差，也不是应用程序可靠性的百分比。.
在分析加速度数据时，我们还发现，在几次上升之前，横杆上的振荡现象有所减少。这一差异有助于解释，为何在改进算法本身的同时，优化输入算法的信号同样重要。.
有些情况下，腕部会先于编码器显示出明显的上升趋势而记录到振荡。此时，其重建的速度可能会出现偏移或振幅偏差。在许多此类情况下，固定在横杆上的手表对参考信号的跟踪更为精准。.
那么弓步呢？两者之间的区别并不一样
在那次训练中，我们还记录了两组50公斤的弓步训练，同时使用了杠铃上的计时器、手腕上的手表以及Vitruve。.
在这里，, 来自手腕和横杆的加速度信号彼此之间非常相似，也与编码器的信号非常相似. 与之前进行几次硬拉组时相比，我们没有观察到各组之间有那么明显的分离。.
关于培训，我们可以得出哪些结论
这一比较为我们提供了继续研究硬拉时杠铃放置位置的实际理由：它使传感器更接近我们想要测量的动作，并且在这些测试中，不仅在起举前产生了更稳定的信号，其速度曲线也更接近维特鲁威曲线。.
硬拉中观察到的优势以及弓步中不太明确的结果，促使我们分别研究每项练习。不过，我们认为，杠铃放置方式可能对那些双手握住杠铃且杠铃未靠在身体上起缓冲作用的练习有益，其中可能包括卧推。.
对于其他锻炼项目，例如深蹲和髋推，我们仍然认为将手表戴在手腕上能在便利性和可靠性之间取得平衡。.
Spleeft 中的速度和加速度数据：学习如何使用各项技术
这项工作还促成了 Spleeft 的一项新功能，该功能在 Smart Zero、Apple Watch 控制功能以及新指标更新: 在应用内向用户提供速度和加速度的记录数据, ，这样他们就可以回顾演出期间发生的情况。.
在某些硬拉的记录中，可以明显看出速度数据与实际情况不符：在每次重复动作开始前，当杠铃静止时，曲线可能会出现振荡或偏离零点。手腕的微小动作、振动以及其他外部因素都可能导致这些异常现象。.
显示信号可让用户将其与实际执行情况进行对比。暂停期间曲线是否会回落至接近零的位置？上举前是否出现位移？是否存在与调整握姿或手表操作同时发生的不规则现象？这些问题有助于用户识别何时需要复核测量结果，以及如何在下一组训练中改进传感器放置位置或操作流程。.
我们希望用户能够理解自己的数据，并学会更好地使用该工具。. 可靠性还取决于是否指导用户如何放置传感器、哪些信号值得复查，以及在何种情况下应更谨慎地解读结果。让用户能够查看训练记录，有助于他们通过自身训练中的实际情况来加深理解。.
我们的重点：助您做出决策的数据
人工智能让应用程序开发变得更加触手可及。它帮助我们编写代码、探索创意并加快开发速度。在Spleeft，我们也利用它来分析录音并审查我们自己的解读，正如我们在本次对比中做的那样。.
这促使我将精力集中在那些我认为对使用该应用进行训练的人来说最有价值的内容上： 数据的质量及其对日常决策的实用性.
苹果公司提供设备及其传感器。我们的工作是了解它们在训练过程中的表现，开发能够解读这些信号的算法，并在用户的实际使用环境中进行测试。训练经验、实地测试和数据分析都发挥了重要作用，这一切都得到了人工智能的支持。.
我们的首要任务是提高测量可靠性，并帮助用户认识到其局限性，以便在调整负载、监测疲劳或评估进度时，记录下的速度数据能够提供有用的信息。.
我们希望基于速度的训练能更易于普及，而要实现这种普及，就必须对所测量数据的质量予以重视。. 这就是我们希望在Spleeft继续做的工作：利用能够帮助我们加快开发速度的工具，构建在实际训练中越来越有用的评估指标。.
关于使用 Apple Watch 进行硬拉的常见问题
将Apple Watch放在横杆上比戴在手腕上更好吗？
在这组硬拉训练中，在15组可比重复动作中，有14组通过手表测得的杠铃速度与Vitruve的测得值更为接近。 这是一项探索性结果：手表型号和软件版本各不相同，且重建过程使用了编码器的数据。这并不能证明其具有普遍优势，也无法证明该应用的独立准确性。.
这些图表显示的是Spleeft实时计算出的速度吗？
不。为了比较这些信号，我们对导出的加速度数据应用了一套通用流程，并借助Vitruve软件来划分爬升段并确定初始条件。图表展示了这一离线重建过程。.
通过回顾自己节目的录像，我能学到什么？
你可以检查在暂停期间速度是否趋近于零，以及在抬起前是否出现波动。将曲线与你的实际操作进行对比，有助于你复盘动作的落点和步骤；仅凭一条连贯的曲线并不能保证准确性。.
如果您想通过 Apple Watch 或 iPhone 尝试基于速度的训练，, 从 App Store 下载 Spleeft. 首先回顾一下你自己的套路，以及录像内容与你的实际表现之间的关联。.
