基于OpenPose 計算機視覺算法的健身操能量消耗非接觸式測量方法

溫 煦，楊雨馨，高元龍，李 寬，楊建黨，楊小倩，劉 勇

（1. 浙江大學 教育學院，浙江 杭州 310012；2. 浙江旅游職業學院 旅游規劃與設計學院，浙江 杭州 311231；3. 浙江大學 控制科學與工程學院，浙江 杭州 310013）

運動能量消耗是科學健身指導中的關鍵指標。準確而快速地測量運動能量消耗可量化運動鍛煉數據，有助于科學合理地進行能量消耗管理，對于科學健身具有重要意義[1-2]。傳統的能量消耗測量方法有雙標水法、間接熱量測定法、問卷調查法等。前2 種方法信效度高，但價格昂貴，使用受限；問卷調查法成本較低，但準確性不高[2]；加速度傳感器等可穿戴設備方便智能，可用于能量消耗測量[3]，但該方法須全程佩戴設備，易受外界環境（如競技比賽、游泳等場景無法佩戴）影響，且效度受個體差異、佩戴位置等因素影響，只在走、跑類項目中表現出較高的精度[4]。

計算機視覺是人工智能正在快速發展的一個分支，采用攝像機等可視化設備代替人眼捕獲現實生活中的信息，并通過人工智能分析技術對指定目標進行識別、監測、跟蹤及分析[5]。OpenPose 計算機視覺算法（以下簡稱“OpenPose”）是一種開源的多人姿態估計算法，使用者可在單目攝像頭的基礎上通過OpenPose獲得實時且準確率較高的二維人體骨骼關節點坐標[2]。

運動產生的能量消耗由身體質心在水平面的位移做功、身體質心在垂直方向的位移做功、身體的四肢和軀干活動做功、克服阻力做功四部分組成[6]。人體各環節的運動是引起能量消耗增加的重要原因之一，肢體運動的速度和加速度等參數可被用來測量能量消耗[7]。因此，對于在有限范圍內進行且無外加負荷的運動，如果能較為準確地捕捉人體各環節的運動學參數，就有望建立一種非接觸式新型運動能量消耗測量方法。目前已有部分學者進行了初步探索：Lin 等[8]基于計算機視覺技術成功建立了遞增負荷跑步機運動的能量消耗模型；Nathan 等[9]基于Kinect 相機詳細探索了上下肢運動、重心變化等關鍵因素與能量消耗間的關系；Carlson 等[10]則將計算機視覺技術應用于學校、公園等場景下的身體活動測量。但上述研究或只針對走跑類和簡單肢體運動展開，或只根據運動強度進行能量消耗的分類識別，未能定量地測量能量消耗值。健身操作為一項大眾健身運動，活動參與對象范圍較廣、活動強度適宜且富有趣味，深受群眾喜愛。此外，健身操的活動范圍固定，適合通過攝像機進行運動數據采集。因此，本文從健身操的能量消耗入手，開展基于計算機視覺算法的能量消耗測量研究，探索實驗環境下OpenPose 測量人體主要肢體運動的有效性，建立并檢驗基于OpenPose 的健身操運動能量消耗估算方法。

1 研究方法

基于研究目標，本文開展了2 項實驗。實驗1 為OpenPose 捕捉關節運動角度的效度驗證，實驗2 為基于OpenPose 的健身操能量消耗測量方法的建立與驗證。

1.1 OpenPose 捕捉關節運動角度的效度驗證

通過網絡公告方式在浙江大學隨機招募10 名受試者，其中女性6 名、男性4 名（表1）。納入標準為無肢體功能障礙且無皮膚過敏情況。

表1 受試者基本信息（M±SD）Table 1 Descriptive data of subjects

實驗在裝有Qualisys Oqus7+三維運動分析系統的實驗室進行，室內有1 臺用于同步拍攝的智能手機。Qualisys 可以跟蹤記錄粘貼在人體體表反光點的運動軌跡，拍攝幀率為200 Hz，手機的拍攝幀率為30 Hz，二者全程進行拍攝記錄，上肢和下肢的反光點粘貼方式如圖1 所示。

圖1 上肢和下肢貼點示意Figure 1 Location of upper and lower limbs mark points

受試者全身粘貼39 個反光點，完成7 個關節運動。分別為在冠狀面內進行的肩關節和髖關節外展，以及在矢狀面內進行的肘關節、肩關節、膝關節和髖關節屈曲運動。完成外展運動時，受試者正面正對相機，后需向左旋轉90°，使右側面正對相機完成各關節的屈曲運動（圖2）。

1.1.1 測試指標

（1）基于Qualisys 系統的運動指標。將Qualisys 捕捉到的39 個反光點數據導入Visual 3D 三維運動分析軟件，創建CODA 骨盆模型、上肢模型、下肢模型和軀干模型，得到研究適用的人體骨架模型。輸入受試者的身高、體質量信息完成模型的應用，分析得到肩、肘、髖、膝關節的關節角度數據，作為運動指標的標準值。

圖2 實驗動作示意Figure 2 Actions in the experiment

（2）基于OpenPose 的運動指標。使用OpenPose識別手機拍攝視頻中的人體骨架，提取關節點的坐標[11]。OpenPose 是一種自底而上的人體姿態估計算法，即先找到人體特征部位，得到關節位置置信圖，再連接骨骼，組合人體。一張三原色（RGB）圖片首先經一個卷積神經網絡處理，生成特征圖，之后特征圖被輸入雙分支網絡，得到關節點置信度圖S 和人體部分親和字段L。置信度數值最大處為預測關節點所在位置，人體部分親和字段同時保留了肢體的位置和方向信息。由此可通過比較任意2 個關節點的連線與人體部分親和字段中對應線段的對齊程度選擇正確的連接方式，形成人體骨架[12]。本文選取圖3 中編號為1—13的13 個關節點，計算得到肩、肘、髖、膝各關節的關節角度，作為運動指標的檢測值。

圖3 OpenPose 的人體骨架模型Figure 3 Human skeleton model from OpenPose

1.1.2 統計分析

采用SPSS 22.0 軟件對數據進行統計分析。通過Spearman 相關分析檢驗基于Qualisys 系統的運動指標標準值和基于OpenPose 的運動指標檢測值的相關性。通過組內相關系數（Intraclass Correlation Coefficient，ICC）檢驗測量結果的一致性。2 種方法得到的數據差異以平均絕對值誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和平均相對誤差（Mean Relative Error，MRE）表示，單位為度（°），數值越小說明2 組數據越一致。

相關分析結果范圍在0.80～1.00 表示極強相關，0.60～0.79 表示強相關，0.40～0.59 表示中等程度相關，0.20～0.39 表示弱相關，0～0.19 表示極弱相關或無相關[8]。組內相關系數小于0.4 表示一致性較差，大于0.75 表示一致性良好。P＜0.05 表示具有顯著性差異，P＜0.01 表示具有非常顯著性差異，P＜0.001 表示具有極顯著性差異。

1.2 基于OpenPose 的健身操能量消耗測量方法的建立與驗證

以網絡廣告方式隨機招募20 名受試者，均為女性（表2）。納入標準：①1 個月內無明顯體質量減輕，飲食正常；②無心肺功能異常；③無代謝性疾病；④無肢體功能障礙；⑤BMI 屬于正常水平；⑥年齡在20～30歲；⑦不佩戴框架眼鏡（避免因眼鏡問題影響呼吸面罩的佩戴）；⑧有規律鍛煉習慣。實驗前3 h 受試者不得進食、吸煙或進行中高強度運動，實驗前12 h 不得攝入任何含咖啡因的飲品，實驗前一晚保證至少7 h 的充足睡眠。測量并記錄受試者的基本信息，所有受試者需簽署知情同意書并自愿參加此次實驗。

表2 受試者基本信息（M±SD）Table 2 Descriptive data of subjects

受試者穿戴好已校驗的Cosmed K5（Cosmed，Rome，Italy）便攜式氣體分析儀和配套心率帶，靜坐3～5 min，記錄下降至穩態的心率作為靜息心率。隨后完成一套由15 個不同動作組成的健身操，動作涵蓋了大眾健身操各關節的主要運動形式。動作選擇的依據：①涵蓋主要關節的主要運動形式；②被廣泛采納的健身操中的常用動作，至少在2 個以上網絡熱度較高的健身操中出現過；③動作難度適宜，普通人都可以完成，保證實驗的可行性；④控制總量，避免因受試者過于疲勞影響測量效果，動作總數控制在15 個；⑤根據預實驗能量消耗結果，按照運動強度從低到高排序，避免相互干擾。每個動作持續3 min，不同動作間以30 s的踏步作為過渡動作，健身操總時長為52.5 min。受試者的正前方、正左側和正右側各放置1 臺智能手機完成全程記錄。實驗1 僅對矢狀面和冠狀面內的關節活動角度進行驗證，故所有動作的主要運動平面為冠狀面或矢狀面。

1.2.1 測試指標

（1）能量消耗指標。Cosmed K5 便攜式氣體分析儀導出的數據每10 s 記錄1 次，選用每個動作最后1 min 達到穩態時的相對攝氧量[mL/（min·kg）][13]，除以靜息代謝的攝氧量3.5 [mL/（min·kg）]并取均值，得到各個動作的平均梅脫值（Metabolic Equivalent，MET），作為能量消耗指標。

（2）心率相關指標。GARMIN 心率帶每10 s 記錄1 次數據，20 名女性受試者的靜息心率為（70.0±9.7）次/min。選用每個動作最后1 min 達到穩態時的心率作為心率指標，并基于最大心率、靜息心率和當前動態心率計算得到心率儲備百分比（Percentage of Heart Rate Reserve，%HRR）指標。上述2 個指標均取平均值作為心率相關指標。

（3）基于OpenPose 的運動指標。除實驗1 中的運動指標外，實驗2 中還加入了軀干的運動角度和用于模擬重心位置變化的身體中心點在豎直和水平方向的運動參數。各關節角度通過3 個連接點的坐標換算得到。身體中心點橫縱坐標的計算方式如下：

基于關節角度，計算得到角速度和角加速度，以及身體中心點的移動速度和加速度。取每個動作最后1 min 達到穩態時的數據，以平均值和標準差表示，該部分數據是實驗2 的運動指標。各關節對應連接點和拍攝視角如表3 所示。

1.2.2 統計分析

采用SPSS 22.0 軟件對數據進行統計分析。通過Spearman 相關分析檢驗能量消耗指標與能量消耗測量指標（共計130 個），包括：運動指標（121 個），如右膝關節角速度均值；個人基本信息指標（7 個），如身高；心率均值和%HRR 平均值的相關性。保留相關系數大于0.2（P＜0.05）的指標，進行逐步回歸分析，通過決定系數（R2）判斷擬合程度，建立3 個回歸模型。采用10 折交叉驗證方法（10-fold Cross Validation）[14-15]得到各模型的平均絕對值誤差、均方誤差（Mean Square Error, MSE）、均方根誤差[8,16]和平均相對誤差[17]，用以評價模型的測量準確性。

表3 關節構造示意Table 3 Method of joint connection

2 研究結果

2.1 基于OpenPose 捕捉關節運動角度變化情況

2.1.1 關節運動角度變化趨勢

所有受試者的關節運動角度以平均值和標準差的形式表示。圖4 和圖5 分別為正面相機拍攝的肩關節和髖關節在冠狀面做外展運動的角度變化曲線，圖6和圖7 分別為右側相機拍攝的右肘、右肩、右膝和右髖關節在矢狀面做屈曲運動的角度變化曲線。

圖4 左肩關節（A）和右肩關節（B）外展運動角度變化曲線Figure 4 Angle changes of left (A) and right (B) shoulder joints during abduction

圖5 左髖關節（A）和右髖關節（B）外展運動角度變化曲線Figure 5 Angle changes of left (A) and right (B) hip joints during abduction

圖6 右肘關節（A）和右肩關節（B）屈曲運動角度變化曲線Figure 6 Angle changes of right elbow (A) and shoulder (B) joints during buckling

圖7 右膝關節（A）和右髖關節（B）屈曲運動角度變化曲線Figure 7 Angle changes of right knee (A) and hip (B) joints during buckling

結果顯示：2 種方法得到的關節運動角度均值曲線和標準差變化趨勢基本一致，角度峰值處存在一定誤差；相較于側面拍攝的屈曲運動，正面拍攝的外展運動均值曲線更加一致；下肢關節做屈曲運動時的角度波動范圍較其他情況更大。

2.1.2 關節運動角度的相關分析和一致性分析

關節運動角度的相關分析和一致性分析結果（表4）顯示，Qualisys 系統和OpenPose 得到的各關節運動角度均極強相關（r＞0.8），且一致性結果良好（ICC＞0.75）。相較于髖關節，肩關節的相關系數更加穩定，且上肢關節的相關系數普遍高于下肢關節。

2.1.3 關節運動角度測量誤差分析

關節運動角度測量誤差分析結果（表5）顯示，正面拍攝的關節運動角度誤差普遍小于側面，同一關節左右側誤差相近，側面拍攝的膝關節屈曲運動誤差最大。

2.2 基于OpenPose 的健身操能量消耗測量方法構建

2.2.1 健身操能量消耗測量結果

本文所選健身操由15 個不同動作組合而成，各動作實測能量消耗（表6）近似于一項逐級遞增負荷運動，屬于中至高等強度運動。

表4 相關分析和一致性分析結果Table 4 Results of correlation analysis and interclass correlation analysis

表5 關節運動角度測量誤差Table 5 Errors of joint angle

表6 健身操各動作的心率、代謝當量和呼吸商（M±SD）Table 6 Heart rate，METS and respiratory quotient of aerobics

2.2.2 關節運動學參數與能量消耗的相關分析

本文保留了60 個相關系數大于0.2（P＜0.05）的能量消耗測量指標（58 個運動指標，2 個心率指標），其中身體中心、軀干及下肢關節運動指標的相關系數相對較高，相同關節左右兩側相機拍攝所得相關系數相近，側面拍攝所得運動指標的相關系數普遍大于正面拍攝。除運動指標外，心率與%HRR 顯示出與能量消耗的強相關性，身體中心指標在豎直方向的運動變量與能量消耗中等程度相關。

2.2.3 能量消耗測量模型

將相關分析后保留的58 個運動指標分為3 組，分別為正面拍攝指標組、側面拍攝指標組、正面加側面拍攝指標組。以各組的運動指標為自變量，能量消耗指標為因變量，經逐步回歸篩選得到3 個能量消耗測量模型。由于心率相關變量與能量消耗指標存在強相關性，在上述3 個模型中依次分別加入心率和%HRR變量，觀察模型決定系數的變化。根據模型分析結果（表7）發現，%HRR 變量能更好地提升模型的測量能力，因此選定該變量為輔助變量，分別加入上述3 個模型。因能量消耗指標不服從正態分布，將上述所有指標經自然對數轉換后再展開分析。

在表7 中：模型1 的自變量除常數項外均為正面拍攝的運動指標，分別為右膝角加速度均值與標準差，以及身體中心縱向運動速度標準差；模型2 的自變量除常數項外均為側面拍攝的運動指標，分別為左肩、左膝、右肘、軀干的角度均值，左髖角速度均值，右膝角加速度均值以及右肩角度標準差；模型3 的自變量除常數項外為正面加側面拍攝的運動指標，分別為左肩、左髖、軀干的角速度均值，右膝角加速度均值，身體中心縱向運動的加速度均值和速度標準差，以及右膝角度標準差。結果顯示：各模型都納入了膝關節的運動指標；模型中下肢關節運動指標占比高于上肢關節；可獲得身體中心指標的模型都納入了該指標作為自變量；根據決定系數由低至高排序為模型1（R2=0.387）＜模型2（R2=0.541）＜模型3（R2=0.628）。加入%HRR 后，3 個模型的決定系數均得到提升，但依然表現為模型1-1（R2=0.557）＜模型2-1（R2=0.655）＜模型3-1（R2=0.696）。

2.2.4 模型測量準確性結果

由于建模前所有變量均經過自然對數轉換，需通過式（3）計算得到實測代謝當量與模型測量代謝當量的差值，即測量誤差ε*，單位為METs。經交叉檢驗得到各誤差檢驗指標，具體操作為：將20 名受試者隨機分成10 組，每組2 人。每次利用其中9 組的數據作為建模組，分別構建上述6 個模型的能量消耗測量方程。剩余1 組作為回代驗證組，計算得到代謝當量的測量值，由此可以得到實際測量值與方程測量值的差值，即為測量誤差。重復這個過程直到每組數據都曾作為獨立的實際觀測值完成與模型測量值的比較。

表7 能量消耗測量模型基本信息Table 7 Basic information of energy consumption measurement models

模型測量誤差結果（表8）顯示，基于運動指標的模型1、模型2、模型3 有較好的測量準確度，平均絕對值誤差均小于1.0 METs。加入%HRR 后，各模型的測量準確性得到了不同程度的優化。

表8 模型測量誤差結果Table 8 Error results of models

對比相關研究發現，與使用能獲取三維數據的深度相機研究[8]相比，本文測量結果的誤差稍高。這既可能因為Lin 等[8]的研究對象為簡單跑步運動，也可能因為深度相機能獲取更高精度的人體骨架三維數據。與基于多個慣性傳感器和心率設備，以日常活動、鍛煉活動等同樣較為復雜的混合類活動為對象的研究[18-19]相比，模型測量的誤差結果并無較大差異。但本文的實驗無須佩戴任何設備，使用更加方便。

3 討 論

基于OpenPose 得到的關節運動指標與健身操運動的能量消耗存在相關性。關節活動是人體運動的可視化表現，在增加生理能耗的同時對外做功。關節運動的角度在一定程度上代表了運動范圍，關節運動的角速度和角加速度代表了運動強度，均為人體能量消耗的影響因素。相關研究[7,20-23]已證實身體活動的速度和加速度與攝氧量、能量消耗之間的關系，為本文提供了一定的支撐。本文結果也顯示，通過計算機視覺采集人體運動參數，并間接測量人體運動能量消耗是可行的。本文所使用的研究方法存在12%～17%的誤差，這與測量能量消耗的主流智能設備（如Actigraph加速度計等30%左右的誤差[24]、Fitbit 等智能手環20%～35%的誤差）[25]相比存在一定優勢，可能具有較好的應用前景。

3.1 基于OpenPose 的關節運動參數識別精度

基于OpenPose 的人體關節角度識別精度因運動關節和拍攝面的不同存在差異。首先，基于OpenPose得到的人體骨架模型與人體真實骨架結構存在偏差（圖3）。如表3 所示，基于二維模型的左右髖關節以左右髂前上棘點（點11 和點8）為關節中心，與兩肩峰點（點5 和點2）和左右膝關節點（點12 和點9）連線構成，無法還原骨盆的立體結構，且這種跨關節的連接方式更容易造成數據誤差和數據缺失。其次，關節角度識別的準確度因拍攝視角不同存在偏差。使用手機拍攝的RGB 視頻不具備視角不變性，對光線和背景變化都很敏感[26]。實驗室環境可減少光線與背景的影響，但仍無法實現視角不變性，容易影響分析效果。此外，相較于正面拍攝，側面拍攝視角下，肢體、軀干之間的相互遮擋易導致識別誤差。例如，相機位于側面時，左右膝關節點幾乎重疊，圖3 中關節點1 也很難被正確估算。膝關節的主要運動形式為屈伸運動，在矢狀面內進行，這會影響膝關節角度的識別精度。相關研究結果顯示，OpenPose 對人體膝關節點的檢驗精度較肩、肘、髖關節點更低[11]，同樣用于人體姿勢識別的AlaphaPose 對膝關節點的檢測精度要比OpenPose 高11%[12]。

3.2 不同拍攝面運動指標與能量消耗的關系

在關節角度識別精度低于正面的情況下，側面拍攝的屈伸類活動的運動指標仍更適合測量能量消耗。表現為側面指標與能量消耗的相關性較正面指標更高，模型2 的決定系數（R2=0.541）較模型1（R2=0.387）更高，模型2 的誤差較模型1 更低。從解剖學角度分析，實驗中側面相機記錄的是人體各關節在矢狀面內進行的屈伸類運動，正面相機記錄的則是在冠狀面內進行的外展內收類運動。行走、跑步、爬樓梯等活動的主要運動平面都為矢狀面，屈伸類活動為主要日常活動。骨骼肌收縮時的肌力大小和沿力方向的位移對能量消耗產生影響。肌力的大小取決于被激活運動單位的類型、數量、刺激頻率等[27]，同時根據關節功率法，肌肉在某關節做功的功率由關節合力矩與關節角度的乘積共同決定[28]。因此相較于展肌和收肌，經常作為主要運動肌的屈肌和伸肌的肌力更大，伸展性與彈性更佳，從而運動幅度也更大，對能量消耗產生更大的影響。健身操中能量消耗較高的幾個動作的主要運動平面均為矢狀面。

3.3 上下肢關節運動指標與能量消耗的關系

相較于上肢關節，下肢關節即使存在一定測量誤差，其運動指標仍在能量消耗測量方程中起到更重要的作用。因直立行走，人類下肢肌肉較上肢肌肉更為發達，占全身肌肉重量的比例更高[29]。日常生活中上肢肌肉的活動時間、頻率、頻次都大于下肢肌肉，但下肢肌肉單次的收縮幅度遠大于上肢肌肉[30]。相關研究[31-32]證實，在不同的運動角度、運動速度以及外加負荷下，上肢關節活動導致的能量消耗較低。另有研究[33]發現，與上肢活動主導的游戲相比，下肢活動主導的游戲的平均能量消耗要高出6 倍之多，下肢活動在能量消耗中起主要作用。健身操運動需要參與者隨音樂律動，通常是全身性活動，尤其是下肢活動。本文所選健身操的15 個動作均含下肢運動，且下肢關節運動角度較大的動作，實測能量消耗也更多。

3.4 身體中心指標與能量消耗的關系

身體中心指標的垂直變量與能量消耗存在一定關系。能量消耗可分為用于移動身體重心的部分和相對于身體重心移動的四肢部分[34]，身體中心指標意在表征身體重心的運動軌跡。在沒有外加負重的情況下，身體主要通過下肢和軀干肌肉的收縮作用克服重力做功。重力作用的方向可視為恒定不變，功的大小主要由人體重心在豎直方向的位移決定。因腰部最接近人體的重心位置，在腰部佩戴加速度計是測量身體活動較為推薦的方式[35]。美國運動醫學會推薦的走跑類運動的攝氧量測量公式顯示，坡度與攝氧量呈正相關[36]，即在相同的運動速度下，坡度越高，克服重力做功越多，攝氧量越高，能量消耗越大，能量消耗與重心的垂直變化有關。本文健身操運動以能量消耗由低至高的方式進行動作排序，實驗后期有較為明顯的下蹲動作，重心位置在豎直方向上的變化逐漸增強，因此實測能量消耗值更高。

3.5 %HRR 與能量消耗的關系

在能量消耗測量模型中加入%HRR 指標可優化模型的測量結果。心率與耗氧量存在線性關系[26]，心率結合運動傳感器測量有氧運動能量消耗的技術已得到成熟應用[22,37]。心率表現存在個體差異，例如有一定訓練基礎的人，其安靜心率往往低于不經常運動的人，在運動時也具有更大的提升空間。以心率儲備代替心率能在一定程度上減輕個體差異的影響，提高能量消耗測量模型的準確性[38]。早期有學者[39]使用%HRR 評估久坐婦女的訓練強度，最新的《ACSM 運動測試與運動處方指南》已經推薦用%HRR 評估有氧運動的適宜強度[40]。%HRR 在身體活動相關研究中逐漸得到較為廣泛的應用[41-42]。健身操運動作為一種大眾健身活動，對參與人員的體適能狀況沒有特殊要求，因此參與者的心率反應受個體差異影響較大，更適合采用心率儲備指標。

綜上，在不佩戴任何設備的情況下，基于正面和側面運動指標的模型3 能較好地估算復雜運動情況下人體的能量消耗，具有較高應用價值。心率傳感器可作為輔助設備以提高該方法的精度，但效果有限。

4 結 論

OpenPose 能構建人體骨架模型，連續跟蹤記錄運動過程中的各關節角度。上肢關節角度的誤差結果比下肢關節更穩定。正面識別的關節角度誤差小于側面。基于OpenPose 的能量消耗估算新方法誤差較小（MAE=0.81，MSE=1.11，RMSE=1.02，MRE=13.60%），測試精度可達到86.4%。本文初步建立了一種基于OpenPose 的健身操能量消耗非接觸式測量方法，這種新方法能較為準確、簡便地測量健身操鍛煉中的能量消耗，未來有望發展為運動能量消耗測量的重要方法。

作者貢獻聲明：

溫 煦：提出論文主題，設計論文框架，撰寫論文，審核、指導并修改論文；

楊雨馨：檢索文獻，招募受試者，采集、分析數據，撰寫論文；

高元龍：招募受試者；

李 寬：采集數據；

楊建黨：篩選、分析數據；

楊小倩：篩選、提取資料；

劉 勇：核實統計數據與結果，指導論文。