方法文章

真实世界M3-BREATHE：迈向用于治疗与健康评估的行为、呼吸及暴露多模态移动监测

207 次观看

⸱

DOI：

10.3791/69900

⸱

2026年6月5日

1Institute of Belt and Road & Global Governance, Fudan University

本文内容

摘要

M3-BREATHE 是一种移动健康（mHealth）系统，该系统整合了可穿戴传感器，用于在真实世界环境中监测呼吸、行为和环境暴露，以实现个性化治疗和健康评估。

摘要

移动健康（mHealth）技术与环境暴露的精细测量相结合，可实现对生理和行为信号的连续、实时监测，有望彻底改变个性化健康风险评估，并推动更有效的治疗与干预措施的发展。本方案介绍了一种多模态移动监测系统，专门用于采集并整合个体行为（日常活动与出行）、呼吸功能、生理参数以及环境暴露数据。该系统结合了移动健康设备、便携式环境传感器以及支持GPS的智能手机应用程序，生成同步的高分辨率数据流。这些数据通过智能移动应用程序进行处理，整合生理参数计算（如体力活动强度、呼吸频率）和外部城市环境数据（如城市绿地、街景地图），随后部署基于机器学习的预警系统，以提供有关呼吸健康、日常活动与移动模式以及风险因素暴露的可操作洞察。本方案为硬件设置、软件配置、数据采集流程以及分析工作流提供了全面而详细的指导，适用于在受控临床实验和真实世界场景中部署“行为、呼吸与暴露多模态移动监测用于治疗与健康评估”（M3-BREATHE）系统，监测内容包括空气污染、噪声、光照、热环境、绿化程度等。这一前瞻性的M3-BREATHE平台建立了一种可扩展、无创且成本效益高的纵向环境-移动-健康（E-M-H）监测方法，将个体层面日常生活中的精准健康与人群层面的长期健康智能紧密联系起来。

引言

在传统空间流行病学主要强调环境与健康之间的人群水平和区域关联的基础上，研究重点正转向考察个体层面和基于移动性的关系与过程1,2,3,4。这一转变由若干相互关联的基本方法学问题所推动，同时也得益于新兴的更精确、更具情境敏感性的研究方法所带来的机遇。

首先，可修改区域单元问题（modifiable areal unit problem, MAUP）指的是在对基于区域或分区的数据进行分析时，数据报告所依据的区域单元的定义可能会影响分析结果5,6。该问题涉及空间数据分析中两个独立但相互关联的方面。第一个是“尺度问题”，即同一组区域数据被聚合为若干组更大的区域单元，每种聚合方式都会导致不同的数据值和推论。MAUP 的第二个方面是“区划问题”，即给定的一组区域单元被重新组合成大小相同但位置不同的区域，同样会导致数据值的变化，从而得出不同的结论7,8。为了回应有关本研究在利用基于区域或分区的数据推动新知识发展方面的贡献所提出的质疑，学界持续讨论了两种方法以尽量减少 MAUP 的影响。其一是最大化区域内部同质性。在估计环境因素对健康的情境效应时，选择合适的区域单元可最大限度地减少环境暴露的测量误差和非差异性暴露错分9,10,11。然而，空间单元内部空气污染暴露的异质性仍可能导致误差。因此，另一种方法是转向与框架无关的空间数据表达与分析形式12,13。超越传统的基于区域的情境理解，基于个体的测量方法能够考虑情境因素的属性同质性和空间连续性，在分析环境暴露对健康的影响时，可提供一种不受尺度影响或尺度不变的稳健分析指标14,15,16。

其次，不确定地理背景问题（Uncertain Geographic Context Problem, UGCoP）指的是，基于区域的背景变量对个体行为或结果的影响研究，可能受到背景单元（例如社区）地理界定方式的影响，以及这些区域单元偏离真实地理背景的程度。17,18 一个典型例子是，对于大量时间在住所之外工作、休闲等活动的人群，仅以其居住地评估其空气污染暴露水平可能是错误的，因为这远未反映“真正具有因果关联”的地理背景。18,19 为了减轻影响个体环境暴露及其健康效应准确评估的背景不确定性，有必要采用基于移动性的测量方法，超越仅依赖特定固定位置（如居住地、工作场所）的传统背景影响概念。16,20 由于忽略空气污染和人类移动性的时空变化，可能导致个体暴露估计出现显著误差21,22,23,24，以及环境正义评估的偏差25,26，因此，收集基于移动性的高分辨率时空数据，对于理解环境暴露与健康结果之间的关联至关重要。另一个挑战在于环境数据集与穿戴式传感器采集的个体层面生物测量数据之间存在的空间不匹配问题。尽管街景图像能够在人体视觉尺度上实现精细的环境特征刻画，而卫星反演的植被指数（如NDVI）则可在较粗分辨率（10–250 m）下提供更广覆盖范围，但两者均需要明确的空间对齐策略，将移动轨迹与生理和行为数据记录的精确位置处的环境暴露进行关联。解决这种尺度不一致问题，必须依赖明确的空间对齐策略，以将移动轨迹与生理和行为数据记录的精确位置处的环境暴露相连接。

针对可变面元问题（MAUP）和可变地理单元问题（UGCoP）所带来的挑战，越来越多与环境健康相关的多学科研究人员正转向基于个体移动性的研究框架，以探讨环境暴露与健康结局之间的行为过程1,27,28,29。随着对环境—移动性—健康（E-M-H）关联的研究兴趣日益增长，现有文献主要集中于前因部分（环境—移动性）17,30,31,32或后果部分（移动性—健康）33,34,35，而涵盖全部三个领域的整合性研究仍较为有限。然而，个体的日常活动与出行显著影响了环境暴露对健康结局的剂量—效应关系。个体在24小时内于何时、何地以及如何规划、安排和开展其活动，与其所面临的环境风险暴露及相应的健康结局密切相关17,18,36。此外，另一个关键的研究空白在于，极少有研究提供可操作的分析框架，用以连接健康结局的实时监测与纵向追踪，从而限制了生成可靠且具可操作性的治疗与干预证据的能力。因此，填补这些空白不仅有助于提高环境—健康评估的准确性，还能揭示日常活动与出行及其背后行为过程在复杂的E-M-H关联中所起的中介作用37，从而为个性化、基于移动性信息的干预和治疗策略提供有力依据，以降低暴露风险并促进健康结局。

移动和可穿戴技术38,39，特别是移动健康（mHealth）设备40,41,42和便携式环境传感器43,44,45的发展，使得同步监测个体行为、环境暴露和生理指标成为可能。通过与智能手机应用程序集成，参与者可以记录自身的健康状况、病史（例如呼吸系统和心血管疾病）、主观生理感受以及对环境风险的感知，从而借助基于机器学习或基于规则的方法，实现更精确和个性化的风险评估与预警。本文介绍了用于治疗与健康评估的行为、呼吸及暴露（空气污染、噪声、光照、热、绿化等）真实世界多模态移动监测系统（M3-BREATHE）。该端到端协议为硬件设置、软件配置、数据采集流程以及部署M3-BREATHE所需的分析工作流提供了全面指导。本协议适用于从事环境健康、交通地理学和个性化医学研究的科研人员开展受控临床实验（短期、高保真度监测）或真实世界纵向研究（长期、非侵入性监测），但不适用于需要超高精度实验室级呼吸测量的研究（例如侵入性肺功能检测）。

方案

出于研究目的实施本方案时，无论是在受控的临床实验中还是在真实世界环境中，均须事先获得研究人员所属机构的人类研究伦理委员会的批准，并遵循其指导方针。在调查开始之前，必须从参与者处获得知情同意。本文所进行的实证研究遵循北京大学人类研究伦理委员会的指导原则。所有基于参与者的、采用本方案的研究，必须事先获得研究者所属机构研究伦理委员会的伦理批准。所有参与者在任何数据收集程序开始之前，必须提供书面的知情同意书。推荐的设备设置列于材料表中。

1. 可穿戴移动健康设备的设置

  1. 胸部佩戴式呼吸传感器设置
    1. 指导受试者将集成传感器的衣物或胸带直接贴肤佩戴于衣物内侧，以确保电生理信号采集时与皮肤充分接触。
    2. 调整衣物或胸带的松紧度，使其贴合且舒适，避免限制自然呼吸或身体活动。当传感器在深吸气过程中仍能保持与皮肤稳定接触、无明显滑动或移位时，表明佩戴合适。
    3. 确保传感器已充满电，并通过蓝牙成功与智能手机配对，以便实时监测和记录呼吸频率（单位：次/分钟，breaths/min）、潮气量（单位：毫升，mL）和心率（单位：次/分钟，BPM）。确认设备时钟已与智能手机系统时间同步，以实现多模态数据流之间的时间准确对齐。
      注意：呼吸频率和心率也可通过可穿戴腕带设备获取，尤其适用于长期监测（见步骤1.2）。呼吸频率可通过光电容积脉搏波（PPG）或心率变异性（HRV）信号中的呼吸相关波动间接计算得出（见步骤5.2）。这种替代方法有助于减轻受试者因长时间佩戴胸部呼吸传感器而产生的不适与负担。
  2. 智能腕带设备设置
    1. 选择非优势手手腕作为设备佩戴的主要位置，将腕带牢固地固定在靠近尺骨茎突的手腕部位。
    2. 调整腕带松紧度，确保光电容积脉搏波（PPG）传感器与皮肤接触良好，同时不影响外周血液循环。合适的佩戴标准为腕带贴合但可插入一个指尖。
    3. 在智能手机上打开配套应用程序，并确保设备已通过蓝牙成功连接。
    4. 进入应用程序内的实时数据显示界面，确认应用设置已配置为持续监测所有目标参数，包括：心血管指标如心率（HR，单位：次/分钟，BPM）、心率变异性（HRV，单位：毫秒，ms）、血压（BP，单位：毫米汞柱，mmHg）和心电图（ECG，单位：毫伏，mV）；呼吸与代谢指标如算法估算的呼吸频率（RR，单位：次/分钟，breaths/min）、血氧饱和度（SpO₂，单位：百分比，%）、代谢当量（METs，比值）；外周皮肤温度（单位：摄氏度，°C）；以及来自加速度计（ACC，单位：重力加速度，g）的运动数据。
      注意：设备背面的PPG传感器必须持续且平整地与皮肤接触。若佩戴过程中腕带变松，需重新收紧。

2. 环境传感器设置

  1. 使用合适的 USB 数据线将环境传感设备连接到便携式移动电源（容量 10,000 mAh），以确保设备持续运行 24 小时。确保所有连接稳固，并将线缆整齐收纳，防止移动过程中意外断开。
  2. 将多污染物空气监测仪（测量颗粒物 PM2.5 和 PM10 微克/米3，背包侧边网袋中放置用于检测一氧化碳（CO，单位为ppm）、二氧化氮（NO₂）、二氧化硫（SO₂）和挥发性有机化合物（VOCs，单位为ppb）的传感器、噪声传感器（单位为分贝，dB）以及温度传感器（单位为摄氏度，°C）。将光照暴露追踪器（照度，单位为勒克斯，lx；昼夜节律光A，CLA，0-1）牢固地固定在背包肩带的外侧正面，确保其朝向前方/外部且无遮挡。
  3. 指导受试者在24小时内随身携带背包进行日常活动和出行，并每晚为移动电源充电。提供一个联系方式以应对任何问题。
  4. 确认所有传感器均已开机，并成功建立实时数据流，正在向配套的智能手机应用程序记录和传输数据。
    注意：所有传感器在交予参与者之前，必须严格按照各自制造商的技术规范进行校准。建议低成本空气污染传感器在具有代表性的地点，与科研级参考仪器进行为期两周的并置校准测试，以获得针对特定传感器的校正系数。并置校准过程要求将低成本传感器放置在参考仪器附近（距离不超过1米，高度相同），同时运行至少14天，以覆盖多种环境条件。随后利用成对数据建立线性或非线性校正模型（例如，C校正的 = (C原始 - b)/a通过回归分析进行校准。对于无法接入参考仪器的传感器，建议使用高效颗粒空气（HEPA）过滤的洁净空气进行零点校准，以校正基线漂移。在记录基线值之前，需在洁净空气条件下稳定10–15分钟。. 每次部署前，应进行部署前验证检查，以确认传感器的响应性及数据传输的稳定性。在数据采集期间，应每日维护质量保证（QA）日志，记录任何异常情况、传感器漂移或连接中断。温度和相对湿度传感器（RH，单位：百分比，%）通常作为组件集成于空气污染监测设备中。连续噪声暴露可通过专用应用程序使用智能手机内置麦克风进行测量。由于易受遮挡以及衣物、佩戴位置等混杂因素影响，不建议使用智能腕带和手机采集光照暴露和热暴露数据。对于长期研究或实践应用，推荐使用体积小巧、可集成多污染物监测功能的模块化设备。

3. 智能手机应用程序配置

  1. 在参与者的智能手机上安装 M3-BREATHE 移动应用程序（专为 Android/iOS 定制开发）。
  2. 启用 GPS、蓝牙和后台数据同步功能。
  3. 配置应用程序以每 1 分钟记录一次 GPS 位置数据，并每 5 分钟同步一次传感器数据。
  4. 将每个连接设备（可穿戴生理监测仪和便携式环境传感器）的数据采样率设置为 1 Hz（即每秒一个样本），以确保高时间分辨率的数据采集。
  5. 在启动数据记录前，确认所有设置均已保存。
    注意：配置完成后进行一次简短的测试记录（例如 5 分钟）是良好的操作实践。应检查测试数据文件，确认所有预期的数据流（GPS 坐标、HRV、ECG、空气污染、噪声等）均已记录，时间戳正确，且数值合理，然后再开始完整的研究周期。值得注意的是，绿色空间暴露通过将高时空分辨率的 GPS 轨迹数据与地理数据集（如 OpenStreetMap 或卫星衍生的植被指数，例如用于植被覆盖的 NDVI）相结合进行间接测量。为解决粗分辨率环境图层（例如 10–250 m 的 NDVI）与个体层面生物测量数据之间的空间尺度不匹配问题，本方案采用最近邻或缓冲区平均提取方法，为每个 GPS 点分配环境暴露值，从而确保每次生理测量在位置和时间上的空间对齐。

4. 数据采集流程

  1. 参与者入组
    1. 采用分层抽样方法招募参与者，以确保目标人群的代表性。
    2. 向参与者提供全面的指导材料，包括详细的使用说明、操作手册，以及建议提供的教学视频，内容涵盖传感器佩戴与使用方法，以及配套智能手机应用程序的操作流程。
    3. 在应用程序内开展基线健康调查，收集人口学数据（如性别、年龄、身高、体重、婚姻状况）、既往病史（如非传染性疾病，NCDs）、呼吸系统健康状况（如吸烟包年数、慢性咳嗽或呼吸困难），以及其他自报健康信息（如总体身心健康状况、饮酒情况、饮食模式、体力活动水平、睡眠质量）。
      注：建议采用标准化工具收集自报健康信息，包括用于评估总体健康的12项简明健康调查量表（SF-12）46、酒精使用障碍筛查量表-消费部分（AUDIT-C）47、国际体力活动问卷-短表（IPAQ-SF）48，以及匹兹堡睡眠质量指数（PSQI）49。也可根据便利性选用7级李克特量表。
  2. 每日监测流程
    1. 指导参与者连续24小时佩戴移动健康生理传感器，并携带便携式环境监测设备（带渔网袋的背包）。睡眠期间，应将环境传感器置于卧室中，以持续进行暴露评估，尤其注意光照传感器的放置。
    2. 提醒参与者每晚为移动电源充电，并保持其与环境传感器连接，以确保设备持续运行和数据连续采集。
    3. 数据流可通过研究团队每4小时手动检查，或更优地，通过应用程序后端系统在数据同步中断30分钟后自动发出警报进行监控。若中断超过30分钟，将联系参与者及时处理问题。
    4. 鼓励参与者每天晚间在应用程序内完成一次活动-出行日记调查（模板见表1），以提高每日活动与移动行为背景信息的准确性，从而支持更有效、更具针对性的治疗与干预措施。系统将在每晚8点自动发送提醒（应用程序通知/短信），以促进持续依从。
      注：可部署交互式界面，结合地图实现轨迹（含时间戳）可视化，并基于GPS数据利用机器学习技术识别活动与出行。理想情况下，可在下一次活动/出行事件发生前后，通过应用程序自动向参与者发送提示，记录当前活动或出行，以减少日末回忆偏倚。建议在睡前进行最终复核，以完善当日记录。此外，可采用生态瞬时评估（EMA）方法，通过推送通知每日三次（例如上午8点、中午12点、下午4点）采集主观体验数据（如呼吸困难、疲劳感、对环境污染的感知）。
  3. 数据同步与备份
    1. 所有采集的实时数据及活动-出行日记数据将通过Wi-Fi或蜂窝网络自动同步至安全加密的云端服务器。云数据库配置了定期自动备份机制，以防数据丢失。
    2. 所有数据首先存储于智能手机的内部存储器中。经云端服务器成功验证后，设备上的已同步数据将每日自动清除。
    3. 所有数据在采集时即进行匿名化处理，并安全存储于机构服务器上。数据的存储、传输和销毁均严格遵循所在机构的数据安全与隐私保护政策。
      数据汇总及来源详见表2。
参与者编号日期开始时间结束时间活动(A)/出行(T)活动类型/出行方式
1 2025/08/130:007:00A睡眠
1 2025/08/137:007:30A早餐
1 2025/08/137:308:00T公共交通
1 2025/08/138:0011:30A工作
1 2025/08/1311:3011:45T步行
1 2025/08/1311:4512:45A午餐
1 2025/08/1312:4513:00T步行
1 2025/08/1313:0017:00A工作
1 2025/08/1317:0017:15T自行车
1 2025/08/1317:1518:00A烹饪
1 2025/08/1318:0019:00A晚餐
1 2025/08/1319:0021:00A休闲
1 2025/08/1321:0021:30A洗澡
1 2025/08/1321:3023:59A睡眠
1 2025/08/140:006:30A睡眠
1 2025/08/14…………

表1：M3-BREATHE监测活动-出行日记模板。该表格展示了行为数据如何被记录和整理，以便与暴露和健康分析相结合。

可穿戴移动健康设备智能手机应用程序便携式环境传感器
呼吸频率（RR）GPS坐标颗粒物（PM2.5、PM10）
潮气量（TV）活动-出行日记一氧化碳（CO）
心率（HR）生态瞬时评估（EMA）二氧化氮（NO₂）
心率变异性（HRV）基线健康信息二氧化硫（SO₂）
心电图（ECG）    年龄、性别等挥发性有机化合物（VOCs）
血压（BP）    体重指数（BMI）噪声（N）
血氧饱和度（SpO₂）    社会经济地位（SES）温度（T）
代谢当量（METs）病史相对湿度（RH）
皮肤温度（ST）呼吸健康状况照度（lx）
加速度计（ACC）自我报告的健康信息昼夜节律光A（CLA）

表2：数据汇总及设备来源。 该表格列出了关键指标（如心率、呼吸频率、颗粒物、温度）及其相应的测量方式。

5. 数据处理与分析

  1. 设备校准与质量保证
    在部署之前，所有设备将根据制造商规格进行基本的校准检查。对于环境传感器（例如 PM2.5 监测仪），这可能包括零点校准，或在条件允许时与参考仪器进行比对。在数据处理过程中，将对环境数据和生物特征数据流均应用质量保证与质量控制（QA/QC）程序。所有 QA/QC 步骤都将被详细记录，以确保透明性和可重复性。
    1. 范围检查，以剔除生理或物理上不合理的数值（例如极端心率或污染物浓度）。
    2. 检测并排除信号伪影（例如可穿戴设备数据中的运动相关噪声）。在适当情况下采用平滑或滤波处理（例如移动平均法）。
    3. 识别并处理缺失或稀疏的数据段。
  2. 预处理
    1. 原始传感器数据经过清洗（通过卡尔曼滤波校正 GPS 漂移），并使用基于 Python 的预处理工具包（例如 Pandas、GeoPandas、Tsfresh、Pyo3）结合多模态时间对齐方法与活动-出行日志进行同步。所有处理后的数据随后将整合至 M3-BREATHE 数据库中。
    2. 为确保环境暴露与生物特征测量之间的时间对齐，将所有数据流同步到统一的时间戳框架。在部署前使用基于网络的时间协议对设备时钟进行标准化。在数据处理过程中，将不同设备的时间戳对齐至一个共同的参考时间（例如 UTC），并通过线性插值或时间偏移校正来修正时钟漂移。
    3. 根据分析目标，将高频数据（例如可穿戴设备获取的心率）聚合至与环境测量相同的分辨率，或将环境数据调整至匹配高频数据的分辨率。通过插值或根据预定义的质量标准剔除数据，以处理缺失的时间戳或不规则的采样间隔。
    4. 将 GPS 数据与描述建成环境和自然环境的外部地理数据集结合处理，以提供个体暴露的上下文信息。通过整合 GPS 记录与 OpenStreetMap 数据及卫星衍生的植被指数（例如 NDVI）来计算绿色度暴露。通过应用最近邻法或基于缓冲区的空间对齐方法，解决高频 GPS 轨迹与低分辨率卫星环境图层之间的尺度差异问题。
    5. 对于每个 GPS 定位点，分配来自相交或最近像素的相应环境暴露值，或计算在指定缓冲半径内（例如 10 m、30 m）像素的加权平均值，以反映典型的 GPS 空间不确定性。确保环境暴露的时空分辨率与同步采集的生理和行为数据相兼容。
  3. 特征提取
    1. 使用关键指标对环境和移动健康监测数据进行总结，包括集中趋势指标（均值、中位数、加权均值）、极值（最大值、最小值、百分位数）、变异性（标准差、方差、变异系数、四分位距）以及时间模式（峰值频率、超过阈值的持续时间、变化率、昼夜、周或季节性变化）。
    2. 使用总暴露指标（平均浓度和吸入剂量）及曲线下面积（AUC）计算累积空气污染物暴露。利用以下关系式计算暴露时长（t）内的吸入污染物剂量（D）。
      流体动力学公式 D=CxVᵉₓt，用于计算流体位移的方程。
      其中每分钟通气量定义为：
      呼吸通气方程，VE=RR×VT，教学用公式示意图。
      其中 C 为吸入空气中污染物的浓度（µg/m3、ppb 或 ppm，取决于单位惯例）；静力平衡示意图，ΣFx=0 概念，展示梁系统上的力学平衡。 为每分钟通气量，即每分钟吸入的空气总体积（L/min）；RR 为呼吸频率（次/分钟）；VT 为潮气量，即每次呼吸吸入的空气体积（L/次）；t 为暴露持续时间（分钟）。
      注意：剂量 D 的单位为 µg，前提是将 静力平衡示意图，ΣFx=0 概念，展示梁系统上的力学平衡。 转换为 m3/min（即除以 1000），以保持单位一致性。
    3. 鉴于在真实世界环境中，佩戴于胸部的呼吸传感器通常价格昂贵且长时间连续佩戴负担较重，而相比之下，在受控临床实验中监测时长通常为数小时至数天，因此可利用智能手环获取的加速度计和陀螺仪数据，结合机器学习算法50,51 来评估呼吸频率。为提高评估准确性，通常使用随机森林模型作为过滤器，剔除导致呼吸频率读数不准确的数据，随后可采用卷积神经网络（CNN）模型提取呼吸频率52,53。
    4. 从 GPS 数据、基于智能手机的出行-活动日志以及手环加速度计的运动数据中提取行为特征。生成一组个体行为指标，用于分析环境暴露、行为与健康结局之间的关联。表 3 总结了行为、环境暴露和健康领域的多尺度特征谱。
      注：箭头表示行为、环境暴露和健康领域特征谱之间的顺序对齐。
  4. 数据分析
    1. 描述性与探索性分析
      1. 进行初步的描述性统计，以刻画所有变量的分布、集中趋势和变异性。
      2. 执行相关性分析和方差膨胀因子（VIF）检验。
      3. 使用时间序列图、箱线图和地理空间热图对暴露和健康数据进行可视化。
    2. 急性关联与时滞效应
      1. 采用分布滞后模型（DLMs）。
      2. 将暴露数据划分为时间区间。
      3. 进行敏感性分析。
      4. 应用时间序列方法（ARIMA、VAR）。
    3. 慢性关联与累积暴露
      1. 聚合暴露指标。
      2. 将暴露与重复的健康评估结果关联。
      3. 使用混合效应回归模型。
      4. 应用纵向分析或生存分析。
        注：必须考虑时间窗口策略。表 4 比较了不同的时间窗口选项。
    4. 行为中介与调节分析
      1. 使用结构方程模型（SEM）或因果分析探索中介效应。
      2. 检验调节效应。
    5. 暴露-反应函数与剂量-反应曲线
      1. 量化暴露-反应关系。
      2. 估计吸入剂量-反应函数。
      3. 探究非线性关联。
    6. 纵向与生命历程分析
      1. 评估慢性效应。
      2. 探索生命历程轨迹。
    7. 个性化治疗与干预
      1. 构建个性化特征谱。
      2. 识别高风险事件。
      3. 建议医学评估。
    8. 人群健康智能分析
      1. 生成暴露地图。
      2. 分析行为趋势。
      3. 评估健康不平等。
      4. 使用机器学习模型。
行为领域环境暴露领域健康领域
瞬时/短暂特征瞬时暴露特征短期健康特征
加速度计矢量幅值实时暴露心肺应激反应
瞬时活动强度急性暴露    心率、血压、心率变异性、血氧饱和度等的急性变化
事件/片段级特征事件级暴露特征    心电图心律失常事件
开始时间、结束时间、持续时间污染物平均浓度呼吸症状与肺功能
活动类型污染物累积暴露剂量    特定事件相关的通气率波动
场所类型峰值暴露    自报咳嗽与呼吸急促
室内/室外基于百分位数的暴露心理与健康状态
交通方式暴露变异性    经验取样法评估的情绪、压力、疲劳等
出行距离超过阈值的暴露持续时间事件级认知与情感负荷
出行平均速度AUC暴露急性暴露负担
出行目的室内与室外暴露中期健康特征
身体活动强度交通微环境暴露亚临床心血管标志物
呼吸模式工作场所/家庭/休闲场所暴露     静息心率或血压的持续升高
片段间及日级特征日级暴露特征     早期高血压风险评分
久坐中断及活动状态间的转换日平均暴露呼吸健康趋势
室内与室外环境间的转换日累积暴露剂量     呼吸系统症状发作频率
交通微环境间的转换日峰值暴露     肺功能下降（呼吸频率、SpO₂等）
活动–出行链每日峰值的频率/持续时间代谢与身体活动状态
活动/行程复杂性日最低暴露     每周累积MET-分钟数
活动-出行链日百分位暴露     活动强度分布
时间使用结构每日超过阈值的暴露持续时间睡眠与恢复健康
活动空间、回转半径、空间熵日AUC暴露     超出日常波动的疲劳持续性
总体出行方向日暴露变异性心理健康与幸福感
中高强度身体活动时间（MVPA）日暴露斜率（变化速率）     应激反应性、焦虑评分等
昼夜节律日峰值与均值比累积暴露风险
习惯性行为模式纵向暴露特征     平均污染物浓度与剂量
日常活动-出行的规律模式长期平均暴露长期健康特征
日常活动-出行模式的变异性长期累积暴露剂量心血管疾病风险与进展
昼夜节律的时型峰值暴露呼吸系统与肺部结局
周末/工作日昼夜节律差异峰值事件的频率/持续时间代谢与肥胖相关结局
移动行为的规律性（轨迹、通勤、方式等）基于百分位数的暴露心理健康结局
身体活动的长期趋势超过阈值的时间系统性健康与生物学衰老
久坐与活跃行为周期AUC暴露功能状态与生活质量结局
饮食时间与规律性日/周/月/季节性变异性生命历程健康轨迹
极端环境下的适应性行为暴露时间序列挖掘人群健康智能

表3：M3-BREATHE的多尺度数据特征。 该表格重点展示了行为学指标与短期、中期和长期健康结局之间的关联。

时间窗口使用场景建模方法优点缺点
1 小时极急性效应在LME或时间序列模型中纳入1小时移动平均作为协变量；或使用带小时滞后结构的DLNM可捕捉即时峰值；稀释效应最小噪声较高；需要高分辨率数据；对慢性效应洞察有限
24 小时每日（短期）在混合模型中使用24小时移动平均；或使用带1天滞后结构的DLNM或DLM降低噪声；与监管指标一致可能平滑掉峰值事件
7 天每周（亚急性）以7天平均值作为协变量；DLM模型中设置最长7天的滞后可反映短期暴露的累积效应模糊了每日变异；存在中等程度的平滑
30 天每月（中期）30天平均值；DLNM模型中采用月度滞后结构反映近期暴露负荷；结果更平滑忽略逐日波动；假设暴露累积为线性
90 天季节性（长期）90天平均值，或在约90天范围内分布滞后可捕捉季节性趋势过度平滑；易与季节性混杂因素混淆
365 天年度（长期）在LME或Cox模型中使用1年平均值适用于慢性风险分析；可控制季节性影响忽略急性变异；可能受老龄化趋势混杂

表4：时间窗口策略与分析方法。用于评估不同时间尺度下环境暴露的时间窗口策略及其相应分析方法的总结，重点说明其适用性、优势与局限性。

结果

以下代表性结果来自一项试点研究，该研究整合了便携式空气污染传感器、活动-出行日记以及基于事件的自报告主观幸福感（SWB）。参与者需在连续48小时（周五至周六或周日至周一）的日常活动和出行过程中随身携带便携式空气污染传感器，并填写相应的活动-出行日记。分析纳入了2017年12月至2018年2月期间，北京市梅和园住宅社区共112名有效参与者的资料。本初步分析重点关注PM2.5暴露（环境领域）、日常活动（行为领域）与认知型SWB（健康领域）之间的相互关系。尽管本试点研究尚未验证完整的M3-BREATHE流程，特别是生理信号（如HRV、呼吸频率）的整合以及实时暴露警报功能，但它为分析方法提供了一个示范性示例。未来工作需对完整的多模态系统进行端到端的全面验证。

为验证端到端的 M3-BREATHE 流程，我们评估了数据完整性（GPS 数据捕获率为 99.3%，空气污染监测数据捕获率为 93.2%）、同步准确性（多模态数据之间的时间异步性 ≤1 秒）以及校准有效性（低成本传感器在共位校准后测得的 PM2.5 数据与科研级参考仪器的皮尔逊相关系数为 r=0.86）。该流程整合了 GPS 轨迹数据、环境暴露数据和自报告日记数据，能够识别特定活动的暴露模式及暴露-健康关联。这些结果证实了 M3-BREATHE 方案在真实世界环境中进行暴露-健康监测的可重复性与可靠性。

图1展示了在不同日常活动和出行过程中，PM2.5的平均暴露浓度（蓝色柱状图，左侧坐标轴）与认知型主观幸福感（SWB）评分（橙色折线，右侧坐标轴）的变化情况。结果显示，PM2.5暴露浓度因活动类型而存在显著差异。睡眠期间的平均暴露水平最高，表明居家室内空气中存在较高浓度的污染。这可能是因为研究区域相较于北京市其他地区污染程度相对较高。其他暴露浓度持续较高的活动包括上网、娱乐、学习和散步，其浓度均超过20 µg/m3。中等暴露浓度出现在工作、体力活动、照护他人和出行等活动中（15–20 µg/m3）。个人事务、就医、用餐和个人护理等活动的暴露水平最低（5–15 µg/m3）。根据本项初步研究，这些差异反映了各类活动所处的具体环境背景（室内与室外、静止与活动状态）。相比之下，认知型SWB评分在不同活动间的波动较小，在1–5分的不满意量表上，评分范围仅介于1.7至2.3之间。就医和出行相关的满意度评分最低，其次是个人事务和工作；而体力活动、娱乐和社会活动的满意度评分最高，这些活动通常本身即具有内在回报性。

研究发现，与较高PM2.5暴露浓度相关的活动类型并不总是对应较低的认知主观幸福感（SWB），表明PM2.5暴露与自报认知SWB之间存在解耦模式。例如，体育锻炼和娱乐活动可能同时伴随较高的暴露水平和较高的认知SWB评分。这可能反映出PM2.5暴露的健康风险可能被忽视或未被有意识地与认知SWB联系起来，这或许是因为PM2.5具有不可见的特性，使其在环境中更具隐蔽性且难以察觉。相比之下，SO2、NOx和O3等污染物具有更易察觉的特征。例如，SO2具有明显的硫磺气味，而NOx通常与工业过程和机动车尾气排放的可见烟雾相关联。这些气态污染物可立即引起眼睛、咽喉和呼吸系统的刺激，因此无需专业设备即可较容易地察觉并作出反应。然而，PM2.5是最危险的污染物，因为它能够穿透肺部的气体交换区域（肺泡），极细小的颗粒甚至可能穿过肺组织影响其他器官，从而对循环系统造成损害59。该发现凸显了PM2.5所带来的独特挑战：其难以感知的特性和严重的健康影响使其成为各类日常活动中一个关键但常被低估的环境风险。

PM₂.₅暴露与认知主观幸福感；柱状图与折线图；活动类型；污染研究分析。

图1：不同日常活动类型下的PM2.5暴露浓度与认知主观幸福感（SWB）。认知主观幸福感（SWB）采用李克特量表测量，范围为1（非常满意）至5（非常不满意）。该图展示了各类活动中的细颗粒物（PM2.5，µg/m3）暴露水平及其对应的幸福感评分变化。数据点表示观测值。请点击此处查看此图的放大版本。

为了探讨空气污染暴露与主观幸福感（SWB）之间的关系，本项试点研究采用了广义加性模型（GAM），以允许存在灵活的非线性效应。模型中使用平滑函数分别对同期空气污染暴露（AAP）以及前一次活动的滞后暴露（AAP_1）进行拟合，同时将社会人口学特征（性别、年龄、户口、教育程度、婚姻状况和收入）作为控制变量纳入分析。结果显示，AAP 和 AAP_1 对 SWB 均无统计学显著影响，其 p 值分别为 0.234 和 0.266。尽管估计的平滑项提示存在某些非线性模式，但这些效应并不稳健（图2）。相比之下，某些个体特征与 SWB 的关联更强。

这些发现表明，无论是同期暴露还是滞后一个活动时段的短期空气污染暴露，均不会对主观幸福感（SWB）产生显著影响。一种可能的解释是，个体可能不会立即对空气质量的短期波动产生反应，或者此类效应需要更长时间或累积性暴露才能被检测到。未来的研究可以通过纳入多种滞后结构（例如，来自此前多个活动时段的暴露）、采用基于时间的测量指标（例如，以分钟为单位的暴露时长），或应用其他建模方法（如分布滞后模型或机器学习方法），进一步拓展本分析，以更准确地捕捉空气污染对幸福感的动态和累积效应。

AAP分析图；折线图比较AAP效应；数据分析波动模式。
图2：当前和滞后空气污染暴露对主观幸福感的非线性效应。曲线表示模型推导出的随时间变化的效应估计值，突出短期波动和延迟响应。AAP表示同期暴露，AAP₁表示滞后一个时间单位（例如1天）的暴露。请点击此处查看该图的放大版本。

讨论

实施M3-BREATHE方案的关键步骤是多模态设备的可靠设置与同步，因为数据完整性在很大程度上依赖于可穿戴传感器、便携式环境监测仪与智能手机应用程序之间稳定的连接。在启动调查之前，必须确保所有传感器均按照制造商的规格进行校准。理想情况下，便携式环境监测设备（特别是空气污染监测仪）在部署前应与科研级参考仪器进行同地点比对和校准，以确保研究用途下测量结果的有效性和准确性。

在受控的临床实验或短期、小规模的调查中，使用胸部佩戴式呼吸带可提供高保真的呼吸参数（呼吸频率、潮气量、心电图），其准确性优于基于腕部的传感器，并可作为验证这些传感器算法估算值的交叉验证依据。相比之下，在自然环境下的长期监测中（包括消费者自愿参与的场景），智能腕带与智能手机应用程序的组合更为理想，因为这些设备侵扰性更小，有助于提高参与者的持续依从性。对于资源有限或关注参与者负担的研究，建议采用最低配置方案，包括一个智能腕带、一个智能手机应用程序和一台单一污染物监测仪。其他传感器（例如胸部佩戴式呼吸带、专用光照追踪器）应根据具体的研究目标和预算酌情添加。针对受控临床实验以及真实世界中的长期研究/实践，对M3-BREATHE方案的适应性调整建议详见表5。

数据域指标（缩写）对照临床试验真实世界纵向研究/实践
胸部佩戴式传感器智能腕带便携式环境监测仪智能手机应用程序智能腕带便携式环境监测仪智能手机应用程序
生理学心率（HR）ΟΟΟΟΟΟΟΟ
心率变异性（HRV）ΟΟΟΟΟΟΟΟ
呼吸频率（RR）ΟΟΟΟΟΟΟ
潮气量（TV）ΟΟΟΟΟ
心电图（ECG）ΟΟΟΟΟΟΟΟ
血压（BP）ΟΟΟΟΟ
血氧饱和度（SpO₂）ΟΟΟΟΟ
代谢当量（METs）ΟΟΟΟΟ
皮肤温度（ST）ΟΟΟ
加速度计（ACC）ΟΟΟΟΟ
环境细颗粒物（PM2.5、PM10）ΟΟΟΟΟΟ
一氧化碳（CO）ΟΟΟΟΟ
二氧化氮（NO₂）ΟΟΟΟΟ
硫 二氧化硫（SO₂）ΟΟΟ
挥发性有机物
挥发性有机化合物（VOCs）		ΟΟΟΟ
噪声（N）ΟΟΟΟΟΟΟ
温度（T）ΟΟΟΟΟ
相对湿度（RH）ΟΟΟ
光照（照度）ΟΟΟΟΟ
光照暴露（昼夜节律光A）ΟΟΟ
绿色度ΟΟΟΟ
行为学 & 情境GPS 位置/轨迹ΟΟΟΟΟΟ
活动-出行日记（ATD）ΟΟΟΟ
生态瞬时
评估（EMA）		ΟΟΟ
基线特征（BC） ΟΟΟΟΟΟ
注：ΟΟΟ，最小套装；ΟΟ，标准套装；Ο，替代选项

表5：M3-BREATHE 方案适应性调整建议。 不同研究环境下测量领域及仪器配置水平的汇总（ΟΟΟ 最低要求；ΟΟ 标准配置；Ο 替代选择）。

在不同场景下应用本方案时，需要进行若干修改并采取相应的故障排除策略。首先，当监测设备与智能手机之间发生断连，或出现超过30分钟的无效数据或无数据情况（例如，由于传感器故障或皮肤接触不良导致健康参数数据丢失）时，应自动生成报告发送给研究人员，以便及时联系参与者解决问题。研究人员也可定期进行数据完整性检查。其次，在长期实施该方案的过程中，设备依从性和电池管理可能面临更大挑战。参与者可能偶尔会忘记佩戴智能腕带、为移动电源充电或填写活动-出行日记。应用程序内的自动化提醒、后端监测以及每日日记提示是有效的应对措施。

尽管M3-BREATHE具有诸多优势，但仍存在若干局限性。智能胸带虽能提供精确的呼吸测量数据，但由于给受试者带来较大负担，通常不适用于长期真实环境下的监测60。因此，建议采用基于腕带的测量方法及呼吸评估算法，但这些方法在估算潮气量或检测细微心律失常方面准确性较低，且其性能可能受到运动伪影的影响61。此外，使用多种环境监测设备会增加潜在连接故障、时钟不同步或传感器故障的可能性。应开发一种集成化的模块化设备用于多污染物监测，或采用其他替代方案（例如基于智能手机的噪声监测），以在保持测量精度的同时尽量减小设备体积并提高便携性62。同时，依赖应用程序内自我报告系统（如活动-出行日记、医疗记录）可能引入回忆偏倚，并增加长期依从性负担63。可采用基于机器学习的活动与出行识别技术64，并通过简单的单击接口将医疗提供方的治疗记录无缝接入智能手机应用程序中。

这一具有远见的现实世界M3-BREATHE系统建立了一个可扩展、非侵入性且成本效益高的平台，用于纵向环境-移动-健康（E-M-H）关联研究与实践，推动了现有方法的进步。传统的空间流行病学通常依赖固定站点监测或以居住地作为暴露评估的代理指标，因而易受到可变面元单位问题（modifiable areal unit problem, MAUP）和不确定地理背景问题（uncertain geographic context problem, UGCoP）的影响21,65。通过整合多模态、高时空分辨率的行为、生理和环境暴露数据，该系统朝着无需依赖特定空间框架的个体化暴露评估迈进，有助于揭示环境与健康关系中行为层面的“黑箱”机制66,67。该系统支持对剂量-反应动态关系进行个体和群体层面的深入解析，将实时多污染物暴露与生理反应及健康结局相联系，从而实现个体化治疗与干预、公共卫生监测，以及连接环境暴露、日常活动与移动模式和健康结局的转化研究68，同时促进个体对健康的自我管理和环境暴露风险的规避69（例如，基于个人历史E-M-H特征的日常活动规划工具，用于避免高风险暴露）。

M3-BREATHE 的未来应用包括：（1）与人工智能驱动的实时干预系统整合，通过个性化的暴露警报触发适应性行为建议（例如，在细颗粒物 PM2.5 暴露高峰期间调整通勤路线）；（2）在脆弱人群（如老年人、哮喘患者）中推广应用，以评估特定疾病相关的暴露-健康关联，并支持精准医学研究；（3）结合基因组数据，揭示慢性疾病发展中的基因-环境相互作用；（4）进一步小型化集成模块化环境传感器，以降低受试者的使用负担并提高长期依从性；（5）在不同城市及国家间推广，生成全球性的环境-暴露-健康（E-M-H）数据集，支持比较性环境健康研究。此外，通过更换相应的便携式传感器，该方案还可适用于监测其他环境风险因素。

披露

作者声明不存在竞争利益。

材料

本文使用的材料清单
姓名公司目录编号评论
AirBeam生境图AirBeam-3PM1、PM2.5、PM10、温度、湿度
AirVisual ProIQAirPro空气质量指数，  PM2.5、CO2、温度、湿度 
Atmotube ProAtmotubeProPM1、PM2.5、PM10、TVOC、温度、湿度、大气压
BioNomadix BioShirtBioPacBN-BIOSHIRT-Fx内置织物电极和呼吸传感器的无线智能衬衫，可记录心电图和呼吸信号。
Extech SL355 个人噪声剂量计ExtechSL355记录声压级（SPL）、等效连续声级（Leq）、峰值（Peak）等参数
Fitbit SenseFitbit2心率，心电图，血氧饱和度2压力水平、睡眠、GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-charger心率、血压、心电图、血糖、血氧饱和度2睡眠、运动模式
GAOTek 便携式个人噪声剂量计高 TekASLM-341记录SPL、Leq、Peak等参数
Go Direct 呼吸带VernierGDX-RB使用应变或扩张传感器检测胸腔扩张或收缩的胸带式呼吸监测仪
Hexoskin 智能衬衫HexoskinN/A集成纺织传感器的智能服装，用于持续监测呼吸频率、心率、通气量、活动、睡眠等指标
华为手环华为9心率，SpO2睡眠阶段，呼吸频率，心律失常检测
Inkbird 空气质量监测仪InkbirdN/APM2.5、PM10、HCHO、TVOC、CO、CO2温度，湿度
La Roche-Posay My Skin Track UVLa Roche-Posay我的皮肤追踪紫外线夹在衣物上；可测量UVA和UVB；太阳能供电 
微型光剂量计WearifiBLE 光剂量计多达8通道的光谱剂量测定（例如紫外光） → 红外辐射（IR）可测量累积光剂量，适用于长期暴露监测。
Moto Watch 120摩托罗拉https://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375心率、睡眠、血氧饱和度2、压力监测、100 多种运动模式
个人噪声剂量计 SV-104ASvantekSV 104ASPL、Leq、TWA、Peak 等日志
Prana Air Pocket PM2.5 监测仪PranaAir N/APM1、PM2.5、PM10、空气质量指数
智能健康手环VIYIWOKhttps://www.ebay.com/itm/306538996133心率、睡眠、压力、运动模式
智能手表健身追踪器TYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed心率，SpO2睡眠、步数、卡路里
SunSprite 个人光照追踪器GoodLux TechnologySunSprite夹在衣物上；可测量可见光和紫外线；太阳能供电
Temtop 空气监测站 ‎ElitechP1，M2000PM2.5、PM10、空气质量指数、温度、湿度和天气
小米智能手环小米9心率，SpO2睡眠阶段，应激水平

参考文献

  1. Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
  2. Zinsstag, J., et al. Advancing one human-animal-environment health for global health security: what does the evidence say. Lancet. 401 (10376), 591-604 (2023).
  3. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  4. Tian, Y., Chen, C., Sagoe-Crentsil, K., Zhang, J., Duan, W. Intelligent robotic systems for structural health monitoring: Applications and future trends. Autom. Constr. 139, 104273(2022).
  5. Wong, D. W. The modifiable areal unit problem (MAUP). WorldMinds: Geographical Perspectives on 100 Problems: Commemorating the 100th Anniversary of the Association of American Geographers 1904-2004. , Springer Netherlands. Dordrecht. 571-575 (2004).
  6. Parenteau, M. P., Sawada, M. C. The modifiable areal unit problem (MAUP) in the relationship between exposure to NO₂ and respiratory health. Int. J. Health Geogr. 10 (1), 58(2011).
  7. Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
  8. Cai, G., Hao, Y. Guiding geospatial analysis processes in dealing with modifiable areal unit problems. 13th Int. Conf. on Geographic Information Science (GIScience 2025), , Schloss Dagstuhl-Leibniz-Zentrum für Informatik. 14-1 (2025).
  9. Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
  10. Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
  11. Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
  12. Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
  13. Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
  14. Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
  15. Fang, T. B., Lu, Y. Personal real-time air pollution exposure assessment methods promoted by information technological advances. Ann. GIS. 18 (4), 279-288 (2012).
  16. Kwan, M. P. The limits of the neighborhood effect: contextual uncertainties in geographic, environmental health, and social science research. Ann. Am. Assoc. Geogr. 108 (6), 1482-1490 (2018).
  17. Liu, Y., Kwan, M. P., Yu, C. The uncertain geographic context problem (UGCoP) in measuring people’s exposure to green space using the integrated 3S approach. Urban For. Urban Green. 85, 127972(2023).
  18. Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
  19. Fusco, G., Caglioni, M., Emsellem, K., Merad, M., Moreno, D., Voiron-Canicio, C. Questions of uncertainty in geography. Environ. Plan. A. 49 (10), 2261-2280 (2017).
  20. Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
  21. Park, Y. M., Kwan, M. P. Individual exposure estimates may be erroneous when spatiotemporal variability of air pollution and human mobility are ignored. Health Place. 43, 85-94 (2017).
  22. Ma, J., Tao, Y., Kwan, M. P., Chai, Y. Assessing mobility-based real-time air pollution exposure in space and time using smart sensors and GPS trajectories in Beijing. Smart Spaces and Places. , Routledge. 102-116 (2021).
  23. Thomas, D., Stram, D., Dwyer, J. Exposure measurement error: influence on exposure-disease relationships and methods of correction. Annu. Rev. Public Health. 14 (1), 69-93 (1993).
  24. Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
  25. Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
  26. Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
  27. Wei, L., et al. Validity of mobility-based exposure assessment of air pollution: A comparative analysis with home-based exposure assessment. Environ. Sci. Technol. 58 (24), 10685-10695 (2024).
  28. Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
  29. Tian, W., Cao, K., Feng, Q. The impact of environmental exposure on the health of older adults: A review from the GIScience perspective. Trans. GIS. 29 (3), e70056(2025).
  30. Reck, D. J., Martin, H., Axhausen, K. W. Mode choice, substitution patterns and environmental impacts of shared and personal micro-mobility. Transp. Res. D Transp. Environ. 102, 103134(2022).
  31. Brottrager, M., Crespo Cuaresma, J., Kniveton, D., Ali, S. H. Natural resources modulate the nexus between environmental shocks and human mobility. Nat. Commun. 14 (1), 1393(2023).
  32. Guo, W., He, J., Yang, W. Association between outdoor jogging behavior and PM₂.₅ exposure: Evidence from massive GPS trajectory data in Beijing. Sci. Total Environ. 947, 174759(2024).
  33. Cyriac, J., et al. Improvements in diet and physical activity–related psychosocial factors among African Americans using a mobile health lifestyle intervention to promote cardiovascular health: The FAITH! App pilot study. JMIR Mhealth Uhealth. 9 (11), e28024(2021).
  34. Rafiq, R., McNally, M. G., Uddin, Y. S., Ahmed, T. Impact of working from home on activity-travel behavior during the COVID-19 Pandemic: An aggregate structural analysis. Transp. Res. A Policy Pract. 159, 35-54 (2022).
  35. Farnham, A., et al. Travel behaviours and health outcomes during travel: profiling destination-specific risks in a prospective mHealth cohort of Swiss travellers. Travel Med. Infect. Dis. 47, 102294(2022).
  36. Fanning, J., Brooks, A. K., Irby, M. B., N’Dah, K. W., Rejeski, W. J. Associations between patterns of daily stepping behavior, health-related quality of life, and pain symptoms among older adults with chronic pain: A secondary analysis of two randomized controlled trials. Clin. Interv. Aging. , 459-470 (2024).
  37. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health and Place. 94, 103477(2025).
  38. Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
  39. Kickbusch, I., et al. The Lancet and Financial Times Commission on governing health futures 2030: growing up in a digital world. Lancet. 398 (10312), 1727-1776 (2021).
  40. Poongodi, M., Sharma, A., Hamdi, M., Maode, M., Chilamkurti, N. Smart healthcare in smart cities: Wireless patient monitoring system using IoT. J. Supercomput. 77 (11), (2021).
  41. Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
  42. Almotiri, S. H., Khan, M. A., Alghamdi, M. A. Mobile health (m-health) system in the context of IoT. 2016 IEEE 4th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), , 39-42 (2016).
  43. Tiele, A., Esfahani, S., Covington, J. Design and development of a low-cost, portable monitoring device for indoor environment quality. J. Sens. 2018 (1), 5353816(2018).
  44. van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
  45. Fischer, T., Schraivogel, S., Caversaccio, M., Wimmer, W. Are smartwatches a suitable tool to monitor noise exposure for public health awareness and otoprotection. Front. Neurol. 13, 856219(2022).
  46. Haddad, C., Sacre, H., Obeid, S., Salameh, P., Hallit, S. Validation of the Arabic version of the “12-item short-form health survey” (SF-12) in a sample of Lebanese adults. Arch. Public Health. 79 (1), 56(2021).
  47. Wade, D., Varker, T., Forbes, D., O'Donnell, M. The Alcohol Use Disorders Identification Test-Consumption (AUDIT-C) in the assessment of alcohol use disorders among acute injury patients. Alcohol. Clin. Exp. Res. 38 (1), 294-299 (2014).
  48. Lee, P. H., Macfarlane, D. J., Lam, T. H., Stewart, S. M. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int. J. Behav. Nutr. Phys. Act. 8 (1), 115(2011).
  49. Farrahi Moghaddam, J., Nakhaee, N., Sheibani, V., Garrusi, B., Amirkafi, A. Reliability and validity of the Persian version of the Pittsburgh Sleep Quality Index (PSQI-P). Sleep Breath. 16 (1), 79-82 (2012).
  50. Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
  51. Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
  52. Hernandez, J., McDuff, D., Picard, R. W. Biowatch: estimation of heart and breathing rates from wrist motions. 2015 9th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth), , 169-176 (2015).
  53. Natarajan, A., Su, H. W., Heneghan, C., Blunt, L., O’Connor, C., et al. Measurement of respiratory rate using wearable devices and applications to COVID-19 detection. NPJ Digit. Med. 4 (1), 136(2021).
  54. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health Place. 94, 103477(2025).
  55. Yu, M., et al. Developing high-resolution PM2.5 exposure models by integrating low-cost sensors, automated machine learning, and big human mobility data. Front. Environ. Sci. 11, 1223160(2023).
  56. Xia, C., Yeh, A. G. Mobility as a response to environmental hazards in the urban context: A new perspective on mobility and inequality. Travel Behav. Soc. 27, 192-203 (2022).
  57. Guo, W., Chai, Y., Kwan, M. P. Travel-related exposure to air pollution and its socio-environmental inequalities: Evidence from a week-long GPS-based travel diary dataset. Spatiotemporal Analysis of Air Pollution and Its Application in Public Healt. , 293-309 (2020).
  58. Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
  59. Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
  60. Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
  61. Mayorga-Vega, D., Casado-Robles, C., López-Fernández, I., Viciana, J. Activity wristband-based physical activity recommendations in young people. Sci. Sports. 37 (4), 303-315 (2022).
  62. Fanti, G., et al. Features and practicability of the next-generation sensors and monitors for exposure assessment to airborne pollutants: a systematic review. Sensors. 21 (13), 4513(2021).
  63. Möller, A., Kranz, M., Schmid, B., Roalter, L., Diewald, S. Investigating self-reporting behavior in long-term studies. Proc. SIGCHI Conf. Hum. Factors Comput. Syst, , 2931-2940 (2013).
  64. Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
  65. Li, J., et al. Five-year lung cancer mortality risk analysis and topography in Xuan Wei: a spatiotemporal correlation analysis. BMC Public Health. 19 (1), 173(2019).
  66. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  67. Guo, W., Schwanen, T., Brand, C., Chai, Y. Exploring the complex relationships between air pollution, life satisfaction and mental health through the lens of daily activity-travel patterns: The case of a suburban residential community in Beijing. J. Transp. Geogr. 127, 104300(2025).
  68. Kaufman, J. D., Curl, C. L. Environmental health sciences in a translational research framework: more than benches and bedsides. Environ. Health Perspect. 127 (4), 045001(2019).
  69. Peerbolte, T. F., et al. Conversational agents supporting self-management in people with a chronic disease: systematic review. J. Med. Internet Res. 27, e72309(2025).

重印与许可

探索更多文章

移动健康监测多模态监测生理信号环境暴露呼吸功能GPS追踪机器学习预警个性化健康评估城市环境数据纵向健康监测
真实世界M3-BREATHE：迈向用于治疗与健康评估的行为、呼吸及暴露多模态移动监测
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。