Skip to content
กลับไปยังผลการค้นหา

การเก็บข้อมูลเซ็นเซอร์เชิงระยะยาว — การติดตามอย่างต่อเนื่องด้วยเซ็นเซอร์ตลอดช่วงเวลา

ผู้เสนอ
Emerging from ambulatory assessment and wearable technology research communities
ปี
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
ประเภท
Longitudinal quantitative/mixed data collection technique
กลุ่มวิธี
Data collection

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การเก็บข้อมูลเซ็นเซอร์เชิงระยะยาว (Longitudinal sensor data collection) เป็นการติดตั้งเซ็นเซอร์ทางกายภาพหรือดิจิทัลเพื่อบันทึกปรากฏการณ์อย่างต่อเนื่องหรือเป็นช่วงเวลาปกติ ตลอดระยะเวลาการศึกษาที่ยาวนาน เช่น หลายวัน หลายเดือน หรือหลายปี แตกต่างจากการวัดเพียงครั้งเดียว โครงสร้างข้อมูลเชิงเวลาที่ซ้ำกันนี้สามารถบันทึกการเปลี่ยนแปลง วิถี และความแปรปรวนของผลลัพธ์ เช่น กิจกรรมทางกาย การสัมผัสกับสิ่งแวดล้อม การนอนหลับ หรือสภาวะทางสรีรวิทยา วิธีการนี้เป็นการรวมความถูกต้องเชิงนิเวศวิทยาของการตรวจจับในโลกจริงเข้ากับพลังการวิเคราะห์ของการออกแบบเชิงระยะยาว

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการติดตั้งเครื่องวัดความเร่งที่ข้อมือของผู้เข้าร่วมเป็นเวลาหกเดือนเพื่อติดตามกิจกรรมทางกายในขณะที่พวกเขาเข้าร่วมโปรแกรมฟื้นฟูหัวใจ เซ็นเซอร์จะบันทึกทุกการเคลื่อนไหวตลอด 24 ชั่วโมง โดยไม่ต้องให้ผู้เข้าร่วมจดจำหรือรายงาน — มันเพียงแค่บันทึกเท่านั้น ด้วยการตรวจสอบว่ารูปแบบกิจกรรมเปลี่ยนแปลงไปอย่างไรในแต่ละสัปดาห์ นักวิจัยสามารถตรวจจับได้ว่าใครดีขึ้น ใครกลับมาเป็นซ้ำ และปัจจัยบริบทใด (สภาพอากาศ อารมณ์ เหตุการณ์ทางสังคม) ที่ทำนายวิถีเหล่านั้น มิติเชิงระยะยาวนี่เองที่เปลี่ยนภาพถ่ายชั่วขณะให้กลายเป็นเรื่องราวของการเปลี่ยนแปลง

ประวัติศาสตร์

การเก็บข้อมูลแบบเคลื่อนที่ด้วยเซ็นเซอร์มีรากฐานมาจากการตรวจวัดความดันโลหิตแบบเคลื่อนที่ในทศวรรษ 1960 และอุปกรณ์แอคติกราฟีที่พัฒนาขึ้นในทศวรรษ 1970-80 สำหรับการวิจัยการนอนหลับ การรวมการออกแบบเชิงระยะยาวเข้ากับเซ็นเซอร์อิเล็กทรอนิกส์เร่งตัวขึ้นในทศวรรษ 1990 ด้วยระเบียบวิธีประเมินสถานการณ์เฉพาะหน้าเชิงนิเวศวิทยา (Ecological Momentary Assessment - EMA) ที่ Hwang และ Shiffman ทำให้เป็นทางการ การแพร่หลายของสมาร์ทโฟนหลังปี 2007 และอุปกรณ์ติดตามการออกกำลังกายแบบสวมใส่หลังปี 2010 ได้ลดต้นทุนลงอย่างมากและเพิ่มความละเอียดของการตรวจจับเชิงระยะยาว ทำให้เป็นเรื่องปกติในการวิจัยพฤติกรรมสุขภาพ การทดลองทางคลินิก และระบาดวิทยาเชิงสิ่งแวดล้อม

ควรใช้เมื่อใด

ใช้การเก็บข้อมูลเซ็นเซอร์เชิงระยะยาวเมื่อคำถามวิจัยเกี่ยวข้องกับการเปลี่ยนแปลง วิถี หรือการสัมผัสสะสมเมื่อเวลาผ่านไป และเมื่อการรายงานตนเองย้อนหลังไม่น่าเชื่อถือหรือเป็นภาระ วิธีการนี้เหมาะอย่างยิ่งสำหรับการวิจัยพฤติกรรมสุขภาพ (กิจกรรมทางกาย การนอนหลับ การปฏิบัติตาม) วิทยาศาสตร์สิ่งแวดล้อม (การสัมผัสมลพิษ) การประมวลผลทางอารมณ์ และการศึกษาการฟื้นฟูหรือการแทรกแซง วิธีการนี้เหมาะสมเมื่อผู้เข้าร่วมสามารถสวมใส่หรือโต้ตอบกับอุปกรณ์ได้ตลอดช่วงเวลาการศึกษา มีโครงสร้างพื้นฐานข้อมูลของสถาบันสำหรับการจัดเก็บที่ปลอดภัย และงบประมาณการวิจัยครอบคลุมฮาร์ดแวร์เซ็นเซอร์และการบำรุงรักษา ไม่ควรใช้เมื่อปรากฏการณ์ที่สนใจไม่สามารถดำเนินการเป็นสัญญาณเซ็นเซอร์ได้ เมื่อภาระของผู้เข้าร่วมจากการติดตามอย่างต่อเนื่องไม่เป็นที่ยอมรับ เมื่อช่วงเวลาการศึกษาสั้นมาก (การทดลองครั้งเดียว) หรือเมื่อข้อมูลภาคตัดขวางเพียงพอที่จะตอบคำถามได้

ข้อจำกัดและข้อควรพิจารณา

  • ฮาร์ดแวร์เซ็นเซอร์ โครงสร้างพื้นฐานคลาวด์ และการจัดการข้อมูลเพิ่มต้นทุนอย่างมากเมื่อเทียบกับการสำรวจด้วยกระดาษหรือออนไลน์
  • การปฏิบัติตามอุปกรณ์และการลาออกเป็นภัยคุกคามที่ต่อเนื่อง: ผู้เข้าร่วมอาจถอดอุปกรณ์ ไม่ชาร์จ หรือลาออก ทำให้เกิดข้อมูลที่ขาดหายไปอย่างเป็นระบบ
  • สตรีมข้อมูลเซ็นเซอร์ดิบต้องใช้ความเชี่ยวชาญในการประมวลผลล่วงหน้าอย่างมาก ข้อผิดพลาดในการทำความสะอาดหรือการสร้างช่วงเวลาจะส่งผลกระทบต่อการวิเคราะห์ทั้งหมดในขั้นตอนถัดไป
  • การออกแบบเชิงระยะยาวก่อให้เกิดข้อกังวลด้านจริยธรรมเกี่ยวกับการเฝ้าระวังอย่างต่อเนื่อง ความปลอดภัยของข้อมูล และสิทธิ์ในการถอนตัว — กระบวนการยินยอมโดยได้รับข้อมูลต้องกล่าวถึงสิ่งเหล่านี้อย่างชัดเจน
  • ความถูกต้องของเซ็นเซอร์แตกต่างกันไปตามคุณภาพของอุปกรณ์และประชากร อุปกรณ์สวมใส่สำหรับผู้บริโภคอาจไม่เป็นไปตามข้อกำหนดความแม่นยำระดับการวิจัย

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • บันทึกพฤติกรรมและสรีรวิทยาในโลกจริงโดยไม่ต้องอาศัยการรายงานตนเองย้อนหลัง ซึ่งช่วยลดอคติจากการจำได้เป็นอย่างมาก
  • ความละเอียดเชิงเวลาสูงเผยให้เห็นความแปรปรวนภายในบุคคล รูปแบบรายวัน และการเปลี่ยนแปลงระดับจุลภาคที่ไม่สามารถมองเห็นได้จากการสำรวจรายสัปดาห์หรือรายเดือน
  • การบันทึกอย่างต่อเนื่องหรือเกือบต่อเนื่องช่วยเพิ่มความหนาแน่นของข้อมูลสูงสุดเมื่อเทียบกับจำนวนการติดต่อเพื่อเก็บข้อมูลกับผู้เข้าร่วม
  • ความถูกต้องเชิงนิเวศวิทยาสูง — ข้อมูลสะท้อนพฤติกรรมในบริบทธรรมชาติมากกว่าในสภาพห้องปฏิบัติการที่มีการควบคุม
  • ปรับขนาดได้: เมื่อติดตั้งแล้ว เซ็นเซอร์สามารถติดตามกลุ่มตัวอย่างขนาดใหญ่ได้พร้อมกัน โดยมีภาระงานของนักวิจัยต่อผู้เข้าร่วมต่อวันน้อยที่สุด

การประยุกต์ใช้

  • การติดตามกิจกรรมทางกายประจำวันและวิถีพฤติกรรมอยู่ประจำระหว่างโปรแกรมฟื้นฟูหัวใจ
  • การติดตามโครงสร้างการนอนหลับเชิงระยะยาวในการศึกษาการรักษาโรคนอนไม่หลับหรือผลลัพธ์ด้านสุขภาพจากการทำงานเป็นกะ
  • การวัดการสัมผัสมลพิษทางอากาศส่วนบุคคลเป็นเวลาหลายเดือนในกลุ่มตัวอย่างระบาดวิทยาเชิงสิ่งแวดล้อมในเมือง
  • การรวบรวมข้อมูลกลูโคสอย่างต่อเนื่องและความแปรปรวนของอัตราการเต้นของหัวใจในการวิจัยการจัดการตนเองของผู้ป่วยเบาหวาน
  • การบันทึกรูปแบบการเคลื่อนที่ด้วย GPS ตลอดหลายเดือนเพื่อศึกษาเส้นทางการแยกตัวทางสังคมในผู้สูงอายุ
  • การบันทึกตัวบ่งชี้ความเครียดทางสรีรวิทยา (การนำไฟฟ้าของผิวหนัง คอร์ติซอลผ่านแผ่นแปะแบบสวมใส่) ตลอดภาคการศึกษาในการวิจัยความเป็นอยู่ที่ดีของนักศึกษา

วิธีการทำงาน

วิธีการทำงาน

1

นักวิจัยจะระบุระยะเวลาการศึกษา ความละเอียดในการสุ่มตัวอย่าง (การสตรีมต่อเนื่องเทียบกับช่วงเวลาที่กำหนด เช่น ทุก 60 วินาที) ประเภทของเซ็นเซอร์ (เครื่องวัดความเร่ง เครื่องวัดอัตราการเต้นของหัวใจ GPS เซ็นเซอร์สิ่งแวดล้อม ฯลฯ) และการออกแบบเชิงเวลา (แบบแผง แบบกลุ่ม หรือการวัดซ้ำแบบเข้มข้น) โปรโตคอลทางจริยธรรม รวมถึงการลดปริมาณข้อมูลและการถอนตัวของผู้เข้าร่วม จะถูกกำหนดขึ้นก่อนการติดตั้งใช้งาน

2

เซ็นเซอร์จะได้รับการปรับเทียบ เริ่มต้น และแจกจ่ายให้กับผู้เข้าร่วม (หรือติดตั้งในสภาพแวดล้อม) ผู้เข้าร่วมจะได้รับคำแนะนำในการสวมใส่หรือบำรุงรักษาอุปกรณ์ ตารางการชาร์จ และขั้นตอนการจัดการเมื่ออุปกรณ์ทำงานผิดปกติ ข้อมูลพื้นฐานทางประชากรและบริบทจะถูกรวบรวมในขั้นตอนนี้เพื่อสนับสนุนการวิเคราะห์ตัวแปรร่วมในภายหลัง

3

เซ็นเซอร์จะบันทึกข้อมูลโดยอัตโนมัติตลอดช่วงเวลาการศึกษา ขึ้นอยู่กับการเชื่อมต่อ ข้อมูลอาจถูกส่งไปยังเซิร์ฟเวอร์กลางแบบเรียลไทม์ผ่าน Bluetooth หรือการเชื่อมต่อเซลลูลาร์ หรือสะสมในเครื่องเพื่อถ่ายโอนเป็นระยะระหว่างการเยี่ยมเยียนเพื่อตรวจสอบ การตรวจสอบการปฏิบัติตาม — การตรวจสอบว่าอุปกรณ์ถูกสวมใส่และทำงานได้ — จะดำเนินการตลอดช่วงเวลาภาคสนาม

4

สตรีมข้อมูลเซ็นเซอร์ดิบจะถูกจัดเก็บในฐานข้อมูลที่มีการประทับเวลา เมตาดาต้าแหล่งที่มาของข้อมูล (รหัสอุปกรณ์ เวอร์ชันเฟิร์มแวร์ สถานะแบตเตอรี่ รหัสผู้เข้าร่วม ช่วงเวลา) จะถูกบันทึกพร้อมกับการวัดผล การจัดเก็บที่ปลอดภัย ซ้ำซ้อน และมีการควบคุมการเข้าถึงเป็นสิ่งจำเป็น เนื่องจากข้อมูลทางสรีรวิทยาและตำแหน่งที่ตั้งเป็นข้อมูลที่ละเอียดอ่อนส่วนบุคคล

5

ผลลัพธ์จากเซ็นเซอร์ดิบจะถูกทำความสะอาด: สิ่งแปลกปลอมที่เกิดจากการถอดอุปกรณ์หรือการทำงานผิดปกติจะถูกระบุและลบออกหรือประมาณค่า สัญญาณจะถูกปรับเทียบกับค่าอ้างอิงของผู้ผลิตหรือห้องปฏิบัติการ เมตริกสรุประดับช่วงเวลา (เช่น จำนวนกิจกรรมเฉลี่ยต่อชั่วโมง จำนวนก้าวต่อวัน) จะถูกสร้างขึ้น รูปแบบข้อมูลที่ขาดหายไปจะถูกบันทึกและจัดการอย่างโปร่งใส

6

ข้อมูลเซ็นเซอร์เชิงระยะยาวที่ทำความสะอาดแล้วจะถูกวิเคราะห์ด้วยวิธีการที่เหมาะสมกับข้อมูลเชิงเวลาที่มีการวัดซ้ำ — แบบจำลองหลายระดับ (multilevel models) แบบจำลองผลกระทบแบบผสม (mixed-effects models) แบบจำลองเส้นโค้งการเติบโตแฝง (latent growth curve models) หรือวิธีการอนุกรมเวลา (time-series approaches) วิถีการเปลี่ยนแปลงจะถูกประมาณค่า ความแตกต่างของแต่ละบุคคลในวิถีจะถูกสร้างแบบจำลอง และความสัมพันธ์กับตัวแปรร่วม (อายุ สถานะทางคลินิก สภาพการแทรกแซง) จะถูกทดสอบ

ข้อผิดพลาดที่พบบ่อย

  • การประเมินข้อมูลที่ขาดหายไปต่ำเกินไป: เวลาที่ไม่สวมใส่มักถูกเข้าใจผิดว่าเป็นกิจกรรมต่ำ นักวิจัยต้องใช้อัลกอริทึมการไม่สวมใส่ที่ได้รับการตรวจสอบแล้ว และบันทึกสมมติฐานอย่างโปร่งใส
  • การละเลยการเลื่อนของการปรับเทียบ: ความแม่นยำของเซ็นเซอร์อาจลดลงตลอดระยะเวลาการศึกษาที่ยาวนาน การตรวจสอบการปรับเทียบใหม่เป็นระยะเป็นสิ่งจำเป็นสำหรับการศึกษาที่นานกว่าสองสามสัปดาห์
  • การเก็บข้อมูลมากเกินไปโดยไม่มีแผนการวิเคราะห์: การจัดเก็บสตรีมเซ็นเซอร์จำนวนมากโดยไม่มีแผนการวิเคราะห์ที่กำหนดไว้ล่วงหน้าจะนำไปสู่การค้นหาข้อมูลโดยไม่มีสมมติฐานที่ชัดเจนและอัตราผลบวกปลอมที่สูงขึ้น ควรลงทะเบียนสมมติฐานและทางเลือกในการวิเคราะห์ก่อนการเก็บข้อมูล
  • การปฏิบัติต่อผู้เข้าร่วมทุกคนอย่างเท่าเทียมกัน: ความแตกต่างของแต่ละบุคคลในการสวมใส่อุปกรณ์ของผู้เข้าร่วม (ตำแหน่ง ความแน่น ประเภทผิวหนัง) สร้างความไม่สอดคล้องกันในการวัดอย่างเป็นระบบที่ต้องสร้างแบบจำลองหรือควบคุม
  • การละเลยภาระของผู้เข้าร่วม: แม้แต่การตรวจจับแบบพาสซีฟก็ยังสร้างภาระทางปัญญาและวิถีชีวิต ข้อกำหนดการปฏิบัติตามที่มากเกินไปจะลดการคงอยู่และนำไปสู่อคติจากการลาออก

คำถามที่พบบ่อย

การศึกษาเซ็นเซอร์เชิงระยะยาวต้องใช้เวลานานเท่าใด?

ระยะเวลาขึ้นอยู่กับคำถามวิจัยทั้งหมด การศึกษาที่ตรวจสอบจังหวะรายวันหรือรายสัปดาห์อาจใช้เวลาเพียงสองถึงสี่สัปดาห์ การศึกษาที่ติดตามการเปลี่ยนแปลงพฤติกรรมผ่านการแทรกแซงมักจะใช้เวลาสามถึงหกเดือน การศึกษาแบบกลุ่มตัวอย่างของวิถีโรคเรื้อรังอาจใช้เวลาหลายปี เกณฑ์สำคัญคือช่วงเวลาการศึกษาเพียงพอที่จะสังเกตความแปรปรวนที่มีความหมายในปรากฏการณ์ที่สนใจหรือไม่

ฉันจะจัดการกับเวลาที่ไม่สวมใส่ในข้อมูลเซ็นเซอร์ของฉันได้อย่างไร?

เวลาที่ไม่สวมใส่ต้องแยกแยะออกจากช่วงเวลาที่มีกิจกรรมต่ำจริง ๆ อัลกอริทึมที่ได้รับการตรวจสอบแล้ว (เช่น อัลกอริทึม Choi หรือ Troiano สำหรับเครื่องวัดความเร่ง) ใช้หน้าต่างนับศูนย์ที่ต่อเนื่องกันตามระยะเวลาที่กำหนดเพื่อจัดประเภทช่วงเวลาว่าเป็นการไม่สวมใส่ ช่วงเวลาเหล่านี้จะถูกยกเว้นจากการวิเคราะห์หรือจัดการด้วยการประมาณค่าอย่างมีหลักการ อัลกอริทึมการตรวจจับการไม่สวมใส่ เกณฑ์ที่ใช้ และสัดส่วนของเวลาสวมใส่ที่ถูกต้องที่ต้องการต่อวันจะต้องรายงานในส่วนวิธีการ

ฉันต้องการขนาดตัวอย่างเท่าใด?

การคำนวณกำลังการทดสอบสำหรับการศึกษาเซ็นเซอร์เชิงระยะยาวต้องคำนึงถึงขนาดผลกระทบที่คาดหวังในผลลัพธ์ของวิถี จำนวนการสังเกตซ้ำต่อผู้เข้าร่วม สหสัมพันธ์ภายในกลุ่ม (การรวมกลุ่มของการสังเกตภายในบุคคล) และอัตราการลาออกที่คาดการณ์ไว้ เครื่องมือคำนวณกำลังการทดสอบหลายระดับ เช่น Optimal Design หรือแพ็คเกจ R longpower มีความเหมาะสม การศึกษาที่มีความละเอียดเชิงเวลาสูงมากต่อผู้เข้าร่วมบางครั้งสามารถบรรลุอำนาจการทดสอบที่เพียงพอด้วย N ที่เล็กลง แต่ต้องมีการให้เหตุผลในการแลกเปลี่ยน

อุปกรณ์สวมใส่สำหรับผู้บริโภค (Fitbit, Apple Watch) เป็นที่ยอมรับสำหรับการวิจัยหรือไม่?

อุปกรณ์สำหรับผู้บริโภคให้ความสะดวกสบายและความคุ้นเคยกับผู้เข้าร่วม แต่โดยทั่วไปมีความแม่นยำต่ำกว่าอุปกรณ์ระดับการวิจัย มีอัลกอริทึมที่เป็นกรรมสิทธิ์และไม่โปร่งใส และการเข้าถึงข้อมูลที่จำกัด อุปกรณ์เหล่านี้เหมาะสมเมื่อ: คำถามวิจัยเกี่ยวข้องกับการเปลี่ยนแปลงสัมพัทธ์มากกว่าค่าที่ปรับเทียบสัมบูรณ์ อุปกรณ์ได้รับการตรวจสอบความถูกต้องเทียบกับมาตรฐานทองคำสำหรับประชากรและผลลัพธ์ที่สนใจ และการส่งออกข้อมูลมีความละเอียดเพียงพอสำหรับแผนการวิเคราะห์ ควรอ้างอิงการศึกษาการตรวจสอบความถูกต้องสำหรับอุปกรณ์และเมตริกเฉพาะที่ใช้เสมอ

สิ่งนี้แตกต่างจากการประเมินสถานการณ์เฉพาะหน้าเชิงนิเวศวิทยา (EMA) อย่างไร?

EMA เป็นวิธีการรายงานตนเองที่กระตุ้นให้ผู้เข้าร่วมบันทึกประสบการณ์ของตนเองในช่วงเวลาสุ่มหรือตามเหตุการณ์ในชีวิตประจำวัน การเก็บข้อมูลเซ็นเซอร์เชิงระยะยาวส่วนใหญ่เป็นแบบพาสซีฟ — อุปกรณ์จะบันทึกโดยอัตโนมัติโดยไม่ต้องอาศัยการป้อนข้อมูลจากผู้เข้าร่วมอย่างกระตือรือร้น ทั้งสองมักจะถูกรวมเข้าด้วยกัน: สตรีมเซ็นเซอร์ให้บริบททางพฤติกรรมหรือสรีรวิทยาที่เป็นวัตถุประสงค์ควบคู่ไปกับสถานะทางจิตวิทยาที่รายงานตนเองจากข้อความแจ้งเตือนของ EMA

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.]

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว