Przejdź do treści
Wróć do wyników wyszukiwania

Zbieranie podłużnych danych z czujników — Ciągłe monitorowanie oparte na czujnikach w czasie

Autor metody
Emerging from ambulatory assessment and wearable technology research communities
Rok
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Typ
Longitudinal quantitative/mixed data collection technique
Rodzina
Data collection

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Zbieranie podłużnych danych z czujników polega na rozmieszczaniu fizycznych lub cyfrowych czujników w celu ciągłego lub regularnego rejestrowania zjawisk w wydłużonym okresie badania — dni, miesiące lub lata.

W przeciwieństwie do pomiaru jednorazowego, powtarzalna struktura czasowa pozwala uchwycić zmiany, trajektorie i zmienność w wynikach, takich jak aktywność fizyczna, ekspozycja środowiskowa, sen czy stan fizjologiczny. Podejście to łączy ekologiczną trafność sensoryki w świecie rzeczywistym z analityczną mocą projektu podłużnego.

Intuicja stojąca za metodą

Wyobraźmy sobie wyposażenie uczestników w akcelerometr noszony na nadgarstku przez sześć miesięcy w celu śledzenia aktywności fizycznej podczas programu rehabilitacji kardiologicznej. Czujnik rejestruje każdy ruch przez całą dobę, nie wymagając od uczestników zapamiętywania ani zgłaszania — po prostu rejestruje. Badając, jak wzorce aktywności ewoluują tydzień po tygodniu, badacze mogą wykryć, kto się poprawia, kto ma nawroty i jakie czynniki kontekstowe (pogoda, nastrój, wydarzenia społeczne) przewidują te trajektorie. Wymiar podłużny przekształca migawkę w historię zmian.

Historia

Zbieranie danych ambulatoryjnych za pomocą czujników ma swoje korzenie w ambulatoryjnych monitorach ciśnienia krwi z lat 60. XX wieku oraz urządzeniach aktograficznych opracowanych w latach 70. i 80. XX wieku do badań nad snem. Integracja projektów podłużnych z czujnikami elektronicznymi przyspieszyła w latach 90. XX wieku wraz z formalizacją metodologii ekologicznej oceny chwilowej (EMA) przez Stone'a i Shiffmana. Rozpowszechnienie smartfonów po 2007 roku i noszonych trackerów fitness po 2010 roku drastycznie obniżyło koszty i zwiększyło rozdzielczość podłużnego monitorowania, czyniąc je rutynowym w badaniach nad zachowaniami zdrowotnymi, badaniach klinicznych i epidemiologii środowiskowej.

Kiedy stosować

Stosuj zbieranie podłużnych danych z czujników, gdy pytanie badawcze dotyczy zmian, trajektorii lub skumulowanej ekspozycji w czasie i gdy samoopis byłby niewiarygodny lub uciążliwy. Jest to dobrze dopasowane do badań nad zachowaniami zdrowotnymi (aktywność fizyczna, sen, przestrzeganie zaleceń), nauk o środowisku (ekspozycja na zanieczyszczenia), obliczeń afektywnych oraz badań rehabilitacyjnych lub interwencyjnych. Metoda jest odpowiednia, gdy uczestnicy mogą nosić urządzenia lub wchodzić z nimi w interakcje przez cały okres badania, istnieje instytucjonalna infrastruktura danych do bezpiecznego przechowywania, a budżet badawczy pokrywa sprzęt i konserwację czujników. Nie należy jej stosować, gdy zjawisko będące przedmiotem zainteresowania nie może być operacjonalizowane jako sygnał z czujnika, gdy obciążenie uczestnika ciągłym monitorowaniem jest nieakceptowalne, gdy okres badania jest bardzo krótki (pojedyncza sesja) lub gdy dane przekrojowe byłyby wystarczające do odpowiedzi na pytanie.

Ograniczenia i uwagi

  • Sprzęt czujników, infrastruktura chmurowa i zarządzanie danymi generują znaczne koszty w porównaniu z ankietami papierowymi lub online.
  • Zgodność z urządzeniami i rezygnacja z udziału są stałymi zagrożeniami: uczestnicy mogą usuwać urządzenia, nie ładować ich lub rezygnować, co prowadzi do systematycznych braków danych.
  • Surowe strumienie danych z czujników wymagają znacznej wiedzy w zakresie wstępnego przetwarzania; błędy w czyszczeniu lub wyprowadzaniu epok propagują się na wszystkie późniejsze analizy.
  • Projekty podłużne budzą obawy etyczne dotyczące ciągłego nadzoru, bezpieczeństwa danych i prawa do wycofania się — procesy świadomej zgody muszą wyraźnie odnosić się do wszystkich tych kwestii.
  • Ważność czujników różni się w zależności od jakości urządzenia i populacji; urządzenia konsumenckie mogą nie spełniać wymagań dokładności na poziomie badawczym.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Uchwycenie zachowań i fizjologii w świecie rzeczywistym bez polegania na retrospektywnych samoopisach, co znacznie zmniejsza błąd przypominania.
  • Wysoka rozdzielczość czasowa ujawnia zmienność wewnątrzosobniczą, wzorce dobowe i zmiany na poziomie mikro, niewidoczne w ankietach tygodniowych lub miesięcznych.
  • Ciągłe lub niemal ciągłe rejestrowanie maksymalizuje gęstość danych w stosunku do liczby kontaktów z uczestnikami w celu zbierania danych.
  • Wysoka trafność ekologiczna — dane odzwierciedlają zachowanie w naturalnych kontekstach, a nie w kontrolowanych warunkach laboratoryjnych.
  • Skalowalność: po wdrożeniu czujniki mogą śledzić duże kohorty jednocześnie przy minimalnym obciążeniu badacza na uczestnika dziennie.

Zastosowania

  • Śledzenie codziennej aktywności fizycznej i trajektorii zachowań siedzących podczas programów rehabilitacji kardiologicznej.
  • Podłużne monitorowanie architektury snu w badaniach nad leczeniem bezsenności lub wynikami zdrowotnymi pracy zmianowej.
  • Mierzenie osobistej ekspozycji na zanieczyszczenia powietrza przez miesiące w miejskich kohortach epidemiologii środowiskowej.
  • Zbieranie ciągłych danych dotyczących glukozy i zmienności rytmu serca w badaniach nad samokontrolą cukrzycy.
  • Rejestrowanie wzorców mobilności GPS przez miesiące w celu badania trajektorii izolacji społecznej u osób starszych.
  • Rejestrowanie fizjologicznych wskaźników stresu (przewodnictwo skórne, kortyzol za pomocą noszonych plastrów) przez semestr akademicki w badaniach nad dobrostanem studentów.

Jak to działa

Jak to działa

1

Badacz określa czas trwania badania, rozdzielczość próbkowania (ciągłe przesyłanie strumieniowe vs. stałe epoki, np. co 60 sekund), typ czujnika (akcelerometr, monitor tętna, GPS, czujnik środowiskowy itp.) oraz projekt czasowy (panel, kohorta lub intensywne pomiary powtarzane). Protokoły etyczne, w tym minimalizacja danych i procedury wycofania się uczestnika, są ustalane przed wdrożeniem.

2

Czujniki są kalibrowane, inicjalizowane i wydawane uczestnikom (lub instalowane w środowiskach). Uczestnicy otrzymują instrukcje dotyczące noszenia lub konserwacji urządzeń, harmonogramów ładowania i procedur postępowania w przypadku awarii. Na tym etapie zbierane są podstawowe dane demograficzne i kontekstowe w celu wsparcia późniejszej analizy kowariancji.

3

Czujniki autonomicznie rejestrują dane przez cały okres badania. W zależności od łączności, dane mogą być przesyłane do centralnego serwera w czasie zbliżonym do rzeczywistego za pośrednictwem Bluetooth lub połączeń komórkowych, lub gromadzone lokalnie w celu okresowego przesyłania podczas wizyt kontrolnych. Monitorowanie zgodności — sprawdzanie, czy urządzenia są noszone i działają — jest prowadzone przez cały okres terenowy.

4

Surowe strumienie danych z czujników są przechowywane w bazach danych z sygnaturami czasowymi. Metadane pochodzenia danych (ID urządzenia, wersja oprogramowania układowego, stan baterii, ID uczestnika, epoka) są rejestrowane wraz z pomiarami. Bezpieczne, redundantne przechowywanie z kontrolą dostępu jest niezbędne, biorąc pod uwagę wrażliwy charakter danych fizjologicznych i lokalizacyjnych.

5

Surowe dane wyjściowe z czujników są czyszczone: artefakty spowodowane usunięciem lub awarią urządzenia są identyfikowane i usuwane lub imputowane; sygnały są kalibrowane względem wartości referencyjnych producenta lub laboratorium; wyprowadzane są metryki podsumowujące na poziomie epoki (np. średnia liczba aktywności na godzinę, liczba kroków na dzień). Wzorce brakujących danych są dokumentowane i obsługiwane w sposób przejrzysty.

6

Oczyszczone podłużne dane z czujników są analizowane metodami odpowiednimi dla danych o strukturze czasowej z pomiarami powtarzanymi — modelami wielopoziomowymi, modelami efektów mieszanych, modelami krzywych wzrostu latentnego lub podejściami szeregów czasowych. Szacowane są trajektorie zmian, modelowane są indywidualne różnice w trajektoriach i testowane są związki z kowariancjami (wiek, status kliniczny, warunki interwencji).

Częste pułapki

  • Niedoszacowanie brakujących danych: czas nieużywania jest często mylony z niską aktywnością; badacze muszą wdrażać zatwierdzone algorytmy wykrywania nieużywania i przejrzyście dokumentować założenia.
  • Ignorowanie dryfu kalibracji: dokładność czujnika może ulec pogorszeniu w długim okresie badania; okresowe kontrole ponownej kalibracji są konieczne w przypadku badań trwających dłużej niż kilka tygodni.
  • Nadmierne zbieranie danych bez planu analizy: przechowywanie ogromnych strumieni danych z czujników bez wcześniej określonego planu analizy prowadzi do „łowienia” danych i zawyżonych wskaźników fałszywie pozytywnych; należy rejestrować hipotezy i wybory analityczne przed zbieraniem danych.
  • Traktowanie wszystkich uczestników jako równoważnych: indywidualne różnice w sposobie noszenia urządzeń przez uczestników (umiejscowienie, ciasność, typ skóry) tworzą systematyczną heterogeniczność pomiarów, którą należy modelować lub kontrolować.
  • Zaniedbywanie obciążenia uczestników: nawet pasywne sensoryczne monitorowanie nakłada obciążenie poznawcze i związane ze stylem życia; nadmierne wymagania dotyczące zgodności zmniejszają retencję i wprowadzają błąd selekcji.

Najczęściej zadawane pytania

Jak długo musi trwać badanie z użyciem czujników podłużnych?

Czas trwania zależy wyłącznie od pytania badawczego. Badania dotyczące rytmów dziennych lub tygodniowych mogą wymagać tylko dwóch do czterech tygodni; te śledzące zmiany zachowań poprzez interwencję często trwają od trzech do sześciu miesięcy; badania kohortowe trajektorii chorób przewlekłych mogą trwać lata. Kluczowym kryterium jest to, czy okno badania jest wystarczająco długie, aby zaobserwować znaczącą zmienność w interesującym zjawisku.

Jak radzić sobie z czasem nieużywania w danych z czujników?

Czas nieużywania musi być odróżniony od rzeczywistych okresów niskiej aktywności. Zatwierdzone algorytmy (np. algorytmy Choi lub Troiano dla akcelerometrii) wykorzystują kolejne okna zerowej liczby o określonym czasie trwania do klasyfikowania epok jako nieużywania. Te epoki są następnie wykluczane z analiz lub obsługiwane za pomocą zasadniczej imputacji. Algorytm wykrywania nieużywania, użyte progi i wymagana proporcja ważnego czasu noszenia na dzień muszą być zgłoszone w sekcji metod.

Jaka wielkość próby jest mi potrzebna?

Obliczenie mocy dla podłużnych badań z czujnikami musi uwzględniać oczekiwaną wielkość efektu w wyniku trajektorii, liczbę powtarzanych obserwacji na uczestnika, korelację wewnątrzgrupową (grupowanie obserwacji w obrębie osób) oraz przewidywany wskaźnik rezygnacji. Odpowiednie są narzędzia do obliczania mocy wielopoziomowej, takie jak Optimal Design lub pakiet R longpower. Badania z bardzo wysoką rozdzielczością czasową na uczestnika mogą czasami osiągnąć odpowiednią moc przy mniejszym N, ale kompromis musi być uzasadniony.

Czy urządzenia konsumenckie (Fitbit, Apple Watch) są akceptowalne do badań?

Urządzenia konsumenckie oferują wygodę i znajomość dla uczestników, ale zazwyczaj mają niższą dokładność niż urządzenia badawcze, zastrzeżone i nieprzejrzyste algorytmy oraz ograniczony dostęp do danych. Są one odpowiednie, gdy: pytanie badawcze dotyczy względnej zmiany, a nie bezwzględnych wartości skalibrowanych, urządzenie zostało zatwierdzone w porównaniu ze złotym standardem dla populacji i interesującego wyniku, a eksport danych jest wystarczająco szczegółowy dla planu analizy. Zawsze należy cytować badanie walidacyjne dla konkretnego użytego urządzenia i metryki.

Czym to się różni od ekologicznej oceny chwilowej (EMA)?

EMA to metoda samoopisowa, która skłania uczestników do rejestrowania własnych doświadczeń w losowych lub zależnych od zdarzeń momentach w życiu codziennym. Zbieranie podłużnych danych z czujników jest w dużej mierze pasywne — urządzenie rejestruje automatycznie, nie wymagając aktywnego udziału uczestnika. Te dwie metody są często łączone: strumienie danych z czujników dostarczają obiektywnego kontekstu behawioralnego lub fizjologicznego wraz z samoopisowymi stanami psychologicznymi z podpowiedzi EMA.

Pokrewne metody

Źródła

  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.]

    Otwórz odnośnik do publikacji
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.