Skip to content
Назад к результатам поиска

Сбор продольных сенсорных данных — непрерывный мониторинг на основе датчиков во времени

Автор метода
Emerging from ambulatory assessment and wearable technology research communities
Год
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Тип
Longitudinal quantitative/mixed data collection technique
Семейство
Data collection

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Сбор продольных сенсорных данных предполагает использование физических или цифровых датчиков для непрерывной или периодической регистрации явлений в течение длительного периода исследования — дней, месяцев или лет.

В отличие от однократных измерений, повторяющаяся временная структура фиксирует изменения, траектории и вариативность таких исходов, как физическая активность, воздействие окружающей среды, сон или физиологическое состояние. Этот подход сочетает экологическую валидность реальных измерений с аналитической мощью продольного дизайна.

Интуиция метода

Представьте, что участникам в течение шести месяцев выдают носимый на запястье акселерометр для отслеживания физической активности во время прохождения программы кардиореабилитации. Датчик регистрирует каждое движение круглосуточно, не требуя от участников запоминания или сообщения о нем — он просто записывает данные. Анализируя, как меняются паттерны активности неделя за неделей, исследователи могут выявить, кто улучшается, кто рецидивирует, и какие контекстуальные факторы (погода, настроение, социальные события) предсказывают эти траектории. Именно продольное измерение превращает снимок в историю изменений.

История

Сбор амбулаторных данных на основе датчиков берет свое начало от амбулаторных мониторов артериального давления 1960-х годов и устройств актиграфии, разработанных в 1970–80-х годах для исследований сна. Интеграция продольных дизайнов с электронными датчиками ускорилась в 1990-х годах с методологией экологической моментальной оценки (EMA), формализованной Стоуном и Шиффманом. Распространение смартфонов после 2007 года и фитнес-трекеров после 2010 года резко снизило стоимость и повысило разрешение продольного зондирования, сделав его рутинным в исследованиях поведения в области здравоохранения, клинических испытаниях и эпидемиологии окружающей среды.

Когда применять

Используйте сбор продольных сенсорных данных, когда исследовательский вопрос касается изменений, траекторий или кумулятивного воздействия во времени, и когда самоотчеты ненадежны или обременительны. Этот метод хорошо подходит для исследований поведения в области здравоохранения (физическая активность, сон, приверженность лечению), науки об окружающей среде (воздействие загрязнений), аффективных вычислений, а также реабилитационных или интервенционных исследований. Метод целесообразен, когда участники могут носить устройства или взаимодействовать с ними в течение всего периода исследования, существует институциональная инфраструктура данных для безопасного хранения, а бюджет исследования покрывает аппаратное обеспечение датчиков и их обслуживание. Не используйте его, когда интересующее явление не может быть операционализировано как сигнал датчика, когда бремя участника от непрерывного мониторинга неприемлемо, когда период исследования очень короткий (один сеанс), или когда для ответа на вопрос достаточно поперечных данных.

Ограничения и замечания

  • Аппаратное обеспечение датчиков, облачная инфраструктура и управление данными добавляют значительные расходы по сравнению с бумажными или онлайн-опросами.
  • Соблюдение требований к устройствам и отсев участников являются постоянными угрозами: участники могут снимать устройства, не заряжать их или выбывать, что приводит к систематическим пропущенным данным.
  • Необработанные потоки данных с датчиков требуют значительного опыта в предварительной обработке; ошибки при очистке или получении данных эпох распространяются на все последующие анализы.
  • Продольные дизайны вызывают этические проблемы, связанные с непрерывным наблюдением, безопасностью данных и правом на отказ — процессы информированного согласия должны явно затрагивать все эти аспекты.
  • Валидность датчиков варьируется в зависимости от качества устройства и популяции; потребительские носимые устройства могут не соответствовать требованиям к точности для исследовательских целей.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Фиксирует реальное поведение и физиологию без опоры на ретроспективные самоотчеты, значительно снижая ошибку воспоминания.
  • Высокое временное разрешение выявляет внутриличностную вариабельность, суточные паттерны и микроуровневые изменения, невидимые при еженедельных или ежемесячных опросах.
  • Непрерывная или почти непрерывная запись максимизирует плотность данных по отношению к количеству контактов для сбора данных с участниками.
  • Экологическая валидность высока — данные отражают поведение в естественных условиях, а не в контролируемых лабораторных условиях.
  • Масштабируемость: после развертывания датчики могут отслеживать большие когорты одновременно с минимальной нагрузкой на исследователя на одного участника в день.

Применение

  • Отслеживание траекторий ежедневной физической активности и сидячего образа жизни во время программ кардиореабилитации.
  • Продольный мониторинг архитектуры сна в исследованиях лечения бессонницы или последствий сменной работы для здоровья.
  • Измерение индивидуального воздействия загрязнения воздуха в течение нескольких месяцев в когортах эпидемиологии окружающей среды в городах.
  • Запись непрерывных данных глюкозы и вариабельности сердечного ритма в исследованиях самоконтроля диабета.
  • Регистрация паттернов мобильности GPS в течение нескольких месяцев для изучения траекторий социальной изоляции у пожилых людей.
  • Регистрация физиологических индикаторов стресса (кожная проводимость, кортизол через носимые пластыри) в течение учебного семестра в исследованиях благополучия студентов.

Как это работает

Как это работает

1

Исследователь определяет продолжительность исследования, разрешение выборки (непрерывная потоковая передача или фиксированные эпохи, например, каждые 60 секунд), тип датчика (акселерометр, пульсометр, GPS, датчик окружающей среды и т. д.) и временной дизайн (панельный, когортный или интенсивные повторные измерения). До развертывания устанавливаются этические протоколы, включая минимизацию данных и процедуры отзыва согласия участником.

2

Датчики калибруются, инициализируются и выдаются участникам (или устанавливаются в окружающей среде). Участники получают инструкции по ношению или обслуживанию устройств, расписанию зарядки и процедурам устранения неисправностей. На этом этапе собираются демографические и контекстуальные данные для последующего анализа ковариат.

3

Датчики автономно регистрируют данные в течение всего периода исследования. В зависимости от подключения данные могут передаваться на центральный сервер почти в реальном времени через Bluetooth или сотовые сети, либо накапливаться локально для периодической выгрузки во время визитов для проверки. Мониторинг соблюдения требований — проверка того, что устройства носятся и функционируют — проводится в течение всего полевого периода.

4

Необработанные потоки данных с датчиков хранятся в базах данных с временными метками. Метаданные происхождения данных (идентификатор устройства, версия прошивки, состояние батареи, идентификатор участника, эпоха) регистрируются вместе с измерениями. Безопасное, избыточное хранение с контролем доступа имеет решающее значение, учитывая чувствительный характер физиологических данных и данных о местоположении.

5

Необработанный вывод датчиков очищается: артефакты, вызванные снятием устройства или неисправностью, идентифицируются и удаляются или заменяются; сигналы калибруются по эталонным значениям производителя или лаборатории; выводятся сводные метрики на уровне эпох (например, средние счетчики активности за час, количество шагов за день). Паттерны пропущенных данных документируются и обрабатываются прозрачно.

6

Очищенные продольные сенсорные данные анализируются методами, подходящими для данных с повторными измерениями и временной структурой — многоуровневыми моделями, смешанными моделями, моделями кривых латентного роста или методами временных рядов. Оцениваются траектории изменений, моделируются индивидуальные различия в траекториях и проверяются связи с ковариатами (возраст, клинический статус, условие вмешательства).

Частые ошибки

  • Недооценка пропущенных данных: время без ношения устройства часто путают с низкой активностью; исследователи должны внедрять проверенные алгоритмы обнаружения времени без ношения и прозрачно документировать предположения.
  • Игнорирование дрейфа калибровки: точность датчика может снижаться в течение длительного периода исследования; периодические проверки калибровки необходимы для исследований, длящихся более нескольких недель.
  • Чрезмерный сбор данных без плана анализа: хранение огромных потоков данных с датчиков без заранее определенного плана анализа приводит к поиску данных и завышенным показателям ложноположительных результатов; регистрируйте гипотезы и аналитические решения до сбора данных.
  • Рассмотрение всех участников как эквивалентных: индивидуальные различия в том, как участники носят устройства (местоположение, плотность прилегания, тип кожи), создают систематическую гетерогенность измерений, которую необходимо моделировать или контролировать.
  • Пренебрежение бременем участника: даже пассивное зондирование накладывает когнитивное и поведенческое бремя; чрезмерные требования к соблюдению правил снижают удержание и вносят систематическую ошибку отсева.

Часто задаваемые вопросы

Как долго должно длиться продольное исследование с использованием датчиков?

Продолжительность полностью зависит от исследовательского вопроса. Исследования, изучающие суточные или недельные ритмы, могут потребовать всего две-четыре недели; те, которые отслеживают изменения поведения в ходе вмешательства, часто длятся три-шесть месяцев; когортные исследования траекторий хронических заболеваний могут охватывать годы. Ключевым критерием является то, достаточно ли длителен период исследования для наблюдения значимых изменений в интересующем явлении.

Как обрабатывать время без ношения устройства в данных с датчиков?

Время без ношения устройства необходимо отличать от периодов реальной низкой активности. Проверенные алгоритмы (например, алгоритмы Чой или Триано для акселерометрии) используют последовательные окна с нулевыми показаниями определенной продолжительности для классификации эпох как времени без ношения. Эти эпохи затем исключаются из анализа или обрабатываются с помощью обоснованной импутации. Алгоритм обнаружения времени без ношения, используемые пороговые значения и доля допустимого времени ношения, требуемая в день, должны быть указаны в разделе методов.

Какой размер выборки мне нужен?

Расчет мощности для продольных исследований с использованием датчиков должен учитывать ожидаемый размер эффекта в исходе траектории, количество повторных наблюдений на участника, внутриклассовую корреляцию (кластеризацию наблюдений внутри лиц) и предполагаемый уровень отсева. Подходят инструменты расчета мощности для многоуровневых данных, такие как Optimal Design или пакет R longpower. Исследования с очень высоким временным разрешением на участника иногда могут достигать достаточной мощности при меньшем N, но этот компромисс должен быть обоснован.

Приемлемы ли потребительские носимые устройства (Fitbit, Apple Watch) для исследований?

Потребительские устройства предлагают удобство и знакомы участникам, но обычно имеют более низкую точность, чем устройства исследовательского класса, проприетарные и непрозрачные алгоритмы, а также ограниченный доступ к данным. Они приемлемы, когда: исследовательский вопрос касается относительных изменений, а не абсолютных калиброванных значений; устройство было валидировано по сравнению с золотым стандартом для интересующей популяции и исхода; и экспорт данных достаточно детализирован для плана анализа. Всегда ссылайтесь на исследование валидации для конкретного устройства и используемой метрики.

Чем это отличается от экологической моментальной оценки (EMA)?

EMA — это метод самоотчета, который предлагает участникам записывать свой собственный опыт в случайные или зависящие от события моменты в повседневной жизни. Сбор продольных сенсорных данных в значительной степени пассивен — устройство записывает данные автоматически, не требуя активного участия пользователя. Эти два метода часто комбинируются: потоки данных с датчиков предоставляют объективный поведенческий или физиологический контекст наряду с самоотчетами о психологических состояниях, полученными в результате запросов EMA.

Похожие методы

Источники

  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.]

    Открыть ссылку на публикацию
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.