Zum Inhalt springen
Zurück zu den Suchergebnissen

Sensordatenerfassung — Sensorbasierte Datenerfassung

Eingeführt von
Multidisciplinary; sensor networks formalized in engineering and computer science from the 1990s onward
Jahr
1990s–2000s (widespread deployment with IoT ~2000s)
Typ
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 Sensordatenerfassung nutzt physische oder digitale Instrumente, um quantitative Messungen aus der Umgebung, von menschlichen Körpern oder Maschinen über die Zeit hinweg automatisch zu erfassen.

Gängige Sensoren messen Temperatur, Bewegung, Herzfrequenz, Standort, Licht, Schall oder chemische Eigenschaften. Da die Aufzeichnung automatisiert und kontinuierlich erfolgt, kann die Methode hochfrequente Datensätze mit minimalem Aufwand für den Forschenden erzeugen, was sie zu einem zentralen Element im IoT, in der Umweltüberwachung, der Wearable-Forschung und Verhaltensstudien macht.

Die Intuition hinter der Methode

Man stelle sich vor, man befestigt einen kleinen Beschleunigungsmesser am Handgelenk eines Arbeiters: Jede Bruchteilsekunde protokolliert er stillschweigend Bewegungsdaten, ohne dass der Arbeiter anhalten und ein Formular ausfüllen muss. Das ist der Kernreiz der Sensordatenerfassung – sie erfasst, was tatsächlich in der Welt geschieht, und nicht, was die Teilnehmenden sich erinnern oder darüber berichten. Der Forschende entwirft die Sensorplatzierung und die Abtastregeln im Voraus, und die Instrumente übernehmen die Beobachtung. Die resultierenden Zeitreihendaten können dicht, objektiv und frei von Erinnerungsverzerrungen sein, erfordern jedoch eine sorgfältige Kalibrierung und Vorverarbeitung, bevor sie analytisch nützlich werden.

Geschichte

Der systematische Einsatz von Instrumenten zur wissenschaftlichen Messung reicht bis in die frühe Neuzeit zurück, doch die vernetzte Sensordatenerfassung als eigenständiges Forschungsparadigma entstand in den 1990er Jahren mit der Entwicklung drahtloser Sensornetzwerke in der Informatik und im Ingenieurwesen. Der IEEE Proceedings-Artikel von Chong und Kumar aus dem Jahr 2003 wird weithin als grundlegende Übersicht des Feldes zitiert. Die Verbreitung miniaturisierter MEMS-Sensoren, Smartphones und IoT-Plattformen ab Mitte der 2000er Jahre machte die sensorbasierte Datenerfassung für Sozial-, Gesundheits- und Verhaltenswissenschaftler zugänglich. Tragbare Fitness-Tracker und Systeme zur ökologischen Momentaufnahme formalisierten ihre Nutzung in Psychologie und öffentlicher Gesundheit.

Wann wird sie eingesetzt?

Verwenden Sie die Sensordatenerfassung, wenn die Forschungsfrage eine objektive, kontinuierliche oder hochfrequente Messung physikalischer oder physiologischer Phänomene erfordert, die nicht zuverlässig durch Selbstauskünfte erfasst werden können – zum Beispiel die Überwachung körperlicher Aktivität, Umweltexposition, Schlafqualität oder Maschinenleistung. Sie ist besonders wertvoll bei Längsschnittstudien, bei denen tägliche oder wöchentliche Befragungen eine inakzeptable Belastung für die Teilnehmenden darstellen würden. Verwenden Sie sie nicht, wenn das interessierende Phänomen von Natur aus subjektiv ist (Einstellungen, Bedeutungen, Überzeugungen) oder wenn die Kosten und die technische Komplexität des Sensoreinsatzes den Wert der Daten übersteigen; in diesen Fällen können Umfragen, Interviews oder ökologische Momentaufnahmen mit Selbstauskunftsfragen geeigneter sein.

Grenzen und Hinweise

  • Sensoren messen Stellvertreter, nicht direkt die Phänomene; das Ableiten von Verhalten oder Zuständen aus Rohsignalen erfordert validierte Algorithmen.
  • Gerätekosten, Kalibrierungsaufwand und technisches Fachwissen schaffen im Vergleich zu Fragebogenmethoden hohe Einstiegshürden.
  • Datenmengen können sehr groß sein und erfordern erhebliche Speicher-, Verarbeitungs- und Analysefähigkeiten.
  • Datenschutz- und ethische Risiken sind bei der Erfassung kontinuierlicher Standort-, biometrischer oder Verhaltensdaten von menschlichen Teilnehmenden erhöht.

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

Stärken

  • Bietet objektive, automatisierte Messungen, die Erinnerungsverzerrungen und soziale Erwünschtheitseffekte eliminieren.
  • Ermöglicht eine hohe zeitliche Auflösung – kontinuierliche oder nahezu kontinuierliche Datenerfassung, die Umfragen nicht erreichen können.
  • Gut skalierbar: Ein einziger Einsatz kann Dutzende oder Hunderte von Teilnehmenden oder Standorten gleichzeitig überwachen.
  • Unterstützt Längsschnitt- und realitätsnahe (ökologische) Designs mit minimaler fortlaufender Belastung für Teilnehmende oder Forschende.
  • Erzeugt reproduzierbare, archivierbare Datensätze, die für sekundäre Forschungsfragen erneut analysiert werden können.

Anwendungen

  • Überwachung körperlicher Aktivität und sitzender Verhaltensweisen in der öffentlichen Gesundheit und Sportwissenschaft mittels am Handgelenk getragener Beschleunigungsmesser.
  • Kontinuierliche Umweltüberwachung von Luftqualität, Temperatur oder Lärmpegeln in Stadtstudien und der Arbeitsmedizin.
  • Schlafforschung unter Verwendung von Handgelenksaktigraphie zur objektiven Aufzeichnung von Schlaf-Wach-Zyklen über mehrere Nächte.
  • Industrielles IoT: Protokollierung von Maschinenvibrationen, Temperatur und Betriebsparametern zur Vorhersage von Wartungsbedarfen.
  • Verhaltensökologie und Wildtierforschung unter Verwendung von GPS-Halsbändern und Biologgern zur Verfolgung von Tierbewegungen und Physiologie.
  • Forschung zum Fahrverhalten unter Verwendung von On-Board-Diagnose-Sensoren (OBD) zur Aufzeichnung von Geschwindigkeit, Bremsverhalten und Beschleunigung in naturalistischen Studien.

So funktioniert es

So funktioniert es

1

Der Forschende legt fest, welches Phänomen gemessen werden soll, wählt die geeigneten Sensortypen aus, bestimmt die Abtastrate und -dauer und definiert die Analyseeinheit (Individuum, Ort, Gerät). Ethische Aspekte und Datenschutzüberlegungen werden berücksichtigt – besonders wichtig bei der Erfassung biometrischer Daten oder Standortdaten von menschlichen Teilnehmenden.

2

Sensoren werden physisch installiert oder angebracht (an Körpern, in Räumen, an Maschinen) und konfiguriert. Eine Kalibrierung wird durchgeführt, um sicherzustellen, dass die Messungen über verschiedene Geräte hinweg genau und konsistent sind. Ein Probelauf überprüft, ob die Daten korrekt aufgezeichnet werden und ob Batterielebensdauer, Konnektivität und Speicherkapazität für die Studiendauer ausreichen.

3

Sensoren zeichnen Messwerte automatisch in dem angegebenen Intervall oder als Reaktion auf Ereignisse auf (z. B. Bewegung erkannt, Schwellenwert überschritten). Daten können lokal auf dem Gerät gespeichert, in Echtzeit an einen Server gestreamt oder in Batches übertragen werden. Die Überwachung während der Erfassungsperiode deckt Sensorfehler, Verbindungsabbrüche oder unerwartete Lücken auf.

4

Rohe Sensorströme werden bereinigt, um Rauschen, Ausreißer und Artefakte zu entfernen, die durch Sensorfehlfunktionen, Körperbewegungen oder Umwelteinflüsse verursacht wurden. Fehlende Datenfenster werden identifiziert und behandelt (Imputation oder Ausschluss). Einheiten werden standardisiert und Zeitstempel über mehrere Sensorkanäle hinweg abgeglichen.

5

Bereinigte Daten werden in einem strukturierten Format (Zeitreihendatenbank, Flat Files oder Spaltenspeicher) mit Metadaten gespeichert, die Sensormodell, Firmware-Version, Platzierung und Kalibrierungsparameter dokumentieren. Aufzeichnungen zur Datenherkunft ermöglichen Reproduzierbarkeit und unterstützen spätere Sekundäranalysen oder Archivierungen.

Häufige Fallstricke

  • Auslassen der Kalibrierung — unkalibrierte Sensoren führen zu systematischen Fehlern, die in der Analyse nicht korrigiert werden können; immer vor und nach dem Einsatz mit einer bekannten Referenz vergleichen.
  • Ignorieren von Datenverlustmustern — Ausfälle durch Batterieentladung oder Konnektivitätsprobleme sind selten zufällig; die Behandlung fehlender Fenster, als wären sie zufällig fehlend (missing-at-random), kann die Schlussfolgerungen verzerren.
  • Verwechseln von Sensorsignal mit Konstrukt — rohe Beschleunigungsmesserwerte sind keine körperliche Aktivität; stellen Sie sicher, dass der Algorithmus oder Schwellenwert, der zur Ableitung des Zielkonstrukts verwendet wird, für Ihre Population und Ihren Kontext validiert ist.
  • Unterschätzung der Vorverarbeitungszeit — die Bereinigung und Feature-Engineering beanspruchen routinemäßig mehr Projektzeit als die Analyse; planen Sie dies explizit ein.
  • Unzureichende Einverständniserklärungsverfahren — passive kontinuierliche Überwachung erfordert eine klare Offenlegung gegenüber den Teilnehmenden und einen einfachen Opt-out-Mechanismus; das Fehlen dieser schafft ethische und rechtliche Risiken.

Häufig gestellte Fragen

Wie unterscheidet sich die Sensordatenerfassung von der ökologischen Momentaufnahme (EMA)?

EMA fordert die Teilnehmenden auf, zu zufälligen oder geplanten Zeitpunkten im Alltag Selbstauskünfte zu geben; sie erfasst subjektive Erfahrungen. Die Sensordatenerfassung zeichnet objektive physikalische oder physiologische Signale automatisch auf, ohne dass eine Eingabe der Teilnehmenden erforderlich ist. Viele Studien kombinieren beides: Sensoren liefern objektive Verhaltensdaten, während EMA einen gleichzeitigen subjektiven Kontext bietet.

Welche Abtastrate sollte ich wählen?

Die Abtastrate muss mindestens doppelt so hoch sein wie die höchste Frequenz des Signals, das Sie erfassen möchten (Nyquist-Theorem). Für langsame Phänomene wie Raumtemperatur kann ein Intervall von einer Minute ausreichen. Für Ganganalysen oder Herzfrequenzvariabilität sind Raten von 50–100 Hz oder höher erforderlich. Höhere Raten erzeugen größere Dateien und entladen Batterien schneller, wählen Sie daher die minimale Rate, die das relevante Signal bewahrt.

Wie gehe ich mit Daten von Teilnehmenden um, die den Sensor frühzeitig entfernt haben?

Identifizieren Sie die Perioden des Nichttragens mithilfe validierter Algorithmen zur Trageerkennung (z. B. Perioden ohne Varianz in der Akzelerometrie). Schließen Sie diese Fenster aus den Analysen aus und berichten Sie den Anteil der gültigen Tragezeit. Wenn das Nichttragen zwischen Gruppen unterschiedlich ist oder mit dem Ergebnis korreliert, sprechen Sie die potenzielle Verzerrung in Ihren Methoden und Einschränkungen explizit an.

Ist die Zustimmung der Teilnehmenden auch für Umweltsensoren erforderlich, die keine Einzelpersonen erfassen?

Es hängt davon ab, ob der Sensor persönlich identifizierbare Informationen erfassen kann. Ein Temperatursensor in einem öffentlichen Bereich eines Gebäudes erfordert typischerweise nur eine institutionelle Genehmigung. Eine Kamera, ein Mikrofon oder ein Ortungsbeacon, der Einzelpersonen identifizieren kann, erfordert die informierte Zustimmung derer, die erfasst werden könnten. Konsultieren Sie vor dem Einsatz den Ethikausschuss Ihrer Institution und die geltenden Datenschutzbestimmungen.

Können Sensordaten in der qualitativen Forschung verwendet werden?

Sensordaten sind von Natur aus quantitativ, werden aber manchmal als Stimuli in qualitativen Follow-ups verwendet: Teilnehmende überprüfen ihre eigenen Datenspuren (eine Technik, die als datengestütztes Interview oder Foto-Evozierung mit persönlichen Daten bezeichnet wird), um Reflexionen anzuregen. Dieser gemischte Ansatz kann die Objektivität der Sensormessung mit der interpretativen Tiefe der qualitativen Forschung verbinden.

Verwandte Methoden

Quellen

  1. Chong, C.-Y., & Kumar, S. P. (2003). Sensor networks: Evolution, opportunities, and challenges. Proceedings of the IEEE, 91(8), 1247–1256.

    DOI-Referenz öffnen
    Kopiert.
  2. Sensor. Wikipedia.

    Publikationsreferenz öffnen
    Kopiert.