Zum Inhalt springen
Zurück zu den Suchergebnissen

Längsschnittliche Erfassung von Sensordaten — Kontinuierliche sensorgestützte Überwachung über die Zeit

Eingeführt von
Emerging from ambulatory assessment and wearable technology research communities
Jahr
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Typ
Longitudinal quantitative/mixed data collection technique
Familie
Data collection

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Die Erfassung von längsschnittlichen Sensordaten nutzt physische oder digitale Sensoren, um Phänomene kontinuierlich oder in regelmäßigen Abständen über einen ausgedehnten Studienzeitraum — Tage, Monate oder Jahre — aufzuzeichnen.

Im Gegensatz zu einmaligen Messungen erfasst die wiederholte zeitliche Struktur Veränderungen, Trajektorien und Variabilität bei Ergebnissen wie körperlicher Aktivität, Umwelteinwirkung, Schlaf oder physiologischem Zustand. Der Ansatz kombiniert die ökologische Validität von Echtzeit-Erfassung mit der analytischen Stärke des Längsschnittdesigns.

Die Intuition hinter der Methode

Stellen Sie sich vor, Teilnehmer tragen sechs Monate lang einen Handgelenk-Beschleunigungsmesser, um ihre körperliche Aktivität während eines Herzrehabilitationsprogramms zu verfolgen. Der Sensor zeichnet jede Bewegung rund um die Uhr auf, ohne dass die Teilnehmer sich erinnern oder berichten müssen — er zeichnet einfach auf. Durch die Untersuchung, wie sich Aktivitätsmuster Woche für Woche entwickeln, können Forscher erkennen, wer sich verbessert, wer Rückfälle erleidet und welche kontextuellen Faktoren (Wetter, Stimmung, soziale Ereignisse) diese Trajektorien vorhersagen. Die Längsschnittdimension verwandelt eine Momentaufnahme in eine Geschichte des Wandels.

Geschichte

Die sensorgestützte ambulante Datenerfassung hat ihre Wurzeln in den ambulanten Blutdruckmessgeräten der 1960er Jahre und den Aktigraphiegeräten, die in den 1970er und 1980er Jahren für die Schlafforschung entwickelt wurden. Die Integration von Längsschnittdesigns mit elektronischen Sensoren beschleunigte sich in den 1990er Jahren mit der Methodik der ökologischen momentanen Erfassung (EMA), die von Stone und Shiffman formalisiert wurde. Die Verbreitung von Smartphones nach 2007 und von tragbaren Fitness-Trackern nach 2010 senkte dramatisch die Kosten und erhöhte die Auflösung der Längsschnitt-Erfassung, wodurch sie in der Verhaltensforschung im Gesundheitswesen, in klinischen Studien und in der Umwelt-Epidemiologie zur Routine wurde.

Wann wird sie eingesetzt?

Verwenden Sie die Erfassung von längsschnittlichen Sensordaten, wenn die Forschungsfrage sich auf Veränderungen, Trajektorien oder kumulative Exposition über die Zeit bezieht und wenn die Selbsteinschätzung unzuverlässig oder belastend wäre. Sie eignet sich gut für die Verhaltensforschung im Gesundheitswesen (körperliche Aktivität, Schlaf, Adhärenz), Umweltwissenschaften (Umweltverschmutzung), Affective Computing und Rehabilitations- oder Interventionsstudien. Die Methode ist geeignet, wenn Teilnehmer Geräte über das Studienfenster tragen oder damit interagieren können, eine institutionelle Dateninfrastruktur für sichere Speicherung vorhanden ist und das Forschungsbudget die Sensorhardware und -wartung abdeckt. Verwenden Sie sie nicht, wenn das interessierende Phänomen nicht als Signal eines Sensors operationalisiert werden kann, wenn die Belastung der Teilnehmer durch kontinuierliche Überwachung inakzeptabel ist, wenn das Studienfenster sehr kurz ist (eine einzige Sitzung) oder wenn Querschnittsdaten ausreichen würden, um die Frage zu beantworten.

Grenzen und Hinweise

  • Sensorhardware, Cloud-Infrastruktur und Datenmanagement verursachen erhebliche Kosten im Vergleich zu Papier- oder Online-Umfragen.
  • Geräteeinhaltung und Abbruch sind ständige Bedrohungen: Teilnehmer können Geräte entfernen, sie nicht aufladen oder abbrechen, was zu systematisch fehlenden Daten führt.
  • Rohe Sensorströme erfordern erhebliches Fachwissen in der Vorverarbeitung; Fehler bei der Bereinigung oder Epochenableitung wirken sich auf alle nachfolgenden Analysen aus.
  • Längsschnittdesigns werfen ethische Bedenken hinsichtlich kontinuierlicher Überwachung, Datensicherheit und des Rücktrittsrechts auf — informierte Einverständniserklärungen müssen all diese Punkte explizit behandeln.
  • Die Sensorvalidität variiert je nach Gerätequalität und Population; Wearables der Konsumentenklasse erfüllen möglicherweise nicht die Genauigkeitsanforderungen für Forschungszwecke.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Erfasst reale Verhaltensweisen und Physiologie ohne Rückgriff auf retrospektive Selbsteinschätzung, wodurch der Erinnerungsfehler erheblich reduziert wird.
  • Hohe zeitliche Auflösung deckt intraindividuelle Variabilität, tageszeitliche Muster und mikroskopische Veränderungen auf, die bei wöchentlichen oder monatlichen Umfragen unsichtbar sind.
  • Kontinuierliche oder nahezu kontinuierliche Aufzeichnung maximiert die Datendichte im Verhältnis zur Anzahl der Datenerfassungskontakte mit den Teilnehmern.
  • Die ökologische Validität ist hoch — Daten spiegeln das Verhalten in natürlichen Kontexten und nicht unter kontrollierten Laborbedingungen wider.
  • Skalierbar: Nach der Bereitstellung können Sensoren große Kohorten gleichzeitig mit minimalem Forscheraufwand pro Teilnehmer und Tag verfolgen.

Anwendungen

  • Verfolgung von täglichen Aktivitäts- und Sitzverhaltensmustern während Herzrehabilitationsprogrammen.
  • Langfristige Überwachung der Schlafkarchitektur in Studien zur Behandlung von Insomnie oder zu gesundheitlichen Folgen von Schichtarbeit.
  • Messung der persönlichen Luftverschmutzungsexposition über Monate in Kohorten der städtischen Umwelt-Epidemiologie.
  • Erfassung kontinuierlicher Glukose- und Herzfrequenzvariabilitätsdaten in der Forschung zum Selbstmanagement von Diabetes.
  • Protokollierung von GPS-Mobilitätsmustern über Monate zur Untersuchung von Trajektorien sozialer Isolation bei älteren Erwachsenen.
  • Aufzeichnung physiologischer Stressindikatoren (Hautleitfähigkeit, Cortisol über tragbare Pflaster) während eines akademischen Semesters in der Forschung zum Wohlbefinden von Studenten.

So funktioniert es

So funktioniert es

1

Der Forscher legt die Studiendauer, die Abtastauflösung (kontinuierliches Streaming vs. feste Epochen, z. B. alle 60 Sekunden), den Sensortyp (Beschleunigungsmesser, Herzfrequenzmesser, GPS, Umweltsensor usw.) und das zeitliche Design (Panel, Kohorte oder intensive wiederholte Messungen) fest. Ethische Protokolle, einschließlich Datenminimierung und Verfahren zum Rücktritt von Teilnehmern, werden vor dem Einsatz festgelegt.

2

Sensoren werden kalibriert, initialisiert und an die Teilnehmer ausgegeben (oder in Umgebungen installiert). Die Teilnehmer erhalten Anweisungen zum Tragen oder zur Wartung der Geräte, zu Ladeplänen und zu Verfahren zur Behandlung von Fehlfunktionen. Zu diesem Zeitpunkt werden demografische Basisdaten und kontextbezogene Daten gesammelt, um spätere Kovariatenanalysen zu unterstützen.

3

Sensoren zeichnen Daten autonom während des gesamten Studienfensters auf. Abhängig von der Konnektivität können Daten über Bluetooth oder Mobilfunkverbindungen nahezu in Echtzeit an einen zentralen Server übertragen oder lokal gespeichert und periodisch bei Check-in-Besuchen heruntergeladen werden. Die Einhaltungsüberwachung — die Überprüfung, ob die Geräte getragen werden und funktionieren — wird während der gesamten Feldperiode durchgeführt.

4

Rohe Sensorströme werden in zeitgestempelten Datenbanken gespeichert. Metadaten zur Datenherkunft (Geräte-ID, Firmware-Version, Batteriestatus, Teilnehmer-ID, Epoche) werden zusammen mit den Messungen protokolliert. Eine sichere, redundante Speicherung mit Zugriffskontrollen ist angesichts der persönlich sensiblen Natur physiologischer und ortsbezogener Daten unerlässlich.

5

Die rohen Sensorausgaben werden bereinigt: Artefakte, die durch Geräteentfernung oder Fehlfunktionen verursacht wurden, werden identifiziert und entfernt oder imputiert; Signale werden gegen Hersteller- oder Laborreferenzwerte kalibriert; auf Epochen-Ebene zusammengefasste Metriken (z. B. durchschnittliche Aktivitätszählungen pro Stunde, Schrittzählungen pro Tag) werden abgeleitet. Muster fehlender Daten werden dokumentiert und transparent behandelt.

6

Bereinigte längsschnittliche Sensordaten werden mit Methoden analysiert, die für wiederholte Messungen zeitstrukturierter Daten geeignet sind — Mehrebenenmodelle, gemischte Modelle, latente Wachstumsmodelle oder Zeitreihenansätze. Trajektorien der Veränderung werden geschätzt, individuelle Unterschiede in den Trajektorien werden modelliert und Assoziationen mit Kovariaten (Alter, klinischer Status, Interventionsbedingung) werden getestet.

Häufige Fallstricke

  • Unterschätzung fehlender Daten: Nicht-Tragezeiten werden häufig mit geringer Aktivität verwechselt; Forscher müssen validierte Algorithmen für Nicht-Tragezeiten implementieren und Annahmen transparent dokumentieren.
  • Ignorieren von Kalibrierungsdrift: Die Sensorgenauigkeit kann sich über einen langen Studienzeitraum verschlechtern; periodische Kalibrierungsprüfungen sind für Studien, die länger als einige Wochen dauern, notwendig.
  • Übermäßige Datenerfassung ohne Analyseplan: Das Speichern riesiger Sensorströme ohne vordefinierten Analyseplan führt zu Fishing Expeditions und erhöhten falsch-positiven Raten; Hypothesen und analytische Entscheidungen vor der Datenerfassung registrieren.
  • Behandlung aller Teilnehmer als gleichwertig: Individuelle Unterschiede in der Art und Weise, wie Teilnehmer Geräte tragen (Platzierung, Festigkeit, Hauttyp), führen zu systematischer Messheterogenität, die modelliert oder kontrolliert werden muss.
  • Vernachlässigung der Belastung der Teilnehmer: Selbst passive Erfassung belastet kognitiv und lebensstilmäßig; übermäßige Einhaltungsanforderungen reduzieren die Bindung und führen zu Abbruchverzerrungen.

Häufig gestellte Fragen

Wie lange muss eine Längsschnitt-Sensorstudie laufen?

Die Dauer hängt vollständig von der Forschungsfrage ab. Studien, die tägliche oder wöchentliche Rhythmen untersuchen, benötigen möglicherweise nur zwei bis vier Wochen; diejenigen, die Verhaltensänderungen während einer Intervention verfolgen, laufen oft drei bis sechs Monate; Kohortenstudien zu chronischen Krankheitsverläufen können sich über Jahre erstrecken. Das wichtigste Kriterium ist, ob das Studienfenster lang genug ist, um eine aussagekräftige Variation des interessierenden Phänomens zu beobachten.

Wie gehe ich mit Nicht-Tragezeiten bei meinen Sensordaten um?

Nicht-Tragezeiten müssen von echten Perioden geringer Aktivität unterschieden werden. Validierte Algorithmen (z. B. die Choi- oder Troiano-Algorithmen für die Beschleunigungsmessung) verwenden aufeinanderfolgende Null-Zähl-Fenster einer bestimmten Dauer, um Epochen als Nicht-Tragezeiten zu klassifizieren. Diese Epochen werden dann von der Analyse ausgeschlossen oder durch prinzipielle Imputation behandelt. Der Algorithmus zur Erkennung von Nicht-Tragezeiten, die verwendeten Schwellenwerte und der erforderliche Anteil der gültigen Tragezeit pro Tag müssen im Methodenteil angegeben werden.

Welche Stichprobengröße benötige ich?

Die Leistungskalkulation für Längsschnitt-Sensorstudien muss die erwartete Effektgröße im Trajektorien-Ergebnis, die Anzahl der wiederholten Beobachtungen pro Teilnehmer, die intraklassische Korrelation (Clusterbildung von Beobachtungen innerhalb von Personen) und die erwartete Abbruchrate berücksichtigen. Multilevel-Leistungswerkzeuge wie Optimal Design oder das R-Paket longpower sind geeignet. Studien mit sehr hoher zeitlicher Auflösung pro Teilnehmer können manchmal eine ausreichende Leistung mit kleineren N erzielen, aber der Kompromiss muss gerechtfertigt sein.

Sind Verbraucher-Wearables (Fitbit, Apple Watch) für die Forschung akzeptabel?

Verbrauchergeräte bieten Komfort und Vertrautheit bei den Teilnehmern, haben aber typischerweise eine geringere Genauigkeit als Forschungsgeräte, proprietäre und undurchsichtige Algorithmen und eingeschränkten Datenzugriff. Sie sind geeignet, wenn: die Forschungsfrage sich auf relative Veränderungen und nicht auf absolute kalibrierte Werte bezieht, das Gerät gegen einen Goldstandard für die interessierende Population und das interessierende Ergebnis validiert wurde und der Datenexport für den Analyseplan ausreichend granular ist. Zitieren Sie immer die Validierungsstudie für das spezifische Gerät und die verwendete Metrik.

Wie unterscheidet sich dies von der ökologischen momentanen Erfassung (EMA)?

EMA ist eine Methode der Selbsteinschätzung, die Teilnehmer auffordert, ihre eigenen Erfahrungen zu zufälligen oder ereigniskontingenten Zeitpunkten im täglichen Leben aufzuzeichnen. Die Erfassung von längsschnittlichen Sensordaten ist weitgehend passiv — das Gerät zeichnet automatisch auf, ohne dass eine aktive Eingabe des Teilnehmers erforderlich ist. Die beiden werden oft kombiniert: Sensorströme liefern objektiven Verhaltens- oder physiologischen Kontext neben selbstberichteten psychologischen Zuständen aus EMA-Aufforderungen.

Verwandte Methoden

Quellen

  1. Lanza, S. T., Collins, L. M., Lemmon, D. R., & Schafer, J. L. (2005). PROC LCA: A SAS procedure for latent class analysis. Structural Equation Modeling, 14(4), 671–694. [For longitudinal intensive repeated-measures designs context, see also: Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.]

    Publikationsreferenz öffnen
    Kopiert.
  2. Stone, A. A., & Shiffman, S. (2002). Capturing momentary, self-report data: A proposal for reporting guidelines. Annals of Behavioral Medicine, 24(3), 236–243.

    DOI-Referenz öffnen
    Kopiert.