Recopilación de datos de sensores — Recopilación de datos basada en sensores
- Propuesto por
- Multidisciplinary; sensor networks formalized in engineering and computer science from the 1990s onward
- Año
- 1990s–2000s (widespread deployment with IoT ~2000s)
- Tipo
- Quantitative / mixed data collection technique
- Familia
- Data collection
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La recopilación de datos de sensores utiliza instrumentos físicos o digitales para capturar automáticamente mediciones cuantitativas del entorno, el cuerpo humano o las máquinas a lo largo del tiempo.
Los sensores comunes miden la temperatura, el movimiento, la frecuencia cardíaca, la ubicación, la luz, el sonido o las propiedades químicas. Debido a que el registro es automatizado y continuo, el método puede producir conjuntos de datos de alta frecuencia con una carga mínima para el investigador, lo que lo convierte en un elemento central para el Internet de las cosas (IoT), la monitorización ambiental, la investigación de wearables y los estudios conductuales.
La intuición detrás del método
Piense en colocar un pequeño acelerómetro en la muñeca de un trabajador: cada fracción de segundo registra silenciosamente datos de movimiento sin pedirle al trabajador que se detenga y complete un formulario. Ese es el atractivo principal de la recopilación de datos de sensores: captura lo que realmente está sucediendo en el mundo en lugar de lo que los participantes recuerdan o informan al respecto. El investigador diseña la colocación del sensor y las reglas de muestreo de antemano, y los instrumentos realizan la observación. Los datos resultantes de series temporales pueden ser densos, objetivos y libres de sesgos de recuerdo, pero requieren una calibración y preprocesamiento cuidadosos antes de que sean útiles para el análisis.
Historia
El uso sistemático de instrumentos para la medición científica se remonta a la ciencia moderna temprana, pero la recopilación de datos de sensores en red como un paradigma de investigación distinto surgió en la década de 1990 con el desarrollo de redes de sensores inalámbricos en ciencias de la computación e ingeniería. El artículo de Chong y Kumar de 2003 en IEEE Proceedings es ampliamente citado como una encuesta fundamental del campo. La proliferación de sensores MEMS miniaturizados, teléfonos inteligentes y plataformas IoT a partir de mediados de la década de 2000 hizo que la recopilación de datos basada en sensores fuera accesible para científicos sociales, de la salud y conductuales. Los rastreadores de actividad física portátiles y los sistemas de evaluación ecológica momentánea formalizaron su uso en psicología y salud pública.
Cuándo usarlo
Utilice la recopilación de datos de sensores cuando la pregunta de investigación requiera la medición objetiva, continua o de alta frecuencia de fenómenos físicos o fisiológicos que no se pueden capturar de manera confiable mediante autoinforme, por ejemplo, monitorización de la actividad física, exposición ambiental, calidad del sueño o rendimiento de la máquina. Es particularmente valioso en diseños longitudinales donde las encuestas diarias o semanales crearían una carga inaceptable para el participante. No lo utilice cuando el fenómeno de interés sea inherentemente subjetivo (actitudes, significados, creencias) o cuando el costo y la complejidad técnica del despliegue del sensor superen el valor de los datos; en esos casos, las encuestas, las entrevistas o la evaluación ecológica momentánea con ítems de autoinforme pueden ser más apropiadas.
Limitaciones y consideraciones
- Los sensores miden proxies, no fenómenos directamente; inferir el comportamiento o el estado a partir de señales brutas requiere algoritmos validados.
- El costo del equipo, el esfuerzo de calibración y la experiencia técnica crean altas barreras de configuración en comparación con los métodos de cuestionario.
- Los volúmenes de datos pueden ser muy grandes, lo que exige una infraestructura sustancial de almacenamiento, procesamiento y habilidades analíticas.
- Los riesgos de privacidad y éticos se amplifican al recopilar datos continuos de ubicación, biométricos o conductuales de participantes humanos.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Proporciona mediciones objetivas y automatizadas que eliminan el sesgo de recuerdo y los efectos de deseabilidad social.
- Permite una alta resolución temporal: captura de datos continua o casi continua que las encuestas no pueden lograr.
- Escala bien: un solo despliegue puede monitorizar docenas o cientos de participantes o ubicaciones simultáneamente.
- Soporta diseños longitudinales y del mundo real (ecológicos) con una carga continua mínima para los participantes o investigadores.
- Genera conjuntos de datos reproducibles y archivables que pueden ser reanalizados para preguntas de investigación secundarias.
Aplicaciones
- Monitorización de la actividad física y el comportamiento sedentario en salud pública y ciencias del deporte utilizando acelerómetros portátiles en la muñeca.
- Monitorización ambiental continua de la calidad del aire, la temperatura o los niveles de ruido en estudios urbanos y salud ocupacional.
- Investigación del sueño utilizando actigrafía de muñeca para registrar objetivamente los ciclos de sueño-vigilia durante varias noches.
- IoT industrial: registro de vibraciones, temperatura y parámetros operativos de la máquina para predecir las necesidades de mantenimiento.
- Ecología conductual e investigación de vida silvestre utilizando collares GPS y biologgers para rastrear el movimiento y la fisiología de los animales.
- Investigación del comportamiento de conducción utilizando sensores de diagnóstico a bordo (OBD) para registrar la velocidad, el frenado y la aceleración en estudios naturalistas.
Cómo funciona
Cómo funciona
El investigador especifica qué fenómeno medir, selecciona el(los) tipo(s) de sensor apropiado(s), determina la tasa y la duración del muestreo, y define la unidad de análisis (individuo, ubicación, dispositivo). Se abordan las consideraciones éticas y de privacidad, especialmente importantes cuando se recopilan datos biométricos o de ubicación de participantes humanos.
Los sensores se instalan o adjuntan físicamente (en cuerpos, en espacios, en máquinas) y se configuran. Se realiza la calibración para garantizar que las mediciones sean precisas y consistentes entre dispositivos. Una ejecución piloto verifica que los datos se estén registrando correctamente y que la duración de la batería, la conectividad y la capacidad de almacenamiento sean suficientes para la duración del estudio.
Los sensores registran automáticamente las lecturas al intervalo especificado o en respuesta a eventos (por ejemplo, detección de movimiento, superación de un umbral). Los datos pueden almacenarse localmente en el dispositivo, transmitirse a un servidor en tiempo real o transmitirse en lotes. La monitorización durante el período de recopilación detecta fallos de sensores, caídas de conectividad o lagunas inesperadas.
Las secuencias de datos de sensores brutos se limpian para eliminar ruido, valores atípicos y artefactos causados por mal funcionamiento del sensor, movimiento corporal o interferencia ambiental. Se identifican y manejan las ventanas de datos faltantes (imputación o exclusión). Las unidades se estandarizan y las marcas de tiempo se alinean en múltiples canales de sensores.
Los datos limpios se almacenan en un formato estructurado (base de datos de series temporales, archivos planos o almacenamiento columnar) con metadatos que documentan el modelo del sensor, la versión del firmware, la colocación y los parámetros de calibración. Los registros de procedencia de datos permiten la reproducibilidad y respaldan el análisis secundario posterior o el archivo.
Errores comunes
- Omitir la calibración — los sensores no calibrados introducen errores sistemáticos que no se pueden corregir en el análisis; compare siempre con una referencia conocida antes y después del despliegue.
- Ignorar los patrones de pérdida de datos — la deserción por fallo de batería o problemas de conectividad rara vez es aleatoria; tratar las ventanas faltantes como si fueran faltantes al azar puede sesgar las conclusiones.
- Confundir la señal del sensor con la constructo — los recuentos brutos del acelerómetro no son actividad física; asegúrese de que el algoritmo o umbral utilizado para inferir el constructo objetivo esté validado para su población y contexto.
- Subestimar el tiempo de preprocesamiento — la limpieza y la ingeniería de características consumen rutinariamente más tiempo del proyecto que el análisis; presupueste explícitamente para ello.
- Procedimientos de consentimiento inadecuados — la monitorización continua pasiva requiere una divulgación clara al participante y un mecanismo de exclusión fácil; no proporcionarlos crea exposición ética y legal.
Preguntas frecuentes
¿Cómo se diferencia la recopilación de datos de sensores de la evaluación ecológica momentánea (EMA)?
La EMA solicita a los participantes que proporcionen autoinformes en momentos aleatorios o programados de la vida diaria; captura la experiencia subjetiva. La recopilación de datos de sensores registra señales físicas o fisiológicas objetivas automáticamente sin requerir la entrada del participante. Muchos estudios combinan ambos: los sensores proporcionan datos conductuales objetivos, mientras que la EMA proporciona contexto subjetivo concurrente.
¿Qué tasa de muestreo debo elegir?
La tasa de muestreo debe ser al menos el doble de la frecuencia más alta de la señal que desea capturar (teorema de Nyquist). Para fenómenos lentos como la temperatura ambiente, un intervalo de un minuto puede ser suficiente. Para el análisis de la marcha o la variabilidad de la frecuencia cardíaca, se necesitan tasas de 50-100 Hz o superiores. Las tasas más altas generan archivos más grandes y agotan la batería más rápido, por lo que elija la tasa mínima que preserve la señal relevante.
¿Cómo manejo los datos de participantes que retiraron el sensor temprano?
Identifique los períodos de no uso utilizando algoritmos validados de detección de uso (por ejemplo, períodos de varianza cero en la acelerometría). Excluya esas ventanas de los análisis e informe la proporción de tiempo de uso válido. Si el no uso es diferencial entre grupos o está correlacionado con el resultado, aborde el sesgo potencial explícitamente en sus métodos y limitaciones.
¿Se requiere el consentimiento del participante incluso para sensores ambientales que no se dirigen a individuos?
Depende de si el sensor puede capturar información de identificación personal. Un sensor de temperatura en un área común de un edificio generalmente solo requiere aprobación institucional. Una cámara, un micrófono o un beacon de ubicación que pueda identificar individuos requiere el consentimiento informado de aquellos que podrían ser capturados. Consulte la junta de ética de su institución y las regulaciones de protección de datos aplicables antes del despliegue.
¿Se pueden utilizar datos de sensores en investigación cualitativa?
Los datos de sensores son inherentemente cuantitativos, pero a veces se utilizan como estímulos en seguimientos cualitativos: los participantes revisan sus propios rastros de datos (una técnica llamada entrevista asistida por datos o foto-elicitación con datos personales) para provocar la reflexión. Este enfoque mixto puede combinar la objetividad de la medición del sensor con la profundidad interpretativa de la indagación cualitativa.
Métodos relacionados
Fuentes
Chong, C.-Y., & Kumar, S. P. (2003). Sensor networks: Evolution, opportunities, and challenges. Proceedings of the IEEE, 91(8), 1247–1256.
Abrir referencia DOICopiado.Sensor. Wikipedia.
Abrir referencia de la publicaciónCopiado.