Name: 真实世界的M3-BREATHE：迈向多模态移动监测行为、呼吸和暴露，用于治疗和健康评估 (视频) | JoVE Journal
Uploaded: 2026-06-05T13:25:00.000+00:00
Duration: 9 min 50 s
Description: 了解M3-BREATHE多模态移动监测系统，整合移动健康设备、环境传感器与GPS智能手机应用，实现行为、呼吸功能及环境暴露的同步数据采集。该系统通过机器学习预警提供可操作的呼吸健康洞察，支持临床实验与真实场景部署，建立可扩展、非侵入式的纵向环境-移动-健康监测平台。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

作者声明不存在竞争利益。

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。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td rowspan="2">数据域</td>
			<td rowspan="2">指标（缩写）</td>
			<td colspan="4">对照临床试验</td>
			<td colspan="3">真实世界纵向研究/实践</td>
		</tr>
		<tr>
			<td>胸部佩戴式传感器</td>
			<td>智能腕带</td>
			<td>便携式环境监测仪</td>
			<td>智能手机应用程序</td>
			<td>智能腕带</td>
			<td>便携式环境监测仪</td>
			<td>智能手机应用程序</td>
		</tr>
		<tr>
			<td>生理学</td>
			<td>心率（HR）</td>
			<td>ΟΟΟ</td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>心率变异性（HRV）</td>
			<td>ΟΟΟ</td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>呼吸频率（RR）</td>
			<td>ΟΟΟ</td>
			<td>Ο</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>潮气量（TV）</td>
			<td>ΟΟ</td>
			<td>Ο</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>心电图（ECG）</td>
			<td>ΟΟΟ</td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>血压（BP）</td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>血氧饱和度（SpO₂）</td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>代谢当量（METs）</td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>皮肤温度（ST）</td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>加速度计（ACC）</td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>环境</td>
			<td>细颗粒物（PM2.5、PM10）</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>一氧化碳（CO）</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>二氧化氮（NO₂）</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>硫&#160;二氧化硫（SO₂）</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>挥发性有机物 
			挥发性有机化合物（VOCs）</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>噪声（N）</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td>Ο</td>
			<td></td>
			<td>Ο</td>
			<td>ΟΟ</td>
		</tr>
		<tr>
			<td></td>
			<td>温度（T）</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>相对湿度（RH）</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>光照（照度）</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>光照暴露（昼夜节律光A）</td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
			<td></td>
		</tr>
		<tr>
			<td></td>
			<td>绿色度</td>
			<td></td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
		</tr>
		<tr>
			<td>行为学 &amp;#38; 情境</td>
			<td>GPS 位置/轨迹</td>
			<td></td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
		</tr>
		<tr>
			<td></td>
			<td>活动-出行日记（ATD）</td>
			<td></td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
		</tr>
		<tr>
			<td></td>
			<td>生态瞬时 
			评估（EMA）</td>
			<td></td>
			<td></td>
			<td></td>
			<td>ΟΟ</td>
			<td></td>
			<td></td>
			<td>Ο</td>
		</tr>
		<tr>
			<td></td>
			<td>基线特征（BC）&#160;</td>
			<td></td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
			<td></td>
			<td></td>
			<td>ΟΟΟ</td>
		</tr>
		<tr>
			<td colspan="9">注：ΟΟΟ，最小套装；ΟΟ，标准套装；Ο，替代选项</td>
		</tr>
	</tbody>
</table>
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。

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）。

<table><tbody><tr><td>AirBeam</td><td>生境图</td><td>AirBeam-3</td><td>PM1、PM2.5、PM10、温度、湿度</td></tr><tr><td>AirVisual&amp;nbsp;Pro</td><td>IQAir</td><td>Pro</td><td>空气质量指数，&amp;nbsp; PM2.5、CO2、温度、湿度&amp;nbsp;</td></tr><tr><td>Atmotube Pro</td><td>Atmotube</td><td>Pro</td><td>PM1、PM2.5、PM10、TVOC、温度、湿度、大气压</td></tr><tr><td>BioNomadix BioShirt</td><td>BioPac</td><td>BN-BIOSHIRT-Fx</td><td>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。</td></tr><tr><td>Extech SL355 个人噪声剂量计</td><td>Extech</td><td>SL355</td><td>记录声压级（SPL）、等效连续声级（Leq）、峰值（Peak）等参数</td></tr><tr><td>Fitbit Sense</td><td>Fitbit</td><td>2</td><td>心率，心电图，血氧饱和度&lt;sub&gt;2&lt;/sub&gt;压力水平、睡眠、GPS</td></tr><tr><td>FITVII GT5 Pro Max</td><td>FITVII</td><td>https://fitvii.com/products/gt5-pro-charger</td><td>心率、血压、心电图、血糖、血氧饱和度&lt;sub&gt;2&lt;/sub&gt;睡眠、运动模式</td></tr><tr><td>GAOTek 便携式个人噪声剂量计</td><td>高 Tek</td><td>ASLM-341</td><td>记录SPL、Leq、Peak等参数</td></tr><tr><td>Go Direct 呼吸带</td><td>Vernier</td><td>GDX-RB</td><td>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</td></tr><tr><td>Hexoskin 智能衬衫</td><td>Hexoskin</td><td>N/A</td><td>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</td></tr><tr><td>华为手环</td><td>华为</td><td>9</td><td>心率，SpO&lt;sub&gt;2&lt;/sub&gt;睡眠阶段，呼吸频率，心律失常检测</td></tr><tr><td>Inkbird 空气质量监测仪</td><td>Inkbird</td><td>N/A</td><td>PM2.5、PM10、HCHO、TVOC、CO、CO&lt;sub&gt;2&lt;/sub&gt;温度，湿度</td></tr><tr><td>La Roche-Posay My Skin Track UV</td><td>La Roche-Posay</td><td>我的皮肤追踪紫外线</td><td>夹在衣物上；可测量UVA和UVB；太阳能供电&amp;nbsp;</td></tr><tr><td>微型光剂量计</td><td>Wearifi</td><td>BLE 光剂量计</td><td>多达8通道的光谱剂量测定（例如紫外光） &amp;rarr; 红外辐射（IR）可测量累积光剂量，适用于长期暴露监测。</td></tr><tr><td>Moto Watch 120</td><td>摩托罗拉</td><td>https://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375</td><td>心率、睡眠、血氧饱和度&lt;sub&gt;2&lt;/sub&gt;、压力监测、100 多种运动模式</td></tr><tr><td>个人噪声剂量计 SV-104A</td><td>Svantek</td><td>SV 104A</td><td>SPL、Leq、TWA、Peak 等日志</td></tr><tr><td>Prana Air Pocket PM2.5 监测仪</td><td>PranaAir&amp;nbsp;</td><td>N/A</td><td>PM1、PM2.5、PM10、空气质量指数</td></tr><tr><td>智能健康手环</td><td>VIYIWOK</td><td>https://www.ebay.com/itm/306538996133</td><td>心率、睡眠、压力、运动模式</td></tr><tr><td>智能手表健身追踪器</td><td>TYKOIT</td><td>https://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed</td><td>心率，SpO&lt;sub&gt;2&lt;/sub&gt;睡眠、步数、卡路里</td></tr><tr><td>SunSprite 个人光照追踪器</td><td>GoodLux Technology</td><td>SunSprite</td><td>夹在衣物上；可测量可见光和紫外线；太阳能供电</td></tr><tr><td>Temtop 空气监测站&amp;nbsp;</td><td>&amp;lrm;Elitech</td><td>P1，M2000</td><td>PM2.5、PM10、空气质量指数、温度、湿度和天气</td></tr><tr><td>小米智能手环</td><td>小米</td><td>9</td><td>心率，SpO&lt;sub&gt;2&lt;/sub&gt;睡眠阶段，应激水平</td></tr></tbody></table>

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

Real-World M3-BREATHE: Toward Multimodal Mobile Monitoring of Behaviour, Respiration, and Exposures for Treatment and Health Evaluation

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。

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。
<img alt="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。" class="xfigimg" src="/files/ftp_upload/69900/69900fig1.jpg" data-altupdatedat="1785816036000" data-alt="图1">
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。<a href="https://www.jove.com/files/ftp_upload/69900/69900fig1large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
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。
<img alt="AAP分析图；折线图比较AAP效应；数据分析波动模式。" class="xfigimg" src="/files/ftp_upload/69900/69900fig2.jpg" data-altupdatedat="1785816036000" data-alt="图2"> 
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。<a href="https://www.jove.com/files/ftp_upload/69900/69900fig2large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>

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。

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

移动健康（mHealth）技术在持续、实时监测生理和行为信号方面的整合，结合……

M3-BREATHE 应用程序用于整合行为、呼吸和暴露数据，研究活动性如何影响实时健康风险和健康结局。现有研究通常使用静止位置数据，而忽略了活动性信息。本方案可采集跨行为、生理和暴露的高分辨率同步个体水平数据。首先，将集成传感器的衬衫或胸带直接贴身穿戴在衣物下方，确保与皮肤充分接触。调整松紧度，使其贴合且舒适，同时不妨碍呼吸或活动。通过检查深吸气时传感器是否滑动，确认其与皮肤接触稳定。确保传感器已充满电，并通过蓝牙将其与智能手机配对，以实现实时监测。通过专用应用程序确认配对成功，并确保智能手机与连接设备之间的多模态数据流能够自动同步。在选择心率传感器后，验证心率及RR间期（RRI）数值是否正在智能手机上动态记录。设置智能腕带时，选择非优势手手腕，并将设备固定于尺骨茎突近端。调整表带，确保传感器与皮肤接触良好，同时可插入一个指尖。确认光电容积脉搏波（PPG）传感器与皮肤保持持续且贴合的接触。打开配套应用程序后，通过蓝牙将腕带连接至智能手机。在应用程序中确认配对状态并完成腕带的设置。将位置访问权限设置为“始终”，并开启运动与健身功能选项。监测心血管指标，包括以每分钟心跳次数（bpm）表示的心率（HR）、以毫秒（ms）表示的心率变异性（HRV）、以毫米汞柱（mmHg）表示的血压（BP），以及以毫伏（mV）表示的心电图（ECG）。同样，监测呼吸频率，并结合心率和RRI等其他参数进行观察。在健康测量菜单中，选择SpO₂以查看每日或数周、数月乃至数年期间血氧饱和度百分比的变化情况。在统计菜单中，选择活动卡路里以查看运动分解情况以及按日、周、月或年趋势显示的实时运动数据。通过在健康测量菜单中选择体温选项以及来自加速度计的运动数据，跟踪每日、每周或每月的外周皮肤温度（单位为摄氏度）。确认所有指标均可见，包括运动数据、睡眠、体重管理、心血管、呼吸和温度数据，以及汇总信息。对于环境传感器的设置，使用适当的 USB 线缆将环境传感设备连接到便携式移动电源，以支持 24 小时连续运行。将多污染物空气质量监测仪、噪声传感器和温度传感器放置在受试者背包的网状侧袋中。监测颗粒物等空气污染参数。每立方米空气中 PM 2.5 的微克数值。通过测量实时分贝值评估噪声污染，并利用温度传感器获取摄氏度的温度数据。接下来，将光照暴露追踪器固定在肩带外侧，用于测量照度（单位为勒克斯）以及昼夜节律光 A（CLA）值（范围为 0 到 1）。指导受试者在24小时内于日常活动中携带背包，并每晚为移动电源充电。确认所有传感器均已开机并实时传输环境数据，包括空气颗粒物和甲醛浓度。在菜单中开启蓝牙功能，并将位置访问权限设置为“始终”。将应用程序配置为以一分钟的间隔记录 GPS 位置数据，并每五分钟同步一次传感器数据。在设备界面中，选择“结束运动”以完成数据同步。在设备界面中，选择活动记录，以确认所有日常追踪提醒均已设置为开启状态。选择心率选项，以确认已启用连续心率监测功能。在情绪健康部分，确认情绪压力记录功能已开启。然后启用通知和云端数据同步功能。在血氧水平下，确认自动 SpO2 功能已启用。查看一段短时测试记录，以确保数据的完整性和准确性，检查所有数据流的时间戳是否正确以及数值是否合理。在行动中心记录日常活动的不同模式和出行片段，并同步记录 GPS 轨迹。向参与者提供操作指导材料，包括设备使用手册和视频。收集参与者的性别、年龄、体重、身高和婚姻状况等人口统计学数据。指导参与者持续佩戴生理传感器并携带环境监测设备24小时。提醒参与者每天为移动电源充电，以保持设备持续运行和数据完整。通过手动检查或自动后端警报监控数据流。在卡路里记录下方，输入不同餐次的饮食日志，包括早餐、午餐、晚餐或加餐。不同日常活动中的PM 2.5平均浓度和主观幸福感评分存在显著差异，室内与室外、久坐与活动状态下的暴露水平差异尤为明显。睡眠、上网、娱乐、学习和散步期间的平均暴露水平最高，超过每立方米20微克。工作、体力活动、照护他人和出行等活动的暴露浓度处于中等水平，范围为每立方米15至20微克。在个人事务、看医生、用餐和个人护理期间，记录到的暴露水平最低，范围为每立方米5至15微克。认知主观幸福感评分在不同活动间差异较小，在1至5分的不满量表上，范围狭窄地介于1.7至2.3之间。最低的满意度评分与看医生、出行、个人事务和工作相关。最高的满意度评分与体力活动、娱乐以及社交活动相关。与较高PM 2.5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，表明PM 2.5暴露与自我报告的认知主观幸福感之间存在解耦模式。M3-BREATHE可实现对个体在日常活动和出行过程中暴露于较高剂量环境污染物的实时测量，并同步监测其生理反应。主要挑战在于真实世界长期监测中设备间可靠的协作、同步以及参与者持续的依从性。未来的研究可整合人工智能干预、基因组学以及核心城市部署，以研究疾病发展路径并提高居家监测的精准度。

real-world-m3-breathe-toward-multimodal-mobile-monitoring-behaviour

Research

科研

JoVE Journal

Environment

环境

真实世界的M3-BREATHE：迈向多模态移动监测行为、呼吸和暴露，用于治疗和健康评估

对脑血管舒张或收缩能力进行无创成像，可能有助于更好地理解多种神经系统疾病中的脑血管病理生理学。本报告描述了一种可重复且患者耐受性良好的人脑血管反应性成像方案，该方案采用磁共振成像（MRI）技术实现。...

通过气体吸入激发的磁共振成像绘制脑血管反应性图谱

已开发出一种针对可穿戴移动监测系统（WMMS）的标准化评估方法，该方法包含在真实日常生活环境中进行的连续性活动。使用一系列日常生活活动进行测试可能会降低活动识别的敏感性；因此，建议采用贴近现实的测试流程，以有效评估WMMS的性能。...

在日常生活环境中的基于智能手机的人体活动识别系统评估

压力是生活中不可避免且持续存在的组成部分，人们正在考虑采用整体方法来管理压力。本研究建立了一种标准化方法，以证明基于呼吸的压力管理方案的可行性，该方案可与市售的便携式技术结合使用。...

基于社区的压力管理项目：利用可穿戴设备评估非实验室环境中的全身生理反应

将非侵入式传感器和普适计算技术融入老年人的日常生活，可连续数月乃至数年持续记录其健康状况和活动变化，为科研或临床应用提供生态效度高、频率高、多领域的有效数据。...

建立社区级生命实验室以采集非侵入性、连续远程活动与健康数据的方法学

这种创新设备采用磁-惯性传感器，可在非受控环境中进行步态和活动分析。该设备目前正处于欧洲药品管理局作为结局指标的资格认证过程中，其应用之一是在神经肌肉疾病临床试验中作为临床终点。...

基于家庭的步态与活动分析监测仪

本方案介绍了一种非商业化的自主开发应用程序，用于采集实时现场数据，包括心理量表、GPS位置、心率和血氧饱和度水平，以及该应用程序的操作流程。以2020年在中国台湾开展的一项实证研究作为应用示例。...

一种用于与可穿戴设备配对以监测个人健康状况的应用程序

我们演示了一项用于进行呼吸振荡测量的标准操作规程，重点介绍了关键的质量控制和保证步骤。...

在门诊环境中进行呼吸振荡测量

配备可穿戴传感器的商用智能手表正越来越多地应用于人群研究中。然而，其应用常受限于电池续航时间短、内存容量小以及数据质量有限等问题。本报告提供了在针对哮喘儿童和老年心脏病患者的研究中所遇到的实际技术挑战的经济高效解决方案示例。...

用于人群研究中暴露与健康监测的消费级可穿戴设备设置

运动-呼吸耦合（LRC）可能对跑步者具有优势，但实际执行可能较为困难。我们提出了一种在智能手机上实现的定制化解决方案，可为跑步者提供个性化的指导，帮助其达到运动-呼吸耦合状态。...

使用步频自适应呼吸声在野外引导 locomotor-respiratory coupling 的定制智能手机应用程序

植物生物质是一种可再生资源，可用于生产多种产品，包括燃料、饲料、食品以及各种材料。本文研究了烟草树（Nicotiana...

烟草树与杨树作为生物基产业原料的转录组与代谢物谱分析

了解M3-BREATHE多模态移动监测系统，整合移动健康设备、环境传感器与GPS智能手机应用，实现行为、呼吸功能及环境暴露的同步数据采集。该系统通过机器学习预警提供可操作的呼吸健康洞察，支持临床实验与真实场景部署，建立可扩展、非侵入式的纵向环境-移动-健康监测平台。

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

探索更多视频