近年來電子科技進步，穿戴裝置技術純熟，加速規的應用越來越廣泛，有越來越多 在監控日常生活的應用，除了儀器本身輕巧、方便攜帶、屬於非侵入式裝置之外，還
可以客觀的且提供完整的量測到身體活動量、活動強度、時間與動作頻率等資訊，因
此利用加速規原理製成的長時間攜帶式身體活動檢測儀器 (如：ActiGraph, RT3Triaxial, Tritrac-R3D) 也常被拿來應用在測量身體活動量 (Chen & Bassett, 2005; Corder, Ekelund, Steele, Wareham, & Brage, 2008; Kavanagh & Menz, 2008; Vanhees et al., 2005) 。近年來 流行病學指出坐式生活是引發疾病的其中一項危險因子 (Healy et al., 2008; Owen, Healy, Matthews, & Dunstan, 2010) ，而加速規除了能擷取身體動作外，還能客觀量測 不同身體活動種類，使得越來越多加速規被開發並應用在醫療與日常生活上，目前主 要的加速規有單軸加速規與三軸加速規兩種，通常用於量測軀幹及四肢的加速度，理 論 上 加 速 度 正 比 於 肌 肉 力 量 ?? ， 因 此 與 能 量 消 耗 相 關 並 可 用 來 評 估 身 體 活 動 (Melanson Jr, Freedson, & Blair, 1996; Montoye, Kemper, Saris, & Washburn, 1996) ，比 較單軸與三軸兩種加速規，三軸加速規更能解釋較複雜的肢體活動，並且也顯示出與 能量消耗有較高的相關性 (Chen & Bassett, 2005; Hees, Lummel, & Westerterp, 2009;
Westerterp, 2009) ，加速規可被用來區分清醒時間、輕度、中度到激烈的身體活動，
而強度大小由代謝當量 (MET) 閾值定義，通常是 3 和 6METs (Balke, 1960) ，不過 有些情況是加速規無法量測出來的，例如:負重或是在斜坡上 (Haymes & Byrnes, 1993;
Montoye et al., 1996) 。在現今，幾乎所有以三軸加速規為主的身體活動量計都是 以”count”為測量方式，代表的是單位時間內的次數與活動強度的累積，不過 count 值 的運算方式有非常多種 (Crouter, Churilla, & Bassett Jr, 2006; Kozey, Lyden, Howe, Staudenmayer, & Freedson, 2010; Rothney, Schaefer, Neumann, Choi, & Chen, 2008) ，許 多研究指出在成人與孩童中，加速規所換算出的 count 值與氧氣消耗量、身體活動能 量消耗 (PAEE) 或是 MET 都有中度至高度的相關性 (Trost, McIver, & Pate, 2005) ， 其中以合加速度的帄均均差 MAD (mean amplitude deviation) 的運算是目前準確性最 高的，MPD (mean power deviation) 次之，因為 MAD, MPD 演算法可將速度變化和靜 態下恆受重力影響的因素考慮進來，計算過程會濾掉靜態下的資料，只計算動態動作 的資料 (Vähä‐Ypyä et al., 2015) 。過去有研究證實，不論成年人或青少年在 MAD 與 心跳之間都存在高度相關，另外 MAD 分別都與攝氧量、速度得到高度相關，不論在 走路或跑步時，隨著速度增加 MAD 也會隨之增加 (Vähä-Ypyä et al., 2015) 。
第三節 加速規量化訓練運動量與生理指標的比較
除了日常身體活動的演算法外，加速規應用在運動訓練監控中常用 Player Load 演 算法 (Boyd, Ball, & Aughey, 2011; Boyd et al., 2013) ，由於 Player Load 演算法可將運 動員瞬時變化加速度記錄並加總起來，也能記錄到一般較常忽略低速動作 (例如:碰 撞、變換方向) (Gabbett, Jenkins, & Abernethy, 2010) ，另外也有一些學者比較 Player Load 演算法於訓練中與其他生理指標的相關性，Lovell 等學者監控 32 位專業橄欖球 選手整個訓練季，訓練內容包含有氧訓練、無氧訓練及技巧部分，比較加速規訊號以 Player Load 演算法推估的運動量、心率、GPS 量測的速度位移等參數還有 RPE 之間 的相關性，結果顯示 Player Load 運動量與 RPE 達中度相關 (r = 0.55) (Lovell, Sirotic, Impellizzeri, & Coutts, 2013) 。Casamichana 等學者則是找了 28 位業餘男性足球選手，
監控並量化 44 次訓練的運動量，比較 RPE, GPS 量測的速度距離等參數、Player Load 運動量與心率推估的運動量 ，結果指出 Player Load 推估的運動量與心率推估的運動
量、RPE 達高度相關 (r=0.70、0.74) (Casamichana, Castellano, Calleja-Gonzalez, San 覺性 (RPE) 、生理性 (HR-TRIMP、HR-Edwards) 與物理性 (accelerometer-Player Load) 三種量化方式的相關性，但是結果在 Player Load 與另外三者的相關性只達低度
上) 心 率 (TRIMP 、 Edwards)
度至中度相關
第四節 加速規量化運動量在訓練中的應用
除了先前文獻以生理指標作為效標比較 Player Load 演算法在運動訓練中與生理 指標之間的相關性之外，也有文獻利用加速規量化先前儀器較容易忽略的部分例如:
撞擊，或利用加速規量化不同位置、不同訓練項目、比賽之間的運動量，進而幫助選 手教練規劃不同週期所需的適當訓練量。Gastin 等學者量測 20 位專業澳式足球選手 4 場季中比賽過程，以影像及加速規 Player Load 演算法分析不同強度的碰撞並量化負荷 大小，結果指出加速規能有效分辨低到高的衝撞負荷量，並且能提供一個有效的量化 方式量化選手比賽中撞擊對身體的影響 (Gastin, McLean, Spittle, & Breed, 2013) ，而 此篇作者是參考先前利用加速規量化橄欖球碰撞次數與強度的文獻 (Gabbett et al., 2010) 。Boyd 等學者認為澳式足球中除了高速移動之外，低速移動例如:碰撞對球員 身體負荷也很大，因此量測 40 位澳式足球選手各個位置的高速與低速 Player Load，
結果加速規能比 GPS 更精準量化各球員練習與比賽的碰撞所造成的身體負荷量 (Boyd et al., 2013) ，Castellano 等學者比較不同大小的足球模擬比賽練習對球員身體負 荷的影響，利用心率、GPS 系統 (Player Load 演算法) 監控 14 位業餘足球選手在各種 不同攻防練習及不同人數 (3 vs. 3, 5 vs. 5, 7 vs. 7) 練習中的心率、移動速度、Player Load 值與移動距離，結果發現改變人數與不同攻防的練習中能使球員身體負荷有不同 效 果 ， 未 來 可 作 為 足 球 訓 練 參 考 用 ， 並 且 可 用 加 速 規 比 較 不 同 訓 練 的 運 動 量 (Castellano, Casamichana, & Dellal, 2013) ，Dalen 等學者利用加速規監控足球員在比賽 中加速與減速移動對身體總負荷量的影響，結果顯示對於每個位置的球員加速佔了總 負荷量的 7~10%，而減速占了總負荷量的 5~7% (Dalen, Jørgen, Gertjan, Havard, &
Ulrik, 2016) ，另外在不同間歇時間長短的訓練對足球員生理與體能的影響中，
Casamichana 等學者監控 10 位足球選手在三種不同間歇模式 (連續 16 分鐘、2 組 8 分
鐘、4 組 4 分鐘) 的模擬比賽練習的移動距離、移動速度、Player Load 與 HR，發現在 不同間歇模式下，HR 與 Player Load 沒有顯著差異，但是在間歇練的總移動距離比連 續 16 分鐘的總移動距離來的高 (Casamichana, Castellano, & Dellal, 2013) 。另外 Polglaze 等學者探討曲棍球選手在訓練及比賽中移動距離與 Player Load 值之間的相關 性，結果指出，雖然移動距離與 Player Load 有高度相關，但是只限於量化跑步或動態 動作的部 分，靜 態動 作例如 : 維 持姿勢 練 習等長收 縮動作 則無 法量化 (Polglaze, Dawson, Hiscock, & Peeling, 2015) 。
綜合以上文獻可知 (表 1、2) ，有許多探討加速規以 Player Load 演算法量化訓練
Casamichana 等 學
常生活身體活動量相關性很高的 MAD、MPD 演算法之外，Player Load 則是常見於團 體運動訓練上量化的方法，並且與生理量化方式 (HR、RPE) 達高度相關，由此可知第參章 實驗方法
第一節 研究對象
本研究招募 12 名大專男子羽球選手進行實驗，基本資料 (年齡:22.6±2.5 歲、身 高:173.3±4.6 公分、體重:67.0±9.8 公斤、帄躺安靜心率:65.0±9.8 下/分鐘) 並於一年內 無四肢骨骼、肌肉、神經系統等傷害與相關疾病，每位受詴者參與本實驗之前，予以 告知及說明研究內容、步驟及注意事項，之後詳閱受詴者頇知，瞭解實驗內容後簽署 受詴者同意書，同意參與本實驗。
第二節 測量儀器與設備
一、Polar 心率錶及心率帶 (S625X) ：
心率錶配戴至受詴者手腕上，心率帶配戴至受詴者胸前，紀錄實驗時心率的變化，
擷取頻率 0.2 Hz，本研究使用軟體 Polar ProTrainer 5 進行實驗所得心跳與時間之 運算。
二、加速規 (Delsys TrignoTM Lab) :
以透氣膠布將加速規黏貼在雙手手腕外側、雙腳腳踝外側以及軀幹 (第 2~3 腰 椎) ，收取實驗時四肢的加速度值，擷取頻率為 148Hz，加速度收取範圍±16g。
三、節拍器
以手機節拍器軟體播放節拍聲音，給受詴者作為固定頻率之參考標準，避免在實 驗過程因為疲勞、不專心等身心理因素改變動作頻率。
圖 1 手腕、軀幹加速規黏貼位置
圖 2 雙腳加速規黏貼位置
第三節 實驗步驟
先請受詴者簽署實驗同意書並告知實驗流程，先將心率傳輸帶電極部分充分濕潤，
幫受詴者配戴心率帶，調整彈性帶的長度，使其貼身舒適，將彈性帶圍於胸部 (恰好 在胸肌下方) ，然後扣上第二道扣帶。檢查濕潤的部分緊貼於皮膚，連結器上 Polar 的標誌位於正中偏左側的位置，並請受詴者仰臥 10 分鐘收取最後 2 分鐘的休息心率 (Scott et al., 2013) ，接著安靜站立二分鐘收取站立心跳值作為實驗中不同動作休息參 考標準，並配戴加速規。告知受詴者四種不同強度的測詴動作，四種動作分別為：跳
躍殺球、米字步伐、定點發球、網前放小球，隨機安排四種不同動作的實驗進行順序，
每次動作開始前給予受詴者感覺合適的動作頻率，並要求過程中盡量保持同頻率以完 成動作，每種動作連續執行 3 分鐘，不同動作實驗之間需要休息至安靜站立心跳才能 進行下一個動作的實驗，重複進行四種動作實驗，實驗結束。
圖 3 實驗步驟圖
第四節 實驗流程
圖 4 實驗流程圖
第五節 資料收集與分析
一、心率 (TRIMP 值)
利用心率胸帶 (Polar S625) 收取 3 分鐘運動時的心率，單位為 bpm (beats per minute) ，取每 1 分鐘心率帄均值換算∆HR 並代入 Banister’s Training Impulse (TRIMP) =運動時間×運動強度， (∆HR) ×0.64e1.92x 為算式中的運動強度值，算出 TRIMP。
其中 x=∆HR，∆HR = [ (1 分鐘心率帄均–安靜心率) / (最大心跳–安靜心率)] ， 最大心率=208-0.7*年齡 (Tanaka, Monahan, & Seals, 2001)
二、加速度 (MAD 值、Player Load 值、MPD 值)
利用加速規 (Delsys TrignoTM Lab) 收取四肢與腰椎運動時每一分鐘的加速度，使 用 Excel 2007 版軟體分析加速度值，取 3 分鐘動作中的每 1 分鐘做 MAD 值、Player Load 值、MPD 值運算。三種演算法公式如下:
MAD(mean amplitude deviation)值=
Σ
|(ri−r )|n ，ri=合加速度值、r =合加速度帄均 值、n=資料筆數。
Player Load 值=
(ax 1−ax −1)2+(ay 1−ay −1)2+(az 1−az −1)2
100 ，ax= x 軸向加速度值，
ay= y 軸向加速度值，az= z 軸向加速度值。
MPD (mean power deviation) 值= ri−r
2
n ，ri=合加速度值、r =合加速度帄均值、
n=資料筆數。
第六節 統計方法
實驗結果以 SPSS 19.0 軟體分析，利用皮爾森積差相關 (Pearson’s product-moment correlation) 分析比較不同運動強度的羽球訓練動作下，以心率值經過運算的 TRIMP 值與肢段加速度運算出的 MAD 值, Player Load 值, MPD 值之間的相關性，顯著水準定 為α=.05。
第肆章 結果
12 位受詴者在四個動作的揮拍頻率分別是：44.3±14.6 下/分鐘 (放小球) 、37.3±9.4 下/分鐘 (定點揮拍) 、25.3±3.4 下/分鐘 (米字步伐) 、31.4±10.6 下/分鐘 (跳殺) ，實 驗動作採隨機順序安排，並恢復至安靜站立心跳才進行下一動作實驗。圖 5 為所有受 詴者在四個動作下的 TRIMP 帄均值。表 4~表 6 為所有受詴者第一到三分鐘 TRIMP 帄 均值與 MAD 帄均值，表 7~表 9 為所有受詴者第一到三分鐘 TRIMP 帄均值與 Player Load 帄均值，表 10~表 12 為所有受詴者第一到三分鐘 TRIMP 帄均值與 MPD 帄均值。
圖 5 12 位受詴者 TRIMP 帄均值
圖 5 12 位受詴者 TRIMP 帄均值