İçeriğe atla
Arama sonuçlarına dön

Boylamsal Sensör Veri Toplama — Zaman İçinde Sürekli Sensör Tabanlı İzleme

Ortaya koyan
Emerging from ambulatory assessment and wearable technology research communities
Yıl
1990s–2000s (accelerated with IoT and wearable devices from ~2010)
Tür
Longitudinal quantitative/mixed data collection technique
Aile
Data collection

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Boylamsal sensör veri toplama, fiziksel veya dijital sensörleri kullanarak, gün, ay veya yıl gibi uzun bir çalışma dönemi boyunca olguları sürekli veya düzenli aralıklarla kaydeder.

Tek seferlik ölçümden farklı olarak, tekrarlayan zamansal yapı, fiziksel aktivite, çevresel maruziyet, uyku veya fizyolojik durum gibi sonuçlardaki değişimi, yörüngeyi ve değişkenliği yakalar. Bu yaklaşım, gerçek dünya algılamasının ekolojik geçerliliğini, boylamsal tasarımın analitik gücüyle birleştirir.

Yöntemin mantığı

Katılımcılara, bir kardiyak rehabilitasyon programından geçerken fiziksel aktivitelerini izlemek için altı ay boyunca bileğe takılan bir ivmeölçer takıldığını düşünün. Sensör, katılımcılardan hatırlamalarını veya rapor etmelerini istemeden günün her saatindeki her hareketi kaydeder; sadece kayıt yapar. Araştırmacılar, aktivite modellerinin haftadan haftaya nasıl geliştiğini inceleyerek kimin iyileştiğini, kimin nüksettiğini ve bu yörüngeleri hangi bağlamsal faktörlerin (hava durumu, ruh hali, sosyal olaylar) tahmin ettiğini tespit edebilirler. Boylamsal boyut, bir anlık görüntüyü bir değişim hikayesine dönüştüren şeydir.

Tarih

Sensör tabanlı ayaktan veri toplama, 1960'ların ayaktan kan basıncı monitörlerine ve 1970'ler-80'lerde uyku araştırmaları için geliştirilen aktigrafi cihazlarına dayanmaktadır. Boylamsal tasarımların elektronik sensörlerle entegrasyonu, 1990'larda Stone ve Shiffman tarafından resmileştirilen ekolojik anlık değerlendirme (EMA) metodolojisi ile hızlandı. 2007'den sonra akıllı telefonların ve 2010'dan sonra giyilebilir fitness takip cihazlarının yaygınlaşması, boylamsal algılamanın maliyetini önemli ölçüde düşürdü ve çözünürlüğünü artırdı, bu da onu sağlık davranışı araştırmaları, klinik deneyler ve çevresel epidemiyolojide rutin hale getirdi.

Ne zaman kullanılır?

Araştırma sorusu zaman içindeki değişimi, yörüngeyi veya kümülatif maruziyeti ilgilendirdiğinde ve kendi kendine rapor hatırlamasının güvenilmez veya zahmetli olacağı durumlarda boylamsal sensör veri toplama yöntemini kullanın. Sağlık davranışı araştırmaları (fiziksel aktivite, uyku, uyum), çevre bilimi (kirlilik maruziyeti), afektif hesaplama ve rehabilitasyon veya müdahale çalışmaları için çok uygundur. Yöntem, katılımcıların çalışma süresi boyunca cihazları takabileceği veya bunlarla etkileşime girebileceği, güvenli depolama için kurumsal veri altyapısının mevcut olduğu ve araştırma bütçesinin sensör donanımını ve bakımını karşıladığı durumlarda uygundur. İlgilenilen olgu bir sensör sinyali olarak işlevselleştirilemediğinde, sürekli izlemeden kaynaklanan katılımcı yükü kabul edilemez olduğunda, çalışma süresi çok kısa olduğunda (tek bir oturum) veya kesitsel verilerin soruyu yanıtlamak için yeterli olacağı durumlarda kullanmayın.

Sınırlar ve dikkat edilmesi gerekenler

  • Sensör donanımı, bulut altyapısı ve veri yönetimi, kağıt veya çevrimiçi anketlere kıyasla önemli maliyetler ekler.
  • Cihaz uyumu ve bırakma, sürekli tehditlerdir: katılımcılar cihazları çıkarabilir, şarj etmeyebilir veya çalışmayı bırakabilir, bu da sistematik eksik veri oluşturur.
  • Ham sensör akışları önemli ön işleme uzmanlığı gerektirir; temizleme veya dönem türetmedeki hatalar, tüm sonraki analizlere yayılır.
  • Boylamsal tasarımlar, sürekli gözetim, veri güvenliği ve çekilme hakkı konusunda etik kaygılar doğurur — bilgilendirilmiş onam süreçleri bunların hepsini açıkça ele almalıdır.
  • Sensör geçerliliği, cihaz kalitesine ve popülasyona göre değişir; tüketici sınıfı giyilebilir cihazlar, araştırma sınıfı doğruluk gereksinimlerini karşılamayabilir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Retrospektif kendi kendine raporlamaya dayanmadan gerçek dünya davranışını ve fizyolojisini yakalar, hatırlama yanlılığını önemli ölçüde azaltır.
  • Yüksek zamansal çözünürlük, haftalık veya aylık anketlerde görünmeyen kişi içi değişkenliği, günlük modelleri ve mikro düzeydeki değişimi ortaya çıkarır.
  • Sürekli veya neredeyse sürekli kayıt, katılımcılarla veri toplama temaslarının sayısına göre veri yoğunluğunu en üst düzeye çıkarır.
  • Ekolojik geçerlilik yüksektir — veriler kontrollü laboratuvar koşulları yerine doğal bağlamlardaki davranışı yansıtır.
  • Ölçeklenebilir: bir kez dağıtıldığında, sensörler katılımcı başına günlük minimum araştırmacı yükü ile büyük kohortları eş zamanlı olarak izleyebilir.

Uygulama alanları

  • Kardiyak rehabilitasyon programları sırasında günlük fiziksel aktivite ve sedanter davranış yörüngelerini izlemek.
  • Uykusuzluk tedavisi veya vardiyalı çalışma sağlık sonuçları çalışmalarında uyku mimarisini boylamsal olarak izlemek.
  • Kentsel çevresel epidemiyoloji kohortlarında aylarca kişisel hava kirliliği maruziyetini ölçmek.
  • Diyabet öz yönetimi araştırmalarında sürekli glikoz ve kalp atış hızı değişkenliği verilerini yakalamak.
  • Yaşlı yetişkinlerde sosyal izolasyon yörüngelerini incelemek için aylarca GPS hareketlilik modellerini kaydetmek.
  • Öğrenci refahı araştırmalarında bir akademik dönem boyunca fizyolojik stres göstergelerini (deri iletkenliği, giyilebilir yamalar aracılığıyla kortizol) kaydetmek.

Nasıl çalışır?

Nasıl çalışır?

1

Araştırmacı, çalışma süresini, örnekleme çözünürlüğünü (sürekli akışa karşı her 60 saniyede bir gibi sabit dönemler), sensör tipini (ivmeölçer, kalp atış hızı monitörü, GPS, çevresel sensör vb.) ve zamansal tasarımı (panel, kohort veya yoğun tekrarlayan ölçümler) belirler. Veri minimizasyonu ve katılımcı çekilme prosedürleri dahil olmak üzere etik protokoller, dağıtımdan önce oluşturulur.

2

Sensörler kalibre edilir, başlatılır ve katılımcılara verilir (veya ortamlara kurulur). Katılımcılar, cihazları takma veya bakımını yapma, şarj programları ve arızaları giderme prosedürleri hakkında talimatlar alırlar. Daha sonraki kovaryat analizini desteklemek için bu aşamada temel demografik ve bağlamsal veriler toplanır.

3

Sensörler, çalışma süresi boyunca verileri otonom olarak kaydeder. Bağlantıya bağlı olarak, veriler Bluetooth veya hücresel bağlantılar aracılığıyla neredeyse gerçek zamanlı olarak merkezi bir sunucuya iletilebilir veya kontrol ziyaretleri sırasında periyodik olarak boşaltılmak üzere yerel olarak birikebilir. Cihazların takılıp çalışır durumda olduğunu kontrol eden uyum izleme, saha dönemi boyunca yapılır.

4

Ham sensör akışları zaman damgalı veritabanlarında saklanır. Veri kaynağı meta verileri (cihaz kimliği, aygıt yazılımı sürümü, pil durumu, katılımcı kimliği, dönem) ölçümlerle birlikte kaydedilir. Fizyolojik ve konum verilerinin kişisel olarak hassas doğası göz önüne alındığında, erişim kontrolleri ile güvenli, yedekli depolama esastır.

5

Ham sensör çıktısı temizlenir: cihazın çıkarılması veya arızalanmasından kaynaklanan artefaktlar tanımlanır ve kaldırılır veya impute edilir; sinyaller üretici veya laboratuvar referans değerlerine göre kalibre edilir; dönem düzeyinde özet metrikler (örn. saat başına ortalama aktivite sayımı, gün başına adım sayısı) türetilir. Eksik veri modelleri belgelenir ve şeffaf bir şekilde ele alınır.

6

Temizlenmiş boylamsal sensör verileri, tekrarlayan ölçümlü zaman yapılı verilere uygun yöntemlerle analiz edilir — çok düzeyli modeller, karma etkili modeller, gizil büyüme eğrisi modelleri veya zaman serisi yaklaşımları. Değişim yörüngeleri tahmin edilir, yörüngelerdeki bireysel farklılıklar modellenir ve kovaryatlarla (yaş, klinik durum, müdahale koşulu) ilişkiler test edilir.

Sık yapılan hatalar

  • Eksik veriyi hafife almak: takmama süresi genellikle düşük aktivite ile karıştırılır; araştırmacılar doğrulanmış takmama algoritmalarını uygulamalı ve varsayımları şeffaf bir şekilde belgelemelidir.
  • Kalibrasyon kaymasını göz ardı etmek: sensör doğruluğu uzun bir çalışma süresi boyunca bozulabilir; birkaç haftadan uzun süren çalışmalar için periyodik yeniden kalibrasyon kontrolleri gereklidir.
  • Analiz planı olmadan aşırı toplama: önceden belirlenmiş bir analiz planı olmadan geniş sensör akışlarını depolamak, balık avı gezilerine ve şişirilmiş yanlış pozitif oranlarına yol açar; veri toplamadan önce hipotezleri ve analitik seçimleri kaydetmek gerekir.
  • Tüm katılımcıları eşdeğer kabul etmek: katılımcıların cihazları takma şekillerindeki bireysel farklılıklar (yerleşim, sıkılık, cilt tipi), modellenmesi veya kontrol edilmesi gereken sistematik ölçüm heterojenliği yaratır.
  • Katılımcı yükünü ihmal etmek: pasif algılama bile bilişsel ve yaşam tarzı yükü getirir; aşırı uyum gereksinimleri elde tutmayı azaltır ve bırakma yanlılığına neden olur.

Sık sorulan sorular

Boylamsal bir sensör çalışmasının ne kadar sürmesi gerekir?

Süre tamamen araştırma sorusuna bağlıdır. Günlük veya haftalık ritimleri inceleyen çalışmalar sadece iki ila dört hafta sürebilir; bir müdahale yoluyla davranış değişikliğini izleyenler genellikle üç ila altı ay sürer; kronik hastalık yörüngelerinin kohort çalışmaları yıllarca sürebilir. Temel kriter, çalışma süresinin ilgilenilen olgudaki anlamlı varyasyonu gözlemlemek için yeterince uzun olup olmadığıdır.

Sensör verilerimdeki takmama süresini nasıl ele alırım?

Takmama, gerçek düşük aktivite dönemlerinden ayırt edilmelidir. Doğrulanmış algoritmalar (örn. ivmeölçer için Choi veya Troiano algoritmaları), belirli bir sürenin ardışık sıfır sayım pencerelerini kullanarak dönemleri takmama olarak sınıflandırır. Bu dönemler daha sonra analizlerden çıkarılır veya prensipli imputasyon ile ele alınır. Takmama tespit algoritması, kullanılan eşikler ve günlük gerekli geçerli takma süresi oranı yöntemler bölümünde rapor edilmelidir.

Ne kadar örneklem büyüklüğüne ihtiyacım var?

Boylamsal sensör çalışmaları için güç hesaplaması, yörünge sonucundaki beklenen etki büyüklüğünü, katılımcı başına tekrarlanan gözlem sayısını, sınıf içi korelasyonu (kişiler içindeki gözlemlerin kümelenmesi) ve beklenen bırakma oranını hesaba katmalıdır. Optimal Design veya R paketi longpower gibi çok düzeyli güç araçları uygundur. Katılımcı başına çok yüksek zamansal çözünürlüğe sahip çalışmalar bazen daha küçük N ile yeterli gücü elde edebilir, ancak bu değiş tokuşun gerekçelendirilmesi gerekir.

Tüketici giyilebilir cihazları (Fitbit, Apple Watch) araştırma için kabul edilebilir mi?

Tüketici cihazları kolaylık ve katılımcı aşinalığı sunar ancak genellikle araştırma sınıfı cihazlardan daha düşük doğruluğa, tescilli ve opak algoritmalara ve kısıtlı veri erişimine sahiptir. Şunlar için uygundurlar: araştırma sorusu mutlak kalibre edilmiş değerlerden ziyade göreceli değişimi ilgilendiriyorsa, cihaz ilgili popülasyon ve sonuç için altın bir standarda karşı doğrulanmışsa ve veri dışa aktarımı analiz planı için yeterince ayrıntılıysa. Kullanılan belirli cihaz ve metrik için doğrulama çalışmasını her zaman belirtin.

Bu, ekolojik anlık değerlendirmeden (EMA) nasıl farklıdır?

EMA, katılımcıları günlük yaşamda rastgele veya olaya bağlı anlarda kendi deneyimlerini kaydetmeye teşvik eden bir kendi kendine raporlama yöntemidir. Boylamsal sensör veri toplama büyük ölçüde pasiftir — cihaz, aktif katılımcı girdisi gerektirmeden otomatik olarak kayıt yapar. İkisi genellikle birleştirilir: sensör akışları, EMA istemlerinden gelen kendi kendine bildirilen psikolojik durumların yanı sıra nesnel davranışsal veya fizyolojik bağlam sağlar.

İlgili yöntemler

Kaynaklar

  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.]

    Yayın kaynağını aç
    Kopyalandı.
  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 kaynağını aç
    Kopyalandı.