جمعآوری دادههای حسگر طولی — پایش مداوم مبتنی بر حسگر در طول زمان
- معرفیشده توسط
- Emerging from ambulatory assessment and wearable technology research communities
- سال
- 1990s–2000s (accelerated with IoT and wearable devices from ~2010)
- نوع
- Longitudinal quantitative/mixed data collection technique
- خانواده
- Data collection
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
جمعآوری دادههای حسگر طولی، حسگرهای فیزیکی یا دیجیتالی را برای ثبت پدیدهها به طور مداوم یا در فواصل منظم در طول یک دوره مطالعه طولانی — روزها، ماهها یا سالها — به کار میگیرد. برخلاف اندازهگیری یکباره، ساختار زمانی تکراری، تغییر، مسیر و پراکندگی در پیامدهایی مانند فعالیت بدنی، قرار گرفتن در معرض محیط، خواب یا وضعیت فیزیولوژیکی را ثبت میکند. این رویکرد، اعتبار بومشناختی سنجش در دنیای واقعی را با قدرت تحلیلی طرح طولی ترکیب میکند.
شهود پشت روش
به نصب یک شتابسنج مچی بر روی شرکتکنندگان به مدت شش ماه برای ردیابی فعالیت بدنی در طول برنامه توانبخشی قلبی فکر کنید. حسگر هر حرکتی را در تمام ساعات شبانهروز بدون درخواست از شرکتکنندگان برای به خاطر سپردن یا گزارش دادن ثبت میکند — صرفاً ثبت میکند. با بررسی چگونگی تکامل الگوهای فعالیت هفته به هفته، محققان میتوانند تشخیص دهند چه کسانی بهبود مییابند، چه کسانی عود میکنند و چه عوامل زمینهای (آب و هوا، خلق و خو، رویدادهای اجتماعی) این مسیرها را پیشبینی میکنند. بعد طولی همان چیزی است که یک عکس فوری را به داستانی از تغییر تبدیل میکند.
تاریخ
جمعآوری دادههای سیار مبتنی بر حسگر ریشههای خود را در مانیتورهای فشار خون سیار دهه ۱۹۶۰ و دستگاههای اکتیگرافی توسعه یافته در دهههای ۱۹۷۰-۸۰ برای تحقیقات خواب دارد. ادغام طرحهای طولی با حسگرهای الکترونیکی در دهه ۱۹۹۰ با روششناسی ارزیابی لحظهای بومشناختی (EMA) که توسط استون و شیفمن رسمی شد، تسریع شد. گسترش گوشیهای هوشمند پس از سال ۲۰۰۷ و ردیابهای تناسب اندام پوشیدنی پس از سال ۲۰۱۰، هزینه را به شدت کاهش داد و وضوح سنجش طولی را افزایش داد و آن را در تحقیقات رفتار سلامتی، کارآزماییهای بالینی و اپیدمیولوژی محیطی معمول ساخت.
چه زمانی استفاده شود
هنگامی که سؤال تحقیق مربوط به تغییر، مسیر یا قرار گرفتن در معرض تجمعی در طول زمان باشد و زمانی که گزارش خودی قابل اعتماد نباشد یا بار سنگینی باشد، از جمعآوری دادههای حسگر طولی استفاده کنید. این روش برای تحقیقات رفتار سلامتی (فعالیت بدنی، خواب، پایبندی)، علوم محیطی (قرار گرفتن در معرض آلودگی)، محاسبات عاطفی، و مطالعات توانبخشی یا مداخله مناسب است. این روش زمانی مناسب است که شرکتکنندگان بتوانند دستگاهها را در طول پنجره مطالعه بپوشند یا با آنها تعامل داشته باشند، زیرساخت دادههای سازمانی برای ذخیرهسازی امن وجود داشته باشد و بودجه تحقیق سختافزار و نگهداری حسگر را پوشش دهد. زمانی که پدیده مورد علاقه را نمیتوان به عنوان سیگنال حسگر عملیاتی کرد، زمانی که بار شرکتکننده از پایش مداوم غیرقابل قبول است، زمانی که پنجره مطالعه بسیار کوتاه است (یک جلسه)، یا زمانی که دادههای مقطعی برای پاسخ به سؤال کافی است، از آن استفاده نکنید.
محدودیتها و ملاحظات
- سختافزار حسگر، زیرساخت ابری و مدیریت دادهها هزینههای قابل توجهی را در مقایسه با نظرسنجیهای کاغذی یا آنلاین اضافه میکنند.
- انطباق دستگاه و ریزش شرکتکنندگان تهدیدهای مداومی هستند: شرکتکنندگان ممکن است دستگاهها را بردارند، آنها را شارژ نکنند، یا انصراف دهند، که باعث ایجاد دادههای گمشده سیستماتیک میشود.
- جریانهای خام حسگر به تخصص قابل توجهی در پیشپردازش نیاز دارند؛ خطاها در پاکسازی یا مشتقگیری دورههای زمانی به تمام تحلیلهای پاییندستی منتشر میشوند.
- طرحهای طولی نگرانیهای اخلاقی را در مورد نظارت مداوم، امنیت دادهها و حق انصراف ایجاد میکنند — فرآیندهای رضایت آگاهانه باید به همه این موارد به صراحت بپردازند.
- اعتبار حسگر بسته به کیفیت دستگاه و جمعیت متفاوت است؛ پوشیدنیهای مصرفی ممکن است دقت مورد نیاز تحقیقاتی را نداشته باشند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- رفتار و فیزیولوژی دنیای واقعی را بدون اتکا به گزارش خودی گذشتهنگر ثبت میکند و سوگیری یادآوری را به میزان قابل توجهی کاهش میدهد.
- وضوح زمانی بالا، پراکندگی درون فردی، الگوهای روزانه و تغییرات در سطح خرد را که با نظرسنجیهای هفتگی یا ماهانه نامرئی هستند، آشکار میکند.
- ضبط مداوم یا نزدیک به مداوم، چگالی داده را نسبت به تعداد تماسهای جمعآوری داده با شرکتکنندگان به حداکثر میرساند.
- اعتبار بومشناختی بالا است — دادهها رفتار را در زمینههای طبیعی به جای شرایط کنترل شده آزمایشگاهی منعکس میکنند.
- مقیاسپذیر: پس از استقرار، حسگرها میتوانند گروههای بزرگ را به طور همزمان با حداقل بار محقق برای هر شرکتکننده در روز ردیابی کنند.
کاربردها
- ردیابی مسیرهای فعالیت بدنی روزانه و رفتار کمتحرک در طول برنامههای توانبخشی قلبی.
- پایش معماری خواب به صورت طولی در مطالعات درمان بیخوابی یا پیامدهای سلامتی شیفت کاری.
- اندازهگیری قرار گرفتن در معرض آلودگی هوای شخصی در طول ماهها در گروههای اپیدمیولوژی محیطی شهری.
- ثبت دادههای مداوم گلوکز و تغییرپذیری ضربان قلب در تحقیقات خود مدیریتی دیابت.
- ثبت الگوهای تحرک GPS در طول ماهها برای مطالعه مسیرهای انزوای اجتماعی در سالمندان.
- ثبت شاخصهای استرس فیزیولوژیکی (رسانایی پوست، کورتیزول از طریق وصلههای پوشیدنی) در طول یک ترم تحصیلی در تحقیقات رفاه دانشجویی.
چگونه کار میکند
چگونه کار میکند
محقق مدت زمان مطالعه، وضوح نمونهبرداری (جریان مداوم در مقابل دورههای زمانی ثابت مانند هر ۶۰ ثانیه)، نوع حسگر (شتابسنج، مانیتور ضربان قلب، GPS، حسگر محیطی و غیره) و طرح زمانی (پانل، گروه یا اندازهگیریهای مکرر فشرده) را مشخص میکند. پروتکلهای اخلاقی شامل حداقلسازی دادهها و رویههای خروج شرکتکننده قبل از استقرار تعیین میشوند.
حسگرها کالیبره، مقداردهی اولیه و به شرکتکنندگان (یا در محیطها نصب) صادر میشوند. شرکتکنندگان دستورالعملهایی برای پوشیدن یا نگهداری دستگاهها، برنامههای شارژ و رویههای رسیدگی به نقصها دریافت میکنند. دادههای جمعیتی و زمینهای پایه در این مرحله برای پشتیبانی از تحلیل کوواریانس بعدی جمعآوری میشوند.
حسگرها به طور مستقل در طول پنجره مطالعه دادهها را ثبت میکنند. بسته به اتصال، دادهها ممکن است از طریق بلوتوث یا پیوندهای سلولی در زمان نزدیک به واقعی به یک سرور مرکزی منتقل شوند، یا به صورت محلی برای تخلیه دورهای در طول بازدیدهای بررسی انباشته شوند. نظارت بر انطباق — بررسی اینکه دستگاهها پوشیده شده و کار میکنند — در طول دوره میدانی انجام میشود.
جریانهای خام حسگر در پایگاههای داده با برچسب زمانی ذخیره میشوند. فرادادههای منشأ داده (شناسه دستگاه، نسخه سفتافزار، وضعیت باتری، شناسه شرکتکننده، دوره زمانی) در کنار اندازهگیریها ثبت میشوند. ذخیرهسازی امن و افزونه با کنترلهای دسترسی با توجه به ماهیت حساس شخصی دادههای فیزیولوژیکی و مکانی ضروری است.
خروجی خام حسگر پاکسازی میشود: مصنوعات ناشی از حذف دستگاه یا نقص شناسایی و حذف یا جایگزین میشوند؛ سیگنالها در برابر مقادیر مرجع سازنده یا آزمایشگاه کالیبره میشوند؛ معیارهای خلاصه در سطح دوره زمانی (به عنوان مثال، میانگین شمارش فعالیت در هر ساعت، شمارش گام در روز) مشتق میشوند. الگوهای دادههای گمشده مستند و به طور شفاف مدیریت میشوند.
دادههای حسگر طولی پاکسازی شده با روشهای مناسب برای دادههای ساختاریافته زمانی با اندازهگیریهای مکرر تجزیه و تحلیل میشوند — مدلهای چند سطحی، مدلهای اثرات مختلط، مدلهای منحنی رشد نهفته، یا رویکردهای سری زمانی. مسیرهای تغییر تخمین زده میشوند، تفاوتهای فردی در مسیرها مدلسازی میشوند و ارتباط با کوواریتها (سن، وضعیت بالینی، شرایط مداخله) آزمایش میشود.
دامهای رایج
- کمتخمین زدن دادههای گمشده: زمان عدم استفاده اغلب با فعالیت کم اشتباه گرفته میشود؛ محققان باید الگوریتمهای معتبر عدم استفاده را پیادهسازی کنند و مفروضات را به طور شفاف مستند کنند.
- نادیده گرفتن انحراف کالیبراسیون: دقت حسگر میتواند در طول یک دوره مطالعه طولانی کاهش یابد؛ بررسیهای کالیبراسیون دورهای برای مطالعاتی که بیش از چند هفته طول میکشند ضروری است.
- جمعآوری بیش از حد بدون برنامه تحلیل: ذخیره جریانهای عظیم حسگر بدون برنامه تحلیل از پیش تعیین شده منجر به جستجوهای بیهدف و نرخ بالای مثبت کاذب میشود؛ فرضیهها و انتخابهای تحلیلی را قبل از جمعآوری دادهها ثبت کنید.
- رفتار با همه شرکتکنندگان به عنوان معادل: تفاوتهای فردی در نحوه پوشیدن دستگاهها توسط شرکتکنندگان (محل قرارگیری، سفتی، نوع پوست) ناهمگنی اندازهگیری سیستماتیک ایجاد میکند که باید مدلسازی یا کنترل شود.
- نادیده گرفتن بار شرکتکننده: حتی سنجش غیرفعال نیز بار شناختی و سبک زندگی را تحمیل میکند؛ الزامات انطباق بیش از حد، ماندگاری را کاهش داده و سوگیری ریزش را معرفی میکند.
پرسشهای متداول
یک مطالعه حسگر طولی چقدر باید اجرا شود؟
مدت زمان کاملاً به سؤال تحقیق بستگی دارد. مطالعاتی که ریتمهای روزانه یا هفتگی را بررسی میکنند ممکن است فقط به دو تا چهار هفته نیاز داشته باشند؛ آنهایی که تغییر رفتار را از طریق یک مداخله ردیابی میکنند اغلب سه تا شش ماه اجرا میشوند؛ مطالعات گروهی از مسیرهای بیماری مزمن ممکن است سالها طول بکشد. معیار کلیدی این است که آیا پنجره مطالعه به اندازه کافی طولانی است تا تغییرات معنیدار در پدیده مورد علاقه مشاهده شود.
چگونه زمان عدم استفاده را در دادههای حسگر خود مدیریت کنم؟
زمان عدم استفاده باید از دورههای فعالیت کم واقعی متمایز شود. الگوریتمهای معتبر (مانند الگوریتمهای چوی یا ترويانو برای شتابسنجی) از پنجرههای صفر شمارش متوالی با مدت زمان مشخص برای طبقهبندی دورههای زمانی به عنوان عدم استفاده استفاده میکنند. سپس این دورههای زمانی از تحلیلها حذف میشوند یا با جایگزینی اصولی مدیریت میشوند. الگوریتم تشخیص عدم استفاده، آستانههای مورد استفاده و نسبت زمان استفاده معتبر مورد نیاز در هر روز باید در بخش روشها گزارش شود.
به چه اندازه نمونهای نیاز دارم؟
محاسبه توان برای مطالعات حسگر طولی باید اندازه اثر مورد انتظار در پیامد مسیر، تعداد مشاهدات تکراری برای هر شرکتکننده، همبستگی درون کلاسی (خوشهبندی مشاهدات درون افراد) و نرخ ریزش مورد انتظار را در نظر بگیرد. ابزارهای توان چند سطحی مانند Optimal Design یا بسته R longpower مناسب هستند. مطالعات با وضوح زمانی بسیار بالا برای هر شرکتکننده گاهی اوقات میتوانند توان کافی را با N کوچکتر به دست آورند، اما باید این مبادله توجیه شود.
آیا پوشیدنیهای مصرفی (فیتبیت، اپل واچ) برای تحقیقات قابل قبول هستند؟
دستگاههای مصرفی راحتی و آشنایی شرکتکنندگان را ارائه میدهند اما معمولاً دقت کمتری نسبت به دستگاههای درجه تحقیقاتی، الگوریتمهای اختصاصی و مبهم، و دسترسی محدود به دادهها دارند. آنها زمانی مناسب هستند که: سؤال تحقیق مربوط به تغییر نسبی باشد تا مقادیر مطلق کالیبره شده، دستگاه در برابر یک استاندارد طلایی برای جمعیت و پیامد مورد علاقه اعتبارسنجی شده باشد، و صادرات دادهها برای برنامه تحلیل به اندازه کافی دانهدار باشد. همیشه مطالعه اعتبارسنجی را برای دستگاه و معیار خاص مورد استفاده ذکر کنید.
این با ارزیابی لحظهای بومشناختی (EMA) چه تفاوتی دارد؟
EMA یک روش گزارش خودی است که به شرکتکنندگان دستور میدهد تجربیات خود را در لحظات تصادفی یا وابسته به رویداد در زندگی روزمره ثبت کنند. جمعآوری دادههای حسگر طولی عمدتاً غیرفعال است — دستگاه به طور خودکار و بدون نیاز به ورودی فعال شرکتکننده ثبت میکند. این دو اغلب ترکیب میشوند: جریانهای حسگر زمینه رفتاری یا فیزیولوژیکی عینی را در کنار وضعیتهای روانی گزارش شده توسط خود از اعلانهای EMA ارائه میدهند.
روشهای مرتبط
منابع
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.]
باز کردن مرجع انتشارکپی شد.Stone, A. A., & Shiffman, S. (2002). Capturing momentary, self-report data: A proposal for reporting guidelines. Annals of Behavioral Medicine, 24(3), 236–243.
باز کردن مرجع DOIکپی شد.