Przejdź do treści
Wróć do wyników wyszukiwania

Zbieranie danych z czujników — Zbieranie danych opartych na czujnikach

Autor metody
Multidisciplinary; sensor networks formalized in engineering and computer science from the 1990s onward
Rok
1990s–2000s (widespread deployment with IoT ~2000s)
Typ
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 danych z czujników wykorzystuje fizyczne lub cyfrowe instrumenty do automatycznego rejestrowania ilościowych pomiarów ze środowiska, ludzkiego ciała lub maszyn w czasie.

Powszechne czujniki mierzą temperaturę, ruch, tętno, lokalizację, światło, dźwięk lub właściwości chemiczne. Ponieważ rejestracja jest zautomatyzowana i ciągła, metoda ta może generować zbiory danych o wysokiej częstotliwości przy minimalnym obciążeniu badacza, co czyni ją kluczową dla Internetu Rzeczy (IoT), monitorowania środowiska, badań nad urządzeniami noszonymi i badań behawioralnych.

Intuicja stojąca za metodą

Wyobraźmy sobie przyczepienie małego akcelerometru do nadgarstka pracownika: co ułamek sekundy cicho rejestruje on dane o ruchu, nie prosząc pracownika o zatrzymanie się i wypełnienie formularza. To jest główna zaleta zbierania danych z czujników — rejestruje ona to, co faktycznie dzieje się w świecie, a nie to, co uczestnicy pamiętają lub o czym raportują. Badacz z góry określa rozmieszczenie czujników i zasady próbkowania, a instrumenty dokonują obserwacji. Uzyskane dane szeregów czasowych mogą być gęste, obiektywne i wolne od błędu pamięci, ale wymagają starannej kalibracji i wstępnego przetwarzania, zanim staną się użyteczne analitycznie.

Historia

Systematyczne wykorzystanie instrumentów do pomiarów naukowych sięga wczesnej nauki nowożytnej, ale zbieranie danych z sieci czujników jako odrębnego paradygmatu badawczego wyłoniło się w latach 90. XX wieku wraz z rozwojem bezprzewodowych sieci czujników w informatyce i inżynierii. Artykuł Chonga i Kumara z 2003 roku w czasopiśmie IEEE Proceedings jest powszechnie cytowany jako fundamentalny przegląd dziedziny. Rozpowszechnienie zminiaturyzowanych czujników MEMS, smartfonów i platform IoT od połowy lat 2000. umożliwiło dostęp do zbierania danych opartych na czujnikach naukowcom zajmującym się naukami społecznymi, zdrowiem i zachowaniem. Urządzenia do śledzenia aktywności fizycznej noszone na ciele i systemy ekologicznych ocen w czasie rzeczywistym sformalizowały jego zastosowanie w psychologii i zdrowiu publicznym.

Kiedy stosować

Używaj zbierania danych z czujników, gdy pytanie badawcze wymaga obiektywnego, ciągłego lub wysokoczęstotliwościowego pomiaru zjawisk fizycznych lub fizjologicznych, których nie można niezawodnie uchwycić za pomocą samoopisu — na przykład monitorowanie aktywności fizycznej, ekspozycji środowiskowej, jakości snu lub wydajności maszyn. Jest to szczególnie cenne w projektach podłużnych, gdzie codzienne lub tygodniowe ankiety tworzyłyby nieakceptowalne obciążenie dla uczestników. Nie używaj go, gdy zjawisko będące przedmiotem zainteresowania jest z natury subiektywne (postawy, znaczenia, przekonania) lub gdy koszt i złożoność techniczna wdrożenia czujników przewyższają wartość danych; w takich przypadkach ankiety, wywiady lub ekologiczne oceny w czasie rzeczywistym z elementami samoopisu mogą być bardziej odpowiednie.

Ograniczenia i uwagi

  • Czujniki mierzą zastępcze wskaźniki, a nie bezpośrednio zjawiska; wnioskowanie o zachowaniu lub stanie na podstawie surowych sygnałów wymaga zweryfikowanych algorytmów.
  • Koszt sprzętu, wysiłek związany z kalibracją i wiedza techniczna tworzą wysokie bariery wejścia w porównaniu do metod kwestionariuszowych.
  • Objętość danych może być bardzo duża, co wymaga znacznej pamięci masowej, infrastruktury przetwarzania i umiejętności analitycznych.
  • Ryzyko związane z prywatnością i etyką jest wzmocnione przy zbieraniu ciągłych danych lokalizacyjnych, biometrycznych lub behawioralnych od uczestników badania.

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

Mocne strony

  • Zapewnia obiektywny, zautomatyzowany pomiar, który eliminuje błąd pamięci i efekty pożądania społecznego.
  • Umożliwia wysoką rozdzielczość czasową — ciągłe lub niemal ciągłe zbieranie danych, którego nie można osiągnąć za pomocą ankiet.
  • Dobrze skaluje się: jedno wdrożenie może monitorować dziesiątki lub setki uczestników lub lokalizacji jednocześnie.
  • Wspiera projekty podłużne i badania w świecie rzeczywistym (ekologiczne) przy minimalnym bieżącym obciążeniu uczestników lub badaczy.
  • Generuje odtwarzalne, archiwizowane zbiory danych, które można ponownie analizować pod kątem wtórnych pytań badawczych.

Zastosowania

  • Monitorowanie aktywności fizycznej i zachowań siedzących w dziedzinie zdrowia publicznego i nauk o sporcie przy użyciu akcelerometrów noszonych na nadgarstku.
  • Ciągłe monitorowanie środowiska pod kątem jakości powietrza, temperatury lub poziomu hałasu w badaniach miejskich i zdrowiu zawodowym.
  • Badania snu przy użyciu aktygrafii nadgarstkowej do obiektywnego rejestrowania cykli snu i czuwania przez wiele nocy.
  • Przemysłowy Internet Rzeczy (IoT): rejestrowanie wibracji maszyn, temperatury i parametrów operacyjnych w celu przewidywania potrzeb konserwacyjnych.
  • Badania ekologii behawioralnej i dzikiej przyrody przy użyciu obroży GPS i biologów do śledzenia ruchu i fizjologii zwierząt.
  • Badania zachowań podczas jazdy przy użyciu czujników diagnostycznych pokładowych (OBD) do rejestrowania prędkości, hamowania i przyspieszenia w badaniach naturalistycznych.

Jak to działa

Jak to działa

1

Badacz określa, jakie zjawisko mierzyć, wybiera odpowiednie typy czujników, ustala częstotliwość próbkowania i czas trwania, a także definiuje jednostkę analizy (jednostka, lokalizacja, urządzenie). Rozpatrywane są kwestie etyczne i dotyczące prywatności — szczególnie ważne przy zbieraniu danych biometrycznych lub lokalizacyjnych od uczestników badania.

2

Czujniki są fizycznie instalowane lub mocowane (na ciałach, w przestrzeniach, na maszynach) i konfigurowane. Przeprowadzana jest kalibracja, aby zapewnić dokładność i spójność pomiarów między urządzeniami. Uruchomienie pilotażowe weryfikuje, czy dane są prawidłowo rejestrowane i czy żywotność baterii, łączność oraz pojemność pamięci są wystarczające na czas trwania badania.

3

Czujniki automatycznie rejestrują odczyty w określonych odstępach czasu lub w odpowiedzi na zdarzenia (np. wykrycie ruchu, przekroczenie progu). Dane mogą być przechowywane lokalnie na urządzeniu, przesyłane strumieniowo na serwer w czasie rzeczywistym lub transmitowane w partiach. Monitorowanie w okresie zbierania danych pozwala wykryć awarie czujników, przerwy w łączności lub nieoczekiwane luki.

4

Surowe strumienie danych z czujników są oczyszczane w celu usunięcia szumów, wartości odstających i artefaktów spowodowanych awarią czujnika, ruchem ciała lub zakłóceniami środowiskowymi. Identyfikowane i obsługiwane są brakujące okna danych (imputacja lub wykluczenie). Jednostki są standaryzowane, a znaczniki czasu są wyrównywane między wieloma kanałami czujników.

5

Oczyszczone dane są przechowywane w ustrukturyzowanym formacie (baza danych szeregów czasowych, pliki płaskie lub przechowywanie kolumnowe) wraz z metadanymi dokumentującymi model czujnika, wersję oprogramowania układowego, rozmieszczenie i parametry kalibracji. Rejestry pochodzenia danych umożliwiają odtwarzalność i wspierają późniejszą analizę wtórną lub archiwizację.

Częste pułapki

  • Pomijanie kalibracji — nieskalibrowane czujniki wprowadzają błąd systematyczny, którego nie można skorygować w analizie; zawsze porównuj z znanym punktem odniesienia przed i po wdrożeniu.
  • Ignorowanie wzorców utraty danych — rezygnacja z powodu awarii baterii lub problemów z łącznością rzadko jest losowa; traktowanie brakujących okien jako losowo brakujących może zniekształcić wnioski.
  • Mylenie sygnału z czujnika ze konstruktem — surowe zliczenia akcelerometru nie są aktywnością fizyczną; upewnij się, że algorytm lub próg użyty do wnioskowania o docelowym konstrukcje został zweryfikowany dla Twojej populacji i kontekstu.
  • Niedoszacowanie czasu wstępnego przetwarzania — czyszczenie i inżynieria cech rutynowo pochłaniają więcej czasu projektu niż analiza; uwzględnij to wyraźnie w budżecie.
  • Nieodpowiednie procedury zgody — pasywne ciągłe monitorowanie wymaga jasnego ujawnienia informacji uczestnikom i łatwego mechanizmu rezygnacji; brak ich zapewnienia stwarza ryzyko etyczne i prawne.

Najczęściej zadawane pytania

Czym zbieranie danych z czujników różni się od ekologicznej oceny w czasie rzeczywistym (EMA)?

EMA zachęca uczestników do samoopisu w losowych lub zaplanowanych momentach życia codziennego; rejestruje subiektywne doświadczenie. Zbieranie danych z czujników rejestruje obiektywne sygnały fizyczne lub fizjologiczne automatycznie, bez wymagania wkładu uczestnika. Wiele badań łączy oba podejścia: czujniki dostarczają obiektywnych danych behawioralnych, podczas gdy EMA dostarcza równoczesnego subiektywnego kontekstu.

Jaką częstotliwość próbkowania wybrać?

Częstotliwość próbkowania musi być co najmniej dwa razy wyższa od najwyższej częstotliwości sygnału, który chcesz przechwycić (twierdzenie Nyquista). W przypadku powolnych zjawisk, takich jak temperatura w pomieszczeniu, wystarczy interwał jednominutowy. W przypadku analizy chodu lub zmienności tętna potrzebne są częstotliwości 50–100 Hz lub wyższe. Wyższe częstotliwości generują większe pliki i szybciej wyczerpują baterie, dlatego wybierz minimalną częstotliwość, która zachowuje istotny sygnał.

Jak postępować z danymi od uczestników, którzy wcześniej usunęli czujnik?

Zidentyfikuj okresy nienoszenia czujnika za pomocą zweryfikowanych algorytmów wykrywania noszenia (np. okresy zerowej wariancji w akcelerometrii). Wyklucz te okna z analiz i zgłoś proporcję prawidłowego czasu noszenia. Jeśli nienoszenie jest zróżnicowane między grupami lub skorelowane z wynikiem, omów potencjalne zniekształcenie wyraźnie w swoich metodach i ograniczeniach.

Czy wymagana jest zgoda uczestnika nawet w przypadku czujników środowiskowych, które nie są skierowane na jednostki?

To zależy od tego, czy czujnik może przechwytywać dane umożliwiające identyfikację osoby. Czujnik temperatury w ogólnodostępnym obszarze budynku zazwyczaj wymaga jedynie zgody instytucjonalnej. Kamera, mikrofon lub nadajnik lokalizacyjny, które mogą identyfikować osoby, wymagają świadomej zgody od tych, którzy mogą zostać objęci. Skonsultuj się z komisją etyki swojej instytucji i obowiązującymi przepisami o ochronie danych przed wdrożeniem.

Czy dane z czujników mogą być wykorzystywane w badaniach jakościowych?

Dane z czujników są z natury ilościowe, ale czasami są wykorzystywane jako bodźce w jakościowych badaniach uzupełniających: uczestnicy przeglądają swoje ślady danych (technika zwana wywiadem wspomaganym danymi lub foto-elicitation z danymi osobistymi), aby pobudzić refleksję. To podejście mieszane może łączyć obiektywność pomiaru czujnikowego z głębią interpretacyjną dociekań jakościowych.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.
  2. Sensor. Wikipedia.

    Otwórz odnośnik do publikacji
    Skopiowano.