传感器数据收集 — 基于传感器的信息收集
- 提出者
- Multidisciplinary; sensor networks formalized in engineering and computer science from the 1990s onward
- 年份
- 1990s–2000s (widespread deployment with IoT ~2000s)
- 类型
- Quantitative / mixed data collection technique
- 类别
- Data collection
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
传感器数据收集使用物理或数字仪器自动捕获环境、人体或机器随时间的定量测量值。常见传感器测量温度、运动、心率、位置、光线、声音或化学特性。由于记录是自动且连续的,因此该方法可以生成高频数据集,同时最大限度地减少研究人员的负担,使其成为物联网、环境监测、可穿戴设备研究和行为研究的核心。
方法背后的直觉
可以设想将一个小型加速度计安装在工人的手腕上:每隔零点几秒,它就会默默地记录运动数据,而无需让工人停下来填写表格。这正是传感器数据收集的核心吸引力——它捕获的是实际发生的事情,而不是参与者对其的回忆或报告。研究人员预先设计传感器的放置和采样规则,仪器则负责观察。生成的时间序列数据可能非常密集、客观,并且没有回忆偏差,但它需要仔细的校准和预处理,然后才能用于分析。
历史学
科学测量仪器的系统性使用可以追溯到近代早期科学,但作为一种独立研究范式的网络化传感器数据收集,随着计算机科学和工程领域无线传感器网络的发展,在 20 世纪 90 年代出现。Chong 和 Kumar 于 2003 年发表在 IEEE Proceedings 上的文章被广泛认为是该领域的奠基性综述。从 2000 年代中期开始,微型 MEMS 传感器、智能手机和物联网平台的普及,使得传感器数据收集在社会、健康和行为科学领域变得更加容易。可穿戴健身追踪器和生态瞬时评估系统将其在心理学和公共卫生领域的应用正式化。
何时使用
当研究问题需要对无法通过自我报告可靠捕获的物理或生理现象进行客观、连续或高频测量时,请使用传感器数据收集——例如,体力活动监测、环境暴露、睡眠质量或机器性能。这在纵向设计中尤其有价值,因为每日或每周的调查会给参与者带来不可接受的负担。当感兴趣的现象本质上是主观的(态度、意义、信念)或传感器部署的成本和技术复杂性超过数据价值时,请勿使用它;在这些情况下,调查、访谈或带有自我报告项目的生态瞬时评估可能更合适。
局限与注意事项
- 传感器测量的是代理指标,而非现象本身;从原始信号推断行为或状态需要经过验证的算法。
- 与问卷方法相比,设备成本、校准工作量和技术专长带来了较高的设置门槛。
- 数据量可能非常大,需要大量的存储、处理基础设施和分析技能。
- 在收集人类参与者的连续位置、生物识别或行为数据时,隐私和伦理风险会加剧。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 提供客观、自动化的测量,消除了回忆偏差和社会期望效应。
- 实现高时间分辨率——传感器可以实现调查无法达到的连续或近乎连续的数据捕获。
- 易于扩展:一次部署可以同时监测数十或数百名参与者或地点。
- 支持纵向和真实世界(生态)设计,同时最大限度地减少参与者或研究人员的持续负担。
- 生成可重复、可归档的数据集,可用于二次研究问题的再分析。
应用
- 在公共卫生和运动科学中使用腕戴式加速度计监测体力活动和久坐行为。
- 在城市研究和职业健康中对空气质量、温度或噪音水平进行连续环境监测。
- 使用腕部活动记录仪在多个夜晚客观记录睡眠-觉醒周期,用于睡眠研究。
- 工业物联网:记录机器振动、温度和运行参数以预测维护需求。
- 行为生态学和野生动物研究使用 GPS 项圈和生物记录器追踪动物运动和生理机能。
- 驾驶行为研究使用车载诊断 (OBD) 传感器在自然istic 研究中记录速度、制动和加速度。
使用方式
使用方式
研究人员指定要测量的现象,选择合适的传感器类型,确定采样率和持续时间,并定义分析单位(个体、地点、设备)。同时,还会考虑伦理和隐私问题——这在收集人类参与者的生物识别数据或位置数据时尤为重要。
传感器被物理安装或附加(在身体上、空间中、机器上)并进行配置。进行校准以确保测量值的准确性和跨设备的统一性。试运行验证数据是否正确记录,以及电池寿命、连接性和存储容量是否足以满足研究持续时间的要求。
传感器以指定的间隔或响应事件(例如,检测到运动、超过阈值)自动记录读数。数据可以存储在设备本地,实时流式传输到服务器,或分批传输。在收集期间进行监控可以捕获传感器故障、连接中断或意外的间隙。
原始传感器流被清理,以去除由传感器故障、身体移动或环境干扰引起的噪声、异常值和伪影。识别并处理缺失的数据窗口(插补或排除)。标准化单位并跨多个传感器通道对齐时间戳。
清理后的数据以结构化格式(时间序列数据库、平面文件或列式存储)存储,并附带记录传感器型号、固件版本、放置和校准参数的元数据。数据来源记录可实现可重复性,并支持后续的二次分析或归档。
常见陷阱
- 跳过校准——未校准的传感器会引入系统误差,无法在分析中纠正;在部署前后务必与已知参考值进行比较。
- 忽略数据丢失模式——电池故障或连接问题导致的退出很少是随机的;将缺失窗口视为随机缺失可能会导致结论偏差。
- 混淆传感器信号与构建——原始加速度计计数并非体力活动;确保用于推断目标构建的算法或阈值已针对您的特定人群和环境进行了验证。
- 低估预处理时间——清理和特征工程通常比分析消耗更多项目时间;请务必为此进行预算。
- 不充分的同意程序——被动连续监测需要向参与者进行清晰披露,并提供便捷的退出机制;未能提供这些会带来伦理和法律风险。
常见问题
传感器数据收集与生态瞬时评估 (EMA) 有何不同?
EMA 提示参与者在日常生活的随机或预定时刻提供自我报告;它捕获主观体验。传感器数据收集自动记录客观的物理或生理信号,无需参与者输入。许多研究结合了两者:传感器提供客观的行为数据,而 EMA 提供同时的主观背景。
我应该选择什么采样率?
采样率必须至少是您想要捕获的信号最高频率的两倍(奈奎斯特定理)。对于房间温度等缓慢现象,一分钟的间隔可能就足够了。对于步态分析或心率变异性,则需要 50-100 Hz 或更高的速率。更高的速率会生成更大的文件并更快地消耗电池电量,因此请选择保留相关信号的最低速率。
我该如何处理提前移除传感器的参与者的数据?
使用经过验证的佩戴检测算法(例如,加速度计数据零方差的时期)来识别非佩戴时段。从分析中排除这些窗口,并报告有效佩戴时间的比例。如果非佩戴在不同组之间存在差异或与结果相关,请在方法和局限性中明确说明潜在偏差。
即使是针对非个体环境传感器也需要参与者同意吗?
这取决于传感器是否可以捕获个人身份信息。建筑物公共区域的温度传感器通常只需要机构批准。可以识别个人的摄像头、麦克风或位置信标需要获得可能被捕获者的知情同意。在部署前,请咨询您所在机构的伦理委员会和适用的数据保护法规。
传感器数据可以用于定性研究吗?
传感器数据本质上是定量的,但有时会作为定性后续研究的刺激物:参与者回顾他们自己的数据轨迹(一种称为数据辅助访谈或个人数据照片启发式的方法)以促使反思。这种混合方法可以将传感器测量的客观性与定性探究的解释深度结合起来。