Skip to content
検索結果に戻る

縦断的センサーデータ収集 — 時間を通じた連続的なセンサーベースのモニタリング

提唱者
Emerging from ambulatory assessment and wearable technology research communities
年
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
種類
Longitudinal quantitative/mixed data collection technique
系統
Data collection

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

縦断的センサーデータ収集は、物理的またはデジタルセンサーを展開して、数日、数ヶ月、あるいは数年にわたる長期間の研究期間にわたって現象を連続的または定期的な間隔で記録する。一度きりの測定とは異なり、繰り返される時間構造は、身体活動、環境曝露、睡眠、または生理学的状態などの結果の変化、軌跡、およびばらつきを捉える。このアプローチは、実世界のセンシングの生態学的妥当性と縦断的デザインの分析力を組み合わせたものである。

手法の背後にある直感

参加者に6ヶ月間リストバンド型加速度計を装着させ、心臓リハビリテーションプログラムを受ける際の身体活動を追跡することを考えてみよう。センサーは、参加者に記憶したり報告したりするように求めることなく、24時間体制で全ての動きを記録する — 単に記録するだけである。活動パターンの週ごとの進化を調べることで、研究者は誰が改善し、誰が後退し、どのような文脈的要因(天気、気分、社会的イベント)がそれらの軌跡を予測するかを検出できる。縦断的次元こそが、スナップショットを変化の物語に変えるものである。

歴史学

センサーベースの携帯データ収集は、1960年代の携帯血圧計や、睡眠研究のために1970年代〜80年代に開発されたアクチグラフィデバイスにルーツを持つ。縦断的デザインと電子センサーの統合は、StoneとShiffmanによって形式化された生態学的瞬間評価(EMA)方法論とともに1990年代に加速した。2007年以降のスマートフォンの普及と2010年以降のウェアラブルフィットネストラッカーの普及により、縦断的センシングのコストが劇的に低下し、解像度が向上し、健康行動研究、臨床試験、および環境疫学において日常的になった。

使うべき場面

研究課題が時間を通じた変化、軌跡、または累積曝露に関係し、自己報告による想起が信頼できないまたは負担が大きい場合に、縦断的センサーデータ収集を使用する。これは、健康行動研究(身体活動、睡眠、アドヒアランス)、環境科学(汚染曝露)、感情コンピューティング、およびリハビリテーションまたは介入研究に適している。この方法は、参加者が研究ウィンドウ全体でデバイスを装着または操作でき、セキュアなストレージのための機関データインフラが存在し、研究予算がセンサーハードウェアと保守をカバーする場合に適している。関心のある現象がセンサー信号として操作化できない場合、連続モニタリングによる参加者負担が許容できない場合、研究ウィンドウが非常に短い場合(単一セッション)、または横断的データで質問に答えるのに十分な場合、これを使用しない。

限界と注意点

  • センサーハードウェア、クラウドインフラストラクチャ、およびデータ管理は、紙またはオンライン調査と比較して大幅なコストを追加する。
  • デバイスのコンプライアンスと脱落は、持続的な脅威である:参加者はデバイスを取り外したり、充電を怠ったり、脱落したりする可能性があり、系統的な欠損データが発生する。
  • 生のセンサーストリームには、かなりの前処理の専門知識が必要である;クリーニングまたはエポック導出のエラーは、全ての後続分析に伝播する。
  • 縦断的デザインは、連続的な監視、データセキュリティ、および撤退の権利に関する倫理的懸念を引き起こす — インフォームドコンセントプロセスは、これら全てを明示的に対処する必要がある。
  • センサーの妥当性は、デバイスの品質と集団によって異なる;コンシューマーグレードのウェアラブルは、研究グレードの精度要件を満たさない可能性がある。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 後方的な自己報告に依存せず、実世界の行動や生理機能を捉え、想起バイアスを大幅に削減する。
  • 高い時間解像度は、週次または月次の調査では見えない、個人内のばらつき、日内パターン、および微細レベルの変化を明らかにする。
  • 連続的またはほぼ連続的な記録は、参加者とのデータ収集コンタクト数に対するデータ密度を最大化する。
  • 生態学的妥当性が高く、データは管理された実験室条件ではなく、自然な文脈での行動を反映する。
  • スケーラブル:展開されれば、センサーは研究者あたりの1日あたりの負担を最小限に抑えながら、大規模なコホートを同時に追跡できる。

応用

  • 心臓リハビリテーションプログラム中の毎日の身体活動および座位行動の軌跡の追跡。
  • 不眠症治療またはシフトワークの健康アウトカムの研究における睡眠構造の縦断的モニタリング。
  • 都市環境疫学コホートにおける数ヶ月にわたる個人の大気汚染曝露の測定。
  • 糖尿病自己管理研究における連続的な血糖値および心拍変動データの取得。
  • 高齢者の社会的孤立の軌跡を研究するための、数ヶ月にわたるGPS移動パターンの記録。
  • 学生のウェルビーイング研究における学期を通じた生理学的ストレス指標(皮膚コンダクタンス、ウェアラブルパッチによるコルチゾール)の記録。

使い方

使い方

1

研究者は、研究期間、サンプリング解像度(連続ストリーミング対60秒ごとなどの固定エポック)、センサータイプ(加速度計、心拍数モニター、GPS、環境センサーなど)、および時間的デザイン(パネル、コホート、または集中的反復測定)を指定する。データ最小化および参加者撤退手順を含む倫理プロトコルは、展開前に確立される。

2

センサーは、キャリブレーションされ、初期化され、参加者に発行される(または環境に設置される)。参加者は、デバイスの装着または保守、充電スケジュール、および誤動作の処理手順に関する指示を受ける。ベースラインの人口統計学的および文脈的データは、後続の共変量分析をサポートするために、この段階で収集される。

3

センサーは、研究ウィンドウ全体で自律的にデータを記録する。接続性に応じて、データはBluetoothまたはセルラーリンクを介してほぼリアルタイムで中央サーバーに送信されるか、またはチェックイン訪問中に定期的にオフロードするためにローカルに蓄積される。コンプライアンス監視 — デバイスが装着され機能しているかを確認すること — は、フィールド期間中に実施される。

4

生のセンサーストリームは、タイムスタンプ付きデータベースに保存される。データ出所メタデータ(デバイスID、ファームウェアバージョン、バッテリー状態、参加者ID、エポック)は、測定値とともに記録される。生理学的および位置情報データという個人に機密性の高い性質を考慮すると、セキュアで冗長なストレージとアクセス制御が不可欠である。

5

生のセンサー出力はクリーニングされる:デバイスの取り外しや誤動作によるアーティファクトは特定され、削除または補完される;信号はメーカーまたはラボの参照値に対してキャリブレーションされる;エポックレベルの要約指標(例:1時間あたりの平均活動カウント、1日あたりの歩数)が導出される。欠損データのパターンは文書化され、透明性をもって処理される。

6

クリーニングされた縦断的センサーデータは、反復測定された時間構造化データに適した方法 — 多レベルモデル、混合効果モデル、潜在成長曲線モデル、または時系列アプローチ — で分析される。変化の軌跡が推定され、軌跡における個人差がモデル化され、共変量(年齢、臨床状態、介入条件)との関連がテストされる。

よくある落とし穴

  • 欠損データの過小評価:非装着時間は、低活動時間と混同されることが多い;研究者は、検証済みの非装着アルゴリズムを実装し、仮定を透明性をもって文書化する必要がある。
  • キャリブレーションドリフトの無視:センサーの精度は、長期間の研究で低下する可能性がある;数週間を超える研究には、定期的な再キャリブレーションチェックが必要である。
  • 分析計画なしの過剰収集:事前に定義された分析計画なしに膨大なセンサー ストリームを保存すると、釣り合い調査や偽陽性率の増加につながる;仮説と分析の選択をデータ収集前に登録する。
  • 全ての参加者を同等とみなす:参加者がデバイスを装着する方法(配置、締め付け、肌タイプ)における個人差は、モデル化または制御する必要がある系統的な測定の不均一性を生み出す。
  • 参加者負担の無視:受動的なセンシングでさえ、認知的およびライフスタイルの負担を課す;過剰なコンプライアンス要件は、維持率を低下させ、脱落バイアスを導入する。

よくある質問

縦断的センサー研究はどのくらいの期間実行する必要がありますか?

期間は、研究課題に完全に依存します。日次または週次のリズムを調べる研究では、2〜4週間で十分な場合があります;介入を通じた行動変化を追跡する研究は、しばしば3〜6ヶ月実行されます;慢性疾患の軌跡のコホート研究は、数年に及ぶ場合があります。重要な基準は、研究期間が関心のある現象の有意義な変動を観察するのに十分な長さであるかどうかです。

センサーデータにおける非装着時間をどのように処理しますか?

非装着時間は、真の低活動期間と区別する必要があります。検証済みのアルゴリズム(例:加速度計のChoiまたはTroianoアルゴリズム)は、指定された期間の連続するゼロカウントウィンドウを使用して、エポックを非装着として分類します。これらのエポックは、分析から除外されるか、または原則的な補完で処理されます。非装着検出アルゴリズム、使用される閾値、および1日あたりに必要な有効装着時間の割合は、方法セクションで報告する必要があります。

どのくらいのサンプルサイズが必要ですか?

縦断的センサー研究の検出力計算では、軌跡アウトカムにおける期待される効果量、参加者あたりの反復観測数、クラス内相関(個人内の観測のクラスタリング)、および予期される脱落率を考慮する必要があります。Optimal DesignやRパッケージlongpowerなどの多レベル検出力ツールが適切です。参加者あたりの時間解像度が非常に高い研究では、より少ないNで十分な検出力を達成できる場合もありますが、そのトレードオフは正当化される必要があります。

コンシューマーウェアラブル(Fitbit、Apple Watch)は研究に適していますか?

コンシューマーデバイスは利便性と参加者の慣れを提供しますが、通常は研究グレードのデバイスよりも精度が低く、アルゴリズムは専有的で不透明であり、データアクセスは制限されています。これらは、研究課題が絶対的なキャリブレーション値ではなく相対的な変化に関係する場合、デバイスが関心のある集団とアウトカムに対してゴールドスタンダードに対して検証されている場合、およびデータエクスポートが分析計画に対して十分に詳細である場合に適切です。常に、特定のデバイスと使用された指標の検証研究を引用してください。

これは生態学的瞬間評価(EMA)とどう違いますか?

EMAは、参加者に日常生活のランダムまたはイベント随伴的な瞬間に自身の経験を記録するように促す自己報告方法です。縦断的センサーデータ収集は、大部分が受動的です — デバイスは、積極的な参加者の入力を必要とせずに自動的に記録します。両者はしばしば組み合わされます:センサー ストリームは、EMAプロンプトからの自己報告された心理状態とともに、客観的な行動または生理学的コンテキストを提供します。

関連する手法

参考文献

  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.]

    出版物の文献を開く
    コピーしました。
  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 文献を開く
    コピーしました。