Methodenartikel

Real-World M3-BREATHE: Auf dem Weg zur multimodalen mobilen Überwachung von Verhalten, Atmung und Expositionen zur Behandlung und Gesundheitsbewertung

205 Aufrufe

⸱

DOI:

10.3791/69900

⸱

5. Juni 2026

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

In diesem Artikel

Zusammenfassung

M3-BREATHE ist ein mobiles Gesundheitssystem (mHealth), das tragbare Sensoren integriert, um Atmung, Verhalten und Umweltbelastungen für eine personalisierte Behandlung und Gesundheitsbewertung in der realen Welt zu überwachen.

Zusammenfassung

Die Integration mobiler Gesundheitstechnologien (mHealth) zur kontinuierlichen Echtzeitüberwachung physiologischer und verhaltensbezogener Signale in Verbindung mit detaillierter Messung von Umweltbelastungen birgt ein transformatives Potenzial zur Verbesserung einer personalisierten Gesundheitsrisikobewertung und zur Ermöglichung effektiverer Behandlung und Intervention. In diesem Protokoll stelle ich ein multimodales mobiles Überwachungssystem vor, das speziell darauf ausgelegt ist, Daten zu individuellem Verhalten (tägliche Aktivitäten und Reisen), Atemfunktion, physiologische Parameter und Umweltbelastungen zu erfassen und zu integrieren. Das System kombiniert mobile Gesundheitsgeräte und tragbare Umweltsensoren mit GPS-fähigen, smartphonebasierten Anwendungen, um synchronisierte, hochauflösende Datenströme zu erzeugen. Diese Daten werden über eine Smartphone-Anwendung verarbeitet, indem physiologische Parameterberechnungen (z. B. körperliche Aktivitätsintensität, Atemfrequenz) und externe städtische Umweltdaten (z. B. städtische Grünflächen, Straßenübersichten) integriert werden, woraufhin ein maschinelles Lernen basierendes Alarmsystem eingesetzt wird, das umsetzbare Einblicke in die Atemgesundheit, tägliche Aktivitäten und Mobilitätsmuster sowie die Exposition gegenüber Risikofaktoren liefert. Das Protokoll bietet umfassende und detaillierte Anleitungen zu Hardware-Setup, Softwarekonfiguration, Datenerfassungsverfahren und analytischen Arbeitsabläufen, die für den Einsatz der Multimodal Mobile Monitoring of Behaviour, Respiration, and Exposures (Luftverschmutzung, Lärm, Licht, Hitze, Grün usw.) für Behandlung und Gesundheitsbewertung (M3-BREATHE) sowohl in kontrollierten klinischen Experimenten als auch in realen Kontexten notwendig sind. Diese zukunftsorientierte M3-BREATHE-Plattform etabliert einen skalierbaren, nicht-invasiven und kosteneffizienten Ansatz für die Überwachung von Längszeitumgebung, Mobilität und Gesundheit (E-M-H), der individuelle Präzisionsgesundheit im Alltag mit langfristiger Gesundheitsintelligenz auf Bevölkerungsebene verknüpft.

Einleitung

Abgesehen von der traditionellen räumlichen Epidemiologie, die in erster Linie bevölkerungs- und flächenbasierte Zusammenhänge zwischen Umwelt und Gesundheit betont hat, verlagert sich der Fokus nun auf die Untersuchung individueller und mobilitätsbasierter Beziehungen und Prozesse 1,2,3,4. Dieser Wandel wird durch mehrere miteinander verknüpfte grundlegende methodologische Probleme sowie durch aufkommende Möglichkeiten für präzisere und kontextsensiblere Ansätze vorangetrieben.

Zunächst das modifizierbare Arealeinheitenproblem (MAUP), das sich auf das Problem bezieht, dass bei der Analyse von flächen- oder zonenbasierten Daten die Ergebnisse von der Definition der Flächeneinheiten, für die Daten angegeben werden, beeinflusst werden können 5,6. Er bezieht sich auf zwei getrennte, aber miteinander verbundene Probleme der räumlichen Datenanalyse. Das erste ist das "Skalierungsproblem", bei dem derselbe Satz an Arealdaten in mehrere Sätze größerer Flächeneinheiten aggregiert wird, wobei jede Kombination zu unterschiedlichen Datenwerten und Schlussfolgerungen führt. Der zweite Aspekt der MAUP ist das "Zonierungsproblem", bei dem eine gegebene Menge von Flächeneinheiten zu gleich großen Zonen zusammengefasst wird, die jedoch unterschiedlich platziert sind, was wiederum zu Variationen der Datenwerte und folglich zu unterschiedlichen Schlussfolgerungenführt. 7,8. Um die Frage nach dem Beitrag der Studie zur Weiterentwicklung neuen Wissens unter Verwendung von flächen- oder zonenbasierten Daten zu beantworten, werden zwei Methoden unaufhörlich diskutiert, um die Auswirkungen des MAUP zu minimieren. Eine davon ist die Maximierung der flächeninneren Homogenität. Die Auswahl der geeigneten arealen Studieneinheit minimiert den Messfehler der Umweltexposition und eine Fehlklassifikation der nicht-differentiellen Exposition bei der Schätzung des kontextuellen Effekts auf die Gesundheit 9,10,11. Die Heterogenität der Luftverschmutzungsexposition innerhalb räumlicher Einheiten kann jedoch dennoch zu Fehlern führen. Eine weitere Methode bewegt sich also hin zu rahmenunabhängigen Formen der räumlichen Datenrepräsentation und -analyse12,13. Über das konventionelle flächenbasierte Verständnis von Kontexten hinaus berücksichtigen individuell basierte Messgrößen die Attributhomogenität und räumliche Zusammenhängung kontextueller Faktoren und können eine robuste analytische Messung bieten, die skalenunabhängig oder skaleninvariant ist, wenn man die Auswirkungen von Umweltexpositionen auf die Gesundheit untersucht 14,15,16.

Zweitens das Uncertain Geographic Context Problem (UGCoP), das sich auf das Problem bezieht, dass Erkenntnisse über die Auswirkungen flächenbasierter kontextueller Variablen auf individuelles Verhalten oder Ergebnisse davon beeinflusst werden können, wie kontextuelle Einheiten (z. B. Nachbarschaften) geografisch abgegrenzt werden und inwieweit diese Flächeneinheiten vom tatsächlichen geografischen Kontext abweichen17,18. Ein typisches Beispiel ist die Bewertung der Luftverschmutzungsexposition von Personen, die falsch sein kann, indem Wohngebiete für Personen verwendet werden, die viel Zeit außerhalb ihres Zuhauses für Arbeit, Freizeit usw. verbringen – was weit entfernt vom "wirklich kausal relevanten" geografischen Kontextist. 18,19. Um die kontextuellen Unsicherheiten zu mindern, die die genaue Bewertung der Umweltbelastungen und ihrer gesundheitlichen Auswirkungen beeinflussen, ist es notwendig, mobilitätsbasierte Messungen einzuführen, die über Vorstellungen kontextueller Einflüsse hinausgeht, die auf der Verwendung bestimmter fester Orte (z. B. Wohnort, Arbeitsplatz) beruhen.16,20. Da die Vernachlässigung der räumlich-zeitlichen Variabilität bei Luftverschmutzung und menschlicher Mobilität zu erheblichen Fehlern bei individuellen Expositionsschätzungen 21,22,23,24 sowie in der Bewertung der Umweltgerechtigkeit 25,26 führen kann, ist es unerlässlich, mobilitätsbasierte hochauflösende Raum-Zeit-Daten zu sammeln, um den Zusammenhang zwischen Umweltexpositionen und gesundheitlichen Ergebnissen zu verstehen. Eine weitere Herausforderung besteht in der räumlichen Diskrepanz zwischen Umweltdatensätzen und individuellen biometrischen Messungen, die am Körper getragenen Sensor erhoben werden. Während Street-View-Bilder eine feine Charakterisierung der Umwelt auf menschlicher visueller Ebene ermöglichen und satellitenbasierte Vegetationsindizes (z. B. NDVI) eine breitere Abdeckung bei gröberen Auflösungen (10–250 m) bieten, erfordern beide explizite räumliche Ausrichtungsstrategien, die Mobilitätsbahnen mit Umweltexpositionen an genau den Stellen verknüpfen, an denen physiologische und verhaltensbezogene Daten erfasst werden. Die Bekämpfung dieser Skaleninkongruenz erfordert explizite räumliche Ausrichtungsstrategien, die Mobilitätsbahnen mit Umweltexpositionen an genau den Orten verknüpfen, an denen physiologische und verhaltensbezogene Daten erfasst werden.

Als Reaktion auf die Herausforderungen, die MAUP und UGCoP mit sich bringen, haben Forscher aus mehreren Disziplinen im Bereich Umweltgesundheit zunehmend an Studien zu Verhaltensprozessen zwischen Umweltexpositionen und Gesundheitsergebnissen teilgenommen, indem sie sich den individuellen, mobilitätsbasierten Rahmenwerken zuwenden.. Mit dem gestiegenen Interesse am Zusammenhang Umwelt-Mobilitäts-Gesundheit (E-M-H) konzentriert sich die bestehende Literatur überwiegend entweder auf die anzezedente (Umwelt-Mobilität) Domäne 17,30,31,32 oder die daraus resultierende (Mobilitäts-Gesundheits-) Domäne 33,34,35 , während integrative Studien, die alle drei Bereiche abdecken, weiterhin begrenzt bleiben. Dennoch haben die täglichen Aktivitäten und Reisen der Betroffenen die Dosis-Wirkung-Wirkung von Umweltexpositionen auf die Gesundheitsergebnisse maßgeblich beeinflusst. Wo, wann und wie Individuen ihre Aktivitäten über einen Zeitraum von 24 Stunden projizieren, planen und durchführen, hängt eng mit ihrer Exposition gegenüber Umweltrisiken und den daraus resultierenden gesundheitlichen Ergebnissen zusammen. 17,18,36. Darüber hinaus besteht eine weitere entscheidende Lücke darin, dass nur wenige Studien einen umsetzbaren analytischen Rahmen bieten, der Echtzeitüberwachung und longitudinale Verfolgung von Gesundheitsergebnissen verbindet, was die Fähigkeit einschränkt, robuste und umsetzbare Belege für Behandlung und Interventionen zu erzeugen. Dennoch verbessert die Schließung dieser Lücken nicht nur die Genauigkeit von Umwelt- und Gesundheitsbewertungen, sondern deckt auch die vermittelnde Rolle von täglichen Aktivitäten und Reisen sowie zugrundeliegender Verhaltensprozesse im komplexen E-M-H-Nexus37 auf, wodurch eine starke Begründung für personalisierte, mobilitätsbasierte Behandlungen und Interventionen zur Minderung von Expositionsrisiken und zur Förderung gesundheitlicher Ergebnisse bereitgestellt werden.

Der Aufstieg mobiler und tragbarer Technologien38,39, insbesondere mobiler Gesundheitsgeräte (mHealth) 40,41,42 und tragbarer Umweltsensoren 43,44,45, hat neue Ansätze zur synchronen Überwachung des Verhaltens, der Umweltbelastungen und physiologischen Metriken von Personen ermöglicht. Durch die Integration mit Smartphone-Anwendungen können Teilnehmer ihren Gesundheitszustand, ihre medizinische Vorgeschichte (z. B. Atemwegs- und Herz-Kreislauf-Erkrankungen), subjektive physiologische Erfahrungen und Umweltrisikowahrnehmungen dokumentieren, was eine präzisere und personalisierte Risikobewertung und -warnung durch maschinelles Lernen oder regelbasierte Ansätze ermöglicht. Hier stelle ich die reale multimodale mobile Überwachung von Verhalten, Atmung und Exposition (Luftverschmutzung, Lärm, Licht, Hitze, Grünheit usw.) zur Behandlung und Gesundheitsbewertung vor (M3-BREATHE). Das End-to-End-Protokoll bietet umfassende Hinweise zu Hardware-Setup, Softwarekonfiguration, Datenerfassungsverfahren und analytischen Arbeitsabläufen, die für den Einsatz des M3-BREATHE erforderlich sind. Dieses Protokoll eignet sich für Forscher in Umweltgesundheit, Transportgeographie und personalisierter Medizin, die kontrollierte klinische Experimente (kurzfristige, hochpräzise Überwachung) oder reale Längsschnittstudien (Langzeitüberwachung, nicht-störende Überwachung) durchführen, wird jedoch nicht für Studien empfohlen, die ultra-präzise Labormessungen auf Atemwegsebene erfordern (z. B. invasive Lungenfunktionstests).

Protokoll

Die Durchführung dieses Protokolls zu Forschungszwecken, sei es in kontrollierten klinischen Experimenten oder in realen Kontexten, sollte mit vorheriger Genehmigung und gemäß den Richtlinien des institutionellen Ethikkomitees für humane Forschung der Forscher erfolgen. Eine informierte Zustimmung muss vor Beginn der Umfrage vom Teilnehmer eingeholt werden. Die empirische Untersuchung für diesen Artikel folgt den Richtlinien des Ethikkomitees für Humanforschung der Peking-Universität. Alle teilnehmendenbasierten Forschungen, die dieses Protokoll verwenden, müssen eine vorherige ethische Genehmigung vom institutionellen Forschungsethikkomitee des Prüfers einholen. Alle Teilnehmer müssen vor jeglichen Datenerhebungsverfahren eine schriftliche informierte Zustimmung abgeben. Empfohlene Ausrüstungseinstellungen sind in der Materialtabelle aufgeführt.

1. Einrichtung tragbarer mobiler Gesundheitsgeräte

  1. Brustgetragenes Atemsensor-Setup
    1. Weisen Sie den Teilnehmer an, das sensorintegrierte Hemd oder den Brustgurt direkt an die Haut und unter der Kleidung zu legen, um einen optimalen Hautkontakt für die elektrophysiologische Signalaufnahme sicherzustellen.
    2. Passen Sie die Passform des Hemdes oder Trägers so an, dass sie eng und bequem sitzt, damit sie das natürliche Atmen oder die Bewegung nicht einschränkt. Die richtige Passform wird bestätigt, wenn der Sensor stabilen Kontakt mit der Haut hält und beim tiefen Einatmen nicht abrutscht oder sich merklich verschiebt.
    3. Stellen Sie sicher, dass der Sensor vollständig aufgeladen und erfolgreich per Bluetooth mit dem Smartphone gekoppelt ist, um eine Echtzeitüberwachung und Aufzeichnung der Atemfrequenz (in Atemzügen pro Minute, Atemzüge/min), Gezeitenvolumen (in Millilitern, mL) und Herzfrequenz (in Schlägen pro Minute, BPM) zu ermöglichen. Bestätigen Sie, dass die Geräteuhr mit der Systemzeit des Smartphones synchronisiert ist, um eine genaue zeitliche Ausrichtung über multimodale Datenströme zu ermöglichen.
      HINWEIS: Atemfrequenz und Herzfrequenz können ebenfalls mit tragbaren Armbandgeräten abgeleitet werden, insbesondere für die Langzeitüberwachung (siehe Schritt 1.2). Die Atemfrequenz wird indirekt anhand respiratorisch induzierter Variationen in Photoplethysmographie (PPG) oder Herzfrequenzvariabilität (HRV) berechnet (siehe Schritt 5.2). Dieser alternative Ansatz kann helfen, das Unbehagen und die Belastung der Teilnehmer zu reduzieren, die mit der längeren Nutzung eines auf der Brust getragenen Atemsensoren verbunden sind.
  2. Aufbau eines Smart-Armbandgeräts
    1. Wählen Sie das nicht-dominante Handgelenk als Hauptstelle für die Platzierung des Geräts und sichern Sie das Armband fest am Handgelenk, proximal zum ulnarischen Styloid-Prozess.
    2. Stellen Sie den Gurt ein, um einen optimalen Kontakt zwischen Sensor und Haut (PPG) sicherzustellen, ohne die periphere Durchblutung zu beeinträchtigen. Die Passform ist korrekt, wenn der Riemen eng sitzt, erlaubt aber das Einführen einer Fingerspitze.
    3. Öffnen Sie die Begleitanwendung auf dem Smartphone und stellen Sie sicher, dass das Gerät erfolgreich per Bluetooth verbunden ist.
    4. Navigieren Sie zur Echtzeitanzeige in der App und bestätigen Sie, dass die Anwendungseinstellungen für eine kontinuierliche Überwachung aller gewünschten Parameter konfiguriert sind, einschließlich: kardiovaskuläre Metriken wie Herzfrequenz (Herzfrequenz, Einheiten: Schläge pro Minute, BPM), Herzfrequenzvariabilität (HRV, Einheiten: Millisekunden, ms), Blutdruck (Blutdruck, Einheiten: Millimeter Quecksilber, mmHg) und Elektrokardiogramm (EKG, Einheiten: Millivolt, mV); Atem- und Stoffwechselmessungen wie algorithmisch geschätzte Atemfrequenz (RR, Einheiten: Atemzüge pro Minute, Atemzüge/min), Blutsauerstoffsättigung (SpO₂, Einheiten: Prozent, %) und metabolische Äquivalente (METs, Verhältnis); periphere Hauttemperatur (Einheiten: Grad Celsius, °C); Bewegungsdaten vom Beschleunigungsmesser (ACC, Einheiten: Gravitationsbeschleunigung, g).
      HINWEIS: Der PPG-Sensor auf der Rückseite des Geräts muss einen konstanten und flachen Kontakt mit der Haut halten. Ziehe den Riemen wieder fest, falls er sich mit der Zeit löst.

2. Einrichtung von Umweltsensoren

  1. Verbinden Sie die Umweltsensorgeräte mit der tragbaren Powerbank (10.000 mAh Kapazität) über geeignete USB-Kabel, um einen 24-Stunden-Betrieb zu gewährleisten. Stellen Sie sicher, dass alle Verbindungen stabil sind und die Kabel ordentlich verstaut sind, um versehentliche Trennungen während der Bewegung zu vermeiden.
  2. Platzieren Sie den Multi-Luftschadstoff-Monitor (Messung von Partikeln PM2,5 und PM10 in μg/m3, Kohlenmonoxid-CO in ppm, Stickstoffdioxid NO2, Schwefeldioxid SO₂ und flüchtige organische Verbindungen VOCs in ppb), den Lärmsensor (in Dezibel, dB) und den Temperatursensor (in Grad Celsius, °C) in die Netztasche des Rucksacks des Teilnehmers. Befestigen Sie den Lichtbelichtungstracker (Beleuchtung, in Lux, lx; Circadian Light A, CLA, 0-1) fest auf der vorderen Seite des Schultergurts des Rucksacks positionieren und ihn so positionieren, dass er nach vorne oder nach außen zeigt, ohne Hindernisse.
  3. Weisen Sie den Teilnehmer an, den Rucksack zusammen mit den täglichen Aktivitäten zu tragen und 24 Stunden zu reisen sowie die Powerbank jede Nacht aufzuladen. Geben Sie bei allen Problemen eine Kontakttelefonnummer an.
  4. Bestätigen Sie, dass alle Sensoren eingeschaltet sind und erfolgreich einen Echtzeitdatenstrom eingerichtet haben, der Daten protokolliert und an die begleitende Smartphone-Anwendung übermittelt.
    HINWEIS: Alle Sensoren sollten streng nach den jeweiligen Herstellerspezifikationen kalibriert werden, bevor sie den Teilnehmern übergeben werden. Kostengünstige Luftverschmutzungssensoren werden empfohlen, sich über einen Zeitraum von zwei Wochen an einem repräsentativen Standort einem Kollokationskalibrierungstest gegen ein forschungsfähiges Referenzinstrument zu unterziehen, um sensorspezifische Korrekturfaktoren zu ermitteln. Das Kollokationsverfahren besteht darin, den kostengünstigen Sensor neben das Referenzinstrument (innerhalb von 1 m, auf derselben Höhe) zu platzieren und beide mindestens 14 Tage lang gleichzeitig zu betreiben, um eine Vielzahl von Umweltbedingungen zu erfassen. Gepaarte Daten werden dann verwendet, um lineare oder nichtlineare Korrekturmodelle abzuleiten (z. B. Ckorrigiert = (Croh - b)/a) mittels Regressionsanalyse. Für Sensoren ohne Zugang zu Referenzinstrumenten wird keine Kalibrierung mit HEPA-gefilterter sauberer Luft empfohlen, um Basisdrift zu korrigieren. Eine Stabilisierungsphase von 10–15 Minuten unter sauberen Luftbedingungen ist erforderlich, bevor Basiswerte erfasst werden. Vor jeder Bereitstellung sollte eine Vorverifikationsprüfung durchgeführt werden, um die Sensorreaktion und die Stabilität der Datenübertragung zu bestätigen. Während der Datenerhebung sollten tägliche Qualitätssicherungsprotokolle (QA) geführt werden, um Anomalien, Sensordriften oder Verbindungsunterbrechungen zu dokumentieren. Temperatur- und relative Luftfeuchtigkeitssensoren (RH, Einheiten: Prozent, %) sind üblicherweise als Komponenten in den Luftverschmutzungssensoren integriert. Die kontinuierliche Rauschbelastung kann alternativ mit dem integrierten Mikrofon des Smartphones über die dedizierte Anwendung gemessen werden. Licht- und Hitzeeinwirkung, die mit dem smarten Armband und dem Mobiltelefon gesammelt werden, werden aufgrund einer hohen Anfälligkeit für Verstopfungen und Störfaktoren wie Kleidung und Platzierung nicht empfohlen. Für eine Längsstudien oder Praxis wird ein integriertes modulares Gerät mit kleiner Größe zur Überwachung von Multi-Schadstoffen empfohlen.

3. Konfiguration der Smartphone-Anwendung

  1. Installieren Sie die M3-BREATHE mobile Anwendung (speziell für Android/iOS entwickelt) auf dem Smartphone des Teilnehmers.
  2. Aktivieren Sie GPS-, Bluetooth- und Hintergrunddatensynchronisation.
  3. Konfigurieren Sie die App so, dass sie GPS-Standortdaten im Abstand von 1 Minute aufzeichnet und alle 5 Minuten Sensordaten synchronisiert.
  4. Stellen Sie die Abtastfrequenz für jedes angeschlossene Gerät (tragbare physiologische Monitore und tragbare Umweltsensoren) auf 1 Hz (also eine Abtastrate pro Sekunde) ein, um eine hochauflösende Datenerfassung zu gewährleisten.
  5. Bestätigen Sie, dass alle Einstellungen erhalten sind, bevor Sie mit der Datenaufzeichnung beginnen.
    HINWEIS: Es ist gute Praxis, nach der Konfiguration eine kurze (z. B. 5-minütige) Testaufnahme durchzuführen. Überprüfen Sie die Testdatei, um sicherzustellen, dass alle erwarteten Datenströme (GPS-Koordinaten, HRV, EKG, Luftverschmutzung, Lärm usw.) protokolliert, korrekt zeitgestempelt und plausible Werte enthalten, bevor der gesamte Studienzeitraum beginnt. Es ist erwähnenswert, dass die Grün-Exposition indirekt gemessen wird, indem hoch-raumzeitliche GPS-Trajektoriendaten mit geografischen Datensätzen wie OpenStreetMap oder satellitenbasierten Vegetationsindizes (z. B. NDVI für Vegetationsbedeckung) integriert werden. Um die räumliche Skalen-Diskrepanz zwischen grob aufgelösten Umweltschichten (z. B. NDVI bei 10–250 m) und biometrischen Messungen auf individueller Ebene zu beheben, weist das Protokoll jedem GPS-Punkt Umweltexpositionswerte basierend auf Methoden der nahegelegenen Nachbarn oder puffergemittelten Extraktionsmethoden zu, um eine räumliche Ausrichtung an Ort und Zeitpunkt jeder physiologischen Messung sicherzustellen.

4. Datenerfassungsverfahren

  1. Teilnehmer-Onboarding
    1. Werben Sie Teilnehmer mit einer stratifizierten Stichprobenmethode, um die Repräsentativität der Zielpopulation sicherzustellen.
    2. Stellen Sie den Teilnehmern umfassende Anleitungsmaterialien zur Verfügung, einschließlich eines detaillierten Anleitungsblatts, eines Handbuchs und vorzugsweise eines Anleitungsvideos, zu den Abläufen zum Tragen und Benutzen der Sensoren sowie zur Bedienung der begleitenden Smartphone-App.
    3. Führen Sie eine Basis-Gesundheitsumfrage innerhalb der App durch, um demografische Daten zu erfassen (z. B. Geschlecht, Alter, Größe, Gewicht, Familienstand), Krankengeschichte (z. B. nichtübertragbare Krankheiten, NCDs), Atemwegszustand (z. B. Raucher-Packjahre, chronischer Husten oder Dyspnoe) und weitere selbstberichtete Gesundheitsinformationen (z. B. allgemeine körperliche und geistige Gesundheit, Alkoholkonsum, Ernährungsgewohnheit, Aktivitätsniveau, Schlafqualität).
      HINWEIS: Empfehlung standardisierter Instrumente zur selbstberichteten Gesundheitsinformationssammlung, darunter die 12-Item-Kurzform-Umfrage (SF-12) für die allgemeine Gesundheit46, der Alcohol Use Disorders Identification Test-Consumption (AUDIT-C)47, der International Physical Activity Questionnaire-Short Form (IPAQ-SF)48 und der Pittsburgh Sleep Quality Index (PSQI)49. Alternativ können 7-Item-Likert-Skalen aus Bequemlichkeitsgründen angewendet werden.
  2. Tägliche Überwachungsroutine
    1. Weisen Sie den Teilnehmer an, die mobilen Gesundheitssensoren zu tragen und die tragbaren Umweltüberwachungsgeräte (Rucksack mit Netztasche) für einen durchgehenden Zeitraum von 24 Stunden mitzunehmen. Während des Schlafs sollten die Umweltsensoren im Schlafzimmer platziert werden, um die Expositionsbewertung zu gewährleisten, mit besonderem Augenmerk auf den Lichtsensor.
    2. Erinnern Sie den Spieler daran, die Powerbank jeden Abend aufzuladen und sie mit den Umweltsensoren verbunden zu halten, um einen ununterbrochenen Betrieb und die Daten zu gewährleisten.
    3. Der Datenstrom wird entweder alle 4 Stunden durch manuelle Überprüfungen durch das Forschungsteam überwacht oder idealerweise durch eine automatisierte Warnung vom Backend-System innerhalb der Anwendung, die nach 30 Minuten Datensynchronisationsunterbrechung ausgelöst wird. Bei einer Verbindungsunterbrechung von über 30 Minuten wird der Teilnehmer kontaktiert, um das Problem zu klären.
    4. Ermutigen Sie den Teilnehmer, jeden Tag abends eine Aktivitäts-Reise-Tagebuch-Umfrage innerhalb der Anwendung auszufüllen (eine Vorlage ist in Tabelle 1 bereitgestellt), um die Genauigkeit der täglichen Aktivitäts- und Mobilitätskontextualisierung zu verbessern und eine effektivere und gezieltere Behandlung und Intervention zu ermöglichen. Jeden Abend um 20 Uhr wird eine automatisierte Erinnerung (Anwendung/SMS) gesendet, um eine konsequente Einhaltung zu gewährleisten.
      HINWEIS: Eine interaktive Schnittstelle mit einer Karte zur Visualisierung der Flugbahn (mit Zeitstempeln) kann mit maschineller Lernerkennung von Aktivitäten und Fahrten anhand von GPS-Daten bereitgestellt werden. Idealerweise können Ratschläge oder Erinnerungen automatisch über die Anwendung an den Teilnehmer gesendet werden, um eine Aktivität oder eine Reise unmittelbar vor dem Auftreten der nächsten Aktivität oder Reiseepisode aufzuzeichnen, um den Rückruf-Bias am Tagesende zu mindern. Eine abschließende Überprüfung vor dem Schlafengehen wird empfohlen, um die tägliche Bilanz zu festigen. Darüber hinaus kann die ökologische momentane Bewertung (EMA) genutzt werden, um subjektive Erfahrungen (z. B. Atemnot, Müdigkeit, Wahrnehmungen von Umweltverschmutzung) dreimal täglich (z. B. 8 Uhr, 12 Uhr und 16 Uhr) mittels Push-Benachrichtigungen zu erfassen.
  3. Datensynchronisation und Backup
    1. Alle gesammelten Echtzeit- und Aktivitätsreise-Tagebuchdaten werden automatisch über WLAN oder Mobilfunknetz mit einem sicheren, verschlüsselten Cloud-Server synchronisiert. Die Cloud-Datenbank ist mit regelmäßigen automatisierten Backups konfiguriert, um Datenverluste zu verhindern.
    2. Alle Daten werden zunächst im internen Speicher des Smartphones gespeichert. Synchronisierte Daten werden nach erfolgreicher Verifizierung durch den Cloud-Server täglich automatisch vom Gerät gelöscht.
    3. Alle Daten werden beim Sammeln anonymisiert und sicher auf institutionellen Servern gespeichert. Die Speicherung, Übertragung und Entsorgung der Daten werden streng gemäß den Datenschutz- und Datenschutzrichtlinien der Gastinstitution verwaltet.
      Die Zusammenfassung der Daten und die Quelle sind in Tabelle 2 bereitgestellt.
ParticipantIDDatumStartTimeEndTimeAktivität(A)/Trip(T)Aktivitätstyp/Trip-Modus
113/08/20250:007:00ASchlaf
113/08/20257:007:30AFrühstück
113/08/20257:308:00TÖffentlicher Nahverkehr
113/08/20258:0011:30AWerk
113/08/202511:3011:45TSpaziergang
113/08/202511:4512:45AMittagessen
113/08/202512:4513:00TSpaziergang
113/08/202513:0017:00AWerk
113/08/202517:0017:15TFahrrad
113/08/202517:1518:00AKochen
113/08/202518:0019:00AAbendessen
113/08/202519:0021:00AFreizeit
113/08/202521:0021:30ABath
113/08/202521:3023:59ASchlaf
114/08/20250:006:30ASchlaf
114/08/2025…………

Tabelle 1: Aktivitätsreise-Tagebuchvorlage für die Überwachung von M3-BREATHE. Die Tabelle zeigt, wie Verhaltensdaten erfasst und für die Integration mit Expositions- und Gesundheitsanalysen organisiert werden.

Tragbare mobile GesundheitsgeräteSmartphone-AnwendungTragbare Umweltsensoren
Atemfrequenz (RR)GPS-KoordinatenFeinstaub (PM2,5, PM10)
Tidal Volume (TV)Aktivitätsreise-TagebuchKohlenmonoxid (CO)
Herzfrequenz (HR)Ökologische Momentanbewertung (EMA)Stickstoffdioxid (NO2)
Herzfrequenzvariabilität (HRV)BasisgesundheitsinformationenSchwefeldioxid (SO₂)
Elektrokardiogramm (EKG)Alter, Geschlecht usw.Flüchtige organische Verbindungen (VOCs)
Blutdruck (BP)Body-Mass-Index (BMI)Lärm (N)
Blutsauerstoffsättigung (SpO₂)Sozioökonomischer Status (SES)Temperatur (T)
Metabolische Äquivalente (METs)Medizinische VorgeschichteRelative Luftfeuchtigkeit (RH)
Hauttemperatur (ST)AtemwegsgesundheitBeleuchtung (lx)
Beschleunigungsmesser (ACC)Selbstberichtete GesundheitsinformationenCircadianes Licht A (CLA)

Tabelle 2: Zusammenfassung der Daten und der Herkunft der Geräte. Die Tabelle listet wichtige Kennzahlen auf (z. B. Herzfrequenz, Atemfrequenz, Feinstaub, Temperatur) und deren entsprechende Messmodalitäten.

5. Datenverarbeitung und -analyse

  1. Gerätekalibrierung und Qualitätssicherung
    Vor der Einführung werden alle Geräte grundlegenden Kalibrierungsprüfungen gemäß den Herstellerspezifikationen durchgeführt. Für Umweltsensoren (z. B. PM2.5-Monitore ) kann dies keine Kalibrierung oder einen Vergleich mit Referenzinstrumenten beinhalten, sofern verfügbar. Während der Datenverarbeitung werden Qualitätssicherungs- und Qualitätskontrollverfahren (QA/QC) sowohl auf Umwelt- als auch auf biometrische Datenströme angewendet. Alle QA/QC-Schritte werden dokumentiert, um Transparenz und Reproduzierbarkeit zu gewährleisten.
    1. Reichweitenüberprüfungen, um physiologisch oder physikalisch unwahrscheinliche Werte (z. B. extreme Herzfrequenz oder Schadstoffkonzentrationen) zu entfernen.
    2. Erkennung und Ausschluss von Signalartefakten (z. B. bewegungsbedingtes Rauschen in tragbaren Daten). Glättungs- oder Filterverfahren (z. B. gleitende Durchschnitte), wo angebracht.
    3. Identifikation und Behandlung fehlender oder spärlicher Datensegmente.
  2. Vorverarbeitung
    1. Rohsensordaten werden gereinigt (GPS-Drift wird über den Kalman-Filter korrigiert) und mit Aktivitätsreise-Tagebüchern über den Multimodal Temporal Alignment-Ansatz über Python-basierte Vorverarbeitungspakete (z. B. Pandas, GeoPandas, Tsfresh, Pyo3) synchronisiert. Alle verarbeiteten Daten werden anschließend in die M3-BREATHE-Datenbank integriert.
    2. Um eine zeitliche Ausrichtung zwischen Umweltbelastungen und biometrischen Messungen sicherzustellen, synchronisieren Sie alle Datenströme mit einem einheitlichen Zeitstempelrahmen. Standardisieren Sie die Geräteuhren vor der Bereitstellung mithilfe netzwerkbasierter Zeitprotokolle. Während der Datenverarbeitung richten Sie Zeitstempel verschiedener Geräte auf eine gemeinsame Referenzzeit (z. B. UTC) aus und korrigieren Sie Taktdrift mittels linearer Interpolation oder Zeitverschiebungsanpassung.
    3. Aggregieren Sie Daten mit höheren Frequenzen (z. B. von Wearables abgeleitete Herzfrequenz), um die Auflösung von Umweltmessungen anzupassen, oder passen Sie Umweltdaten entsprechend höherfrequenten Daten an, abhängig vom Analyseziel. Verwalten Sie fehlende Zeitstempel oder unregelmäßige Stichprobenintervalle durch Anwendung von Interpolation oder Ausschluss von Daten basierend auf vordefinierten Qualitätskriterien.
    4. Verarbeiten Sie GPS-Daten zusammen mit externen geografischen Datensätzen, die die gebauten und natürlichen Umgebungen charakterisieren, um einzelne Expositionen einzuordnen. Berechnen Sie die Grünflächenexposition durch Integration von GPS-Datensätzen mit OpenStreetMap-Daten und satellitenbasierten Vegetationsindizes (z. B. NDVI). Beheben Sie Skalenunterschiede zwischen hochfrequenten GPS-Trajektorien und satellitenbasierten Umweltschichten mit niedrigerer Auflösung durch Anwendung von Methoden der nahegelegenen Nachbarn oder pufferbasierten räumlichen Ausrichtung.
    5. Für jeden GPS-Punkt werden der entsprechende Umweltbelichtungswert vom sich schneidenden oder nächstgelegenen Pixel zugewiesen oder ein gewichteter Mittelwert der Pixel innerhalb eines definierten Pufferradius (z. B. 10 m, 30 m) berechnet, der die typische GPS-räumliche Unsicherheit widerspiegelt. Stellen Sie sicher, dass Umweltexpositionen mit einer raumzeitlichen Auflösung zugeordnet werden, die mit den gleichzeitig gesammelten physiologischen und verhaltensbezogenen Daten vereinbar ist.
  3. Merkmalsextraktion
    1. Fasse Umwelt- und mobile Gesundheitsüberwachungsdaten mit Schlüsselkennzahlen zusammen, darunter Maße der zentralen Tendenz (Mittelwert, Median, gewichteter Mittelwert), Extremwerte (Maximum, Minimum, Perzentile), Variabilität (Standardabweichung, Varianz, Variationskoeffizient, Interquartilbereich) und zeitliche Muster (Spitzenfrequenz, Dauer über dem Schwellenwert, Änderungsrate, tägliche, wöchentliche oder saisonale Schwankungen).
    2. Berechnen Sie die kumulative Luftschadstoffexposition anhand der Gesamtexpositionsmetriken (durchschnittliche Konzentration und eingeatmete Dosis) sowie der Fläche unter der Kurve (AUC). Berechnen Sie die eingeatmete Schadstoffdosis (D) über eine Expositionsdauer (t) unter Verwendung der untenstehenden Beziehung.
      figure-protocol-1
      mit minimaler Belüftung definiert als:
      figure-protocol-2
      wobei C die Schadstoffkonzentration in der eingeatmeten Luft ist (μg/m3, ppb oder ppm, je nach Einheitskonvention); figure-protocol-3 ist die minimale Belüftung, also das Gesamtvolumen der pro Minute eingeatmeten Luft (L/min); RR ist die Atemfrequenz (Atemzüge/min); VT ist das Gezeitenvolumen, also das Luftvolumen, das pro Atemzug eingeatmet wird (L/Atem); und t ist die Belichtungsdauer (min).
      Beachten Sie, dass die Dosis D in μg berechnet wird, vorausgesetzt, wird figure-protocol-4 in m3/min umgerechnet (d. h. geteilt durch 1000), um die Einheitskonsistenz zu gewährleisten.
    3. Da getragene Atemsensoren in der Brust in realen Kontexten in der Regel teuer und belastend zu tragen sind, im Vergleich zu Überwachungsdauern von mehreren Stunden bis zu wenigen Tagen in kontrollierten klinischen Experimenten, sollte man die Atemfrequenz anhand von Beschleunigungs- und Gyroskopdaten aus dem Smart Wristband anhand von Machine Learning Algorithmen50,51 bewerten. Um die Genauigkeit der Bewertung zu verbessern, fungiert ein Random Forest-Modell üblicherweise als Filter, das Daten ablehnt, die zu einer ungenauen Atemfrequenzmessung führen, woraufhin ein Convolutional Neural Network (CNN)-Modell verwendet werden kann, um die Atemfrequenz52,53 zu extrahieren.
    4. Ziehen Sie Verhaltensmerkmale aus GPS-Daten, Smartphone-basierten Reise-Aktivitäts-Tagebüchern und Bewegungsdaten von Armbandbeschleunigungssensoren heraus. Erstellen Sie eine Reihe individueller Verhaltensindikatoren, um Zusammenhänge zwischen Umweltexposition, Verhalten und Gesundheitsergebnissen zu analysieren. Tabelle 3 fasst mehrskalige Profile aus den Bereichen Verhalten, Umweltbelastung und Gesundheit zusammen.
      HINWEIS: Pfeile veranschaulichen die sequentielle Ausrichtung von Profilen über Verhaltens-, Umweltexpositions- und Gesundheitsbereiche hinweg.
  4. Datenanalyse
    1. Beschreibende und explorative Analysen
      1. Führen Sie anfängliche deskriptive Statistiken durch, um die Verteilung, zentrale Tendenz und Variabilität aller Variablen zu charakterisieren.
      2. Führen Sie Korrelationsanalysen und Varianzinflationsfaktor-(VIF)-Tests durch.
      3. Visualisieren Sie Expositions- und Gesundheitsdaten mithilfe von Zeitreihen, Boxplots und georäumlichen Heatmaps.
    2. Akute Assoziationen und zeitliche Verzögerungen
      1. Verwenden Sie verteilte Lag-Modelle (DLMs).
      2. Bin-Expositionsdaten in Zeitblöcke einfügen.
      3. Führen Sie Sensitivitätsanalysen durch.
      4. Wenden Sie Zeitreihenmethoden an (ARIMA, VAR).
    3. Chronische Assoziationen und kumulative Expositionen
      1. Aggregierte Expositionskennzahlen.
      2. Verknüpfe die Exposition mit wiederholten Gesundheitsbewertungen.
      3. Verwenden Sie Mixed-Effects-Regressionsmodelle.
      4. Wenden Sie Längsschnitt- oder Überlebensanalysen an.
        HINWEIS: Es ist notwendig, Zeitfensterstrategien zu berücksichtigen. Tabelle 4 vergleicht verschiedene Zeitfensteroptionen.
    4. Verhaltensmediation- und Moderationsanalysen
      1. Untersuchen Sie Mediation mit SEM oder kausaler Analyse.
      2. Untersuchen Sie die Effekte der Moderation.
    5. Expositions-Antwort-Funktionen und Dosis-Antwort-Kurven
      1. Quantifizieren Sie die Beziehungen zwischen Exposition und Antwort.
      2. Schätzung der inhalierten Dosis-Antwort-Funktionen.
      3. Untersuchen Sie nichtlineare Assoziationen.
    6. Longitudinale und Lebenslaufanalysen
      1. Bewerten Sie chronische Effekte.
      2. Erkunde Lebenslaufbahnen.
    7. Personalisierte Behandlung und Intervention
      1. Erstellen Sie personalisierte Profile.
      2. Identifizieren Sie Hochrisiko-Episoden.
      3. Empfehle medizinische Untersuchungen.
    8. Bevölkerungsgesundheitsintelligenz
      1. Erstelle Belichtungskarten.
      2. Analysieren Sie Verhaltenstrends.
      3. Beurteile gesundheitliche Ungleichheiten.
      4. Verwenden Sie Machine-Learning-Modelle.
VerhaltensbereichUmweltexpositionsbereichGesundheitsbereich
Übergängliche/momentare MerkmaleSofortige BelichtungsprofileKurzfristige Gesundheitsprofile
Beschleunigungsvektor-MagnitudeEchtzeitbelichtungKardiorespiratorische Stressreaktionen
Momentane AktivitätsintensitätAkute ExpositionAkute Veränderungen bei HR, BP, HRV, SpO₂ usw.
Episoden-/Kampf-FeaturesExpositionsprofile auf EpisodenebeneEKG-Arrhythmische Ereignisse
Startzeit, Endzeit, DauerDurchschnittliche SchadstoffkonzentrationAtemwegssymptome und -funktion
AktivitätsartKumulative SchadstoffexpositionsdosisEpisodenspezifische Ventilationsratenschwankungen
StandorttypSpitzenbelichtungSelbstberichtetes Husten und Atemnot
Drinnen/draußenPerzentilbasierte ExpositionPsychologische und Wohlbefindenszustände
VerkehrsartBelichtungsvariabilitätEMA-Stimmung, Stress, Müdigkeit usw.
ReisestreckeExpositionsdauer über dem SchwellenwertEpisodenebene kognitive und affektive Belastung
Durchschnittsgeschwindigkeit der FahrtAUC-ExpositionAkute Expositionsbelastungen
Ziel der ReiseInnen- vs. AußenexpositionMittelfristige Gesundheitsprofile
Körperliche AktivitätsintensitätBelastung durch die Mikroumgebung transportierenSubklinische kardiovaskuläre Marker
AtemmusterArbeitsplatz-/häuslich-/FreizeitexpositionAnhaltende Steigerungen der Ruhepuls oder des Blutdrucks
Segmentübergreifende und tägliche FunktionenTägliche ExpositionsprofileFrühe Hypertonie-Risikowerte
Sitzende Unterbrechungen und Übergänge zwischen AktivitätszuständenTägliche durchschnittliche ExpositionAtemwegsgesundheitstrends
Übergänge zwischen Innen- und AußenumgebungenTägliche kumulative ExpositionsdosisHäufigkeit der Atemwegssymptom-Episoden
Übergänge zwischen TransportmikroumgebungenTägliche SpitzenbelastungAbbau der Lungenfunktion (RR, SpO₂ usw.)
Aktivitäts-Trip-KettenHäufigkeit/Dauer der täglichen SpitzenzeitenMetabolischer und körperlicher Aktivitätsstatus
Aktivität und TourkomplexitätTägliche MindestexpositionKumulative MET-min/Woche
Aktivitäts-Reise-KetteTägliche PerzentilexpositionVerteilung der Aktivitätsintensität
ZeitnutzungsstrukturTägliche Expositionsdauer über dem SchwellenwertSchlaf und Genesungsgesundheit
Aktivitätsraum, Rotationsradius, räumliche EntropieTägliche AUC-ExpositionErmüdungspersistenz über tägliche Schwankungen hinaus
GesamtverkehrsrichtungTägliche ExpositionsvariabilitätPsychische Gesundheit und Wohlbefinden
Zeit mit mäßiger bis intensiver körperlicher Aktivität (MVPA)Tägliche Steigung der Exposition (Änderungsrate)Stressreaktivität, Angstwerte usw.
Zirkadianer RhythmusTägliches Spitzen-zu-DurchschnittsverhältnisKumulative Expositionsrisiken
Gewohnheitsmuster der RoutineLängsbelichtungsprofileDurchschnittliche Schadstoffkonzentration und -dosis
Routinemäßige tägliche Aktivitäts-Reise-MusterLangfristige mittlere ExpositionLangzeitgesundheitsprofile
Variabilität der täglichen Aktivitäts-Reise-MusterLangfristige kumulative ExpositionsdosisRisiko und Verlauf von Herz-Kreislauf-Erkrankungen
Chronotyp des zirkadianen RhythmusSpitzenbelichtungAtem- und pulmonale Ergebnisse
Wochenend-/Wochentagsabweichungen im zirkadianen RhythmusHäufigkeit/Dauer von SpitzenereignissenMetabolische und fettleibigkeitsbezogene Ergebnisse
Regelmäßigkeit der Mobilität (Flugbahn, Pendel, Modus usw.)Perzentilbasierte ExpositionPsychische Gesundheitsergebnisse
Langfristige Trends in der körperlichen AktivitätZeit über der SchwelleSystemische Gesundheit und biologisches Altern
Bewegungs- und aktive VerhaltenszyklenAUC-ExpositionFunktionale und Lebensqualitätsergebnisse
Ernährungszeitpunkte und RegelmäßigkeitTägliche/wöchentliche/monatliche/saisonale VariabilitätLebenslaufgesundheitsverläufe
Adaptives Verhalten unter UmweltextremenBelichtungszeitreihen-MiningBevölkerungsgesundheitsintelligenz

Tabelle 3: Mehrskalige Datenprofile von M3-BREATHE. Die Tabelle hebt hervor, wie Verhaltenskennzahlen mit kurz-, mittel- und langfristigen Gesundheitsergebnissen zusammenhängen.

FensterAnwendungsfallModellierungsansatzVorteileNachteile
1 StundeSehr akute AuswirkungenEinbeziehen Sie einen gleitenden 1-Stunden-Durchschnitt als Kovariaten in LME oder Zeitreihen; oder DLNM mit stündlichen Verzögerungen verwendenErobert unmittelbare Gipfel; Minimale VerdünnungHoher Lärm; benötigt hochauflösende Daten; Begrenzte chronische Einsicht
24 StundenTäglich (kurzfristig)24-Stunden-Durchschnitt im gemischten Modell; DLNM oder DLM mit 1-Tages-VerzögerungenReduziert Lärm; entspricht regulatorischen KennzahlenKönnte Spitzenereignisse ausgleichen.
7 TageWöchentlich (subakut)7-Tage-Durchschnitts-Kovariat; DLM mit Verzögerungen von bis zu 7 TagenCaptures akkumulierte kurzfristige ExpositionVerwischt die tägliche Variabilität; Mäßige Glättung
30 TageMonatlich (mittelfristig)30-Tage-Durchschnitt; DLNM mit monatlicher VerzögerungsstrukturSpiegelt die jüngste Expositionsbelastung wider; SanfterVerfehlt alltägliche Spitzen; nimmt eine lineare Kumulation an
90 TageSaisonal (langfristig)90-Tage-Durchschnitt oder verteilte Verzögerung über ~90dErfasst saisonale TrendsÜber-Glättungen; Verwirrungen mit saisonalen Faktoren
365 TageJährlich (langfristig)1-Jahres-Durchschnitt im LME- oder Cox-ModellNützlich bei chronischem Risiko; Steuerung für die SaisonIgnoriert akute Variation; verwirrt durch Alterungstrends

Tabelle 4: Zeitfensterstrategien und analytische Ansätze. Zusammenfassung der Zeitfensterstrategien und der entsprechenden analytischen Ansätze, die zur Bewertung von Umweltexpositionen über verschiedene zeitliche Skalen verwendet werden, wobei deren Anwendbarkeit, Stärken und Einschränkungen hervorgehoben werden.

Ergebnisse

Die folgenden repräsentativen Ergebnisse stammen aus einer Pilotstudie, die tragbare Luftverschmutzungssensoren, Aktivitäts-Reise-Tagebücher und episodenbezogenes selbstberichtetes subjektives Wohlbefinden (SWB) integrierte. Die Teilnehmer mussten während ihrer täglichen Aktivitäten tragbare Luftverschmutzungssensoren mitführen und für einen durchgehenden Zeitraum von 48 Stunden (entweder Freitag–Samstag oder Sonntag–Montag) reisen und begleitende Aktivitätsreise-Tagebücher vervollständigen. Daten von insgesamt 112 gültigen Teilnehmern von Dezember 2017 bis Februar 2018 in der Wohngemeinde Meiheyuan, Peking, wurden in die Analyse einbezogen. Diese vorläufige Analyse konzentriert sich auf die Wechselwirkungen zwischenPM-2,5-Exposition (Umweltbereich), täglichen Aktivitäten (Verhaltensbereich) und kognitivem SWB (Gesundheitsbereich). Obwohl dieser Pilot die vollständige M3-BREATHE-Pipeline, insbesondere die Integration physiologischer Signale (z. B. HRV, Atemfrequenz) und Echtzeit-Expositionswarnungen, noch nicht validiert, dient er als illustratives Beispiel für den analytischen Ansatz. Für zukünftige Arbeiten ist eine vollständige End-to-End-Validierung des gesamten multimodalen Systems erforderlich.

Zur Validierung der End-to-End-M3-BREATHE-Pipeline bewerteten wir die Datenintegrität (99,3 % GPS-Datenerfassungsrate und 93,2 % Luftverschmutzungsmonitor-Erfassungsrate), Synchronisationsgenauigkeit (≤1 s Zeitasynchronität zwischen multimodalen Daten) und Kalibrierungsvalidität (PM2,5-Messungen von kostengünstigen Sensoren hatten eine Pearson-Korrelation von r=0,86 mit Forschungsreferenzinstrumenten nach Kollokationskalibrierung). Die Pipeline integrierte GPS-Trajektoriendaten, Umweltexpositionsdaten und selbstberichtete Tagebuchdaten, was die Identifikation aktivitätsspezifischer Expositionsmuster und Expositions-Gesundheitszusammenhänge ermöglichte. Diese Ergebnisse bestätigen die Reproduzierbarkeit und Zuverlässigkeit des M3-BREATHE-Protokolls für die reale E-M-H-Überwachung.

Abbildung 1 zeigt die durchschnittliche PM2,5 Expositionskonzentration (blaue Balken, linke Achse) und die kognitiven SWB-Werte (orange Linie, rechte Achse) über eine Reihe täglicher Aktivitäten und Reisen. Die Ergebnisse zeigen, dass sich diePM-2,5-Expositionskonzentrationen je nach Aktivitätstyp deutlich unterschieden. Die höchste durchschnittliche Exposition wurde während des Schlafs beobachtet, was auf eine hohe Konzentration von Luftverschmutzung in Innenräumen im Haus hinweist. Dies könnte daran liegen, dass das Untersuchungsgebiet im Vergleich zu anderen Teilen Pekings vergleichsweise stark verschmutzt ist. Weitere Aktivitäten mit konstant hohen Expositionskonzentrationen waren das Surfen im Internet, Unterhaltung, Lernen und Spaziergänge, die alle über 20 μg/m3 lagen. Mittlere Expositionskonzentrationen wurden für Aktivitäten wie Arbeit, körperliche Aktivität, Pflege und Ausflüge festgestellt (15–20 μg/m³). Die geringsten Expositionen wurden während persönlicher Angelegenheiten, Arztsuche, Essen und persönlicher Betreuung (5–15 μg/m3) festgestellt. Diese Unterschiede, basierend auf dieser Pilotstudie, spiegeln die spezifischen Umweltkontexte wider, in denen Aktivitäten stattfinden (drinnen vs. draußen und sitzend vs. aktiv). Im Gegensatz dazu zeigten kognitive SWB-Werte eine geringere Variabilität zwischen den Aktivitäten und lagen eng zwischen 1,7 und 2,3 (auf einer Unzufriedenheitsskala von 1–5). Die niedrigsten Zufriedenheitswerte waren mit Arztbesuchen und Ausflügen verbunden, gefolgt von persönlichen Angelegenheiten und Arbeit, während die höchsten Zufriedenheitswerte mit körperlicher Aktivität, Unterhaltung und sozialer Aktivität verbunden waren, die oft von Natur aus lohnende Aktivitäten sind.

Es wurde festgestellt, dass die Aktivitätstypen, die mit höherenPM-2,5-Expositionskonzentrationen verbunden sind, nicht immer mit einem niedrigeren kognitiven SWB übereinstimmten, was auf Entkopplungsmuster zwischen PM2,5-Exposition und selbstberichtetem kognitiven SWB hindeutet. Zum Beispiel körperliche Aktivität und Unterhaltung kombiniert mit erhöhter Exposition und hohen kognitiven SWB-Werten. Dies könnte darauf hindeuten, dass das Gesundheitsrisiko derPM-2,5-Exposition übersehen oder nicht bewusst mit kognitivem SWB in Verbindung gebracht wird, wahrscheinlich aufgrund der unsichtbaren Natur von PM2,5, was es noch heimtückischer und schwieriger macht, in der Umgebung zu erkennen. Im Vergleich dazu weisen Schadstoffe wie SO2, NOx und O3 leichter nachweisbare Eigenschaften auf. Zum Beispiel hat SO2 einen charakteristischen schwefelhaltigen Geruch, und NOx wird oft mit sichtbaren Emissionen aus industriellen Prozessen und Fahrzeugabgasen assoziiert. Diese gasförmigen Schadstoffe können sofort Augen, Rachen und Atmungssystem reizen, was sie leichter erkennen und darauf reagieren lässt, ohne dass spezielle Geräte benötigt werden. Allerdings ist PM2.5 der gefährlichste Schadstoff, da er in die Gasaustauschbereiche der Lunge (Alveol) eindringen kann, und sehr kleine Partikel durch die Lunge gelangen können, um andere Organe zu beeinträchtigen und somit dem Kreislaufsystem zu schädigen59. Dieses Ergebnis verdeutlicht die besondere Herausforderung, die PM2.5 darstellt, dessen kaum wahrnehmbare Natur und schwerwiegende gesundheitliche Auswirkungen es zu einem kritischen, aber oft unterschätzten Umweltrisiko in verschiedenen täglichen Aktivitäten machen.

figure-results-1

Abbildung 1: PM2,5 Expositionskonzentration und kognitives subjektives Wohlbefinden (SWB) nach täglicher Aktivitätstyp. Das kognitive subjektive Wohlbefinden (SWB) wird auf einer Likert-Skala gemessen, die von 1 (sehr zufrieden) bis 5 (sehr unzufrieden) reicht. Die Abbildung zeigt Unterschiede in den Feinstaub- (PM2,5, μg/m3)-Expositionswerten und den entsprechenden Wohlfühlwerten über Aktivitäten hinweg. Datenpunkte repräsentieren beobachtete Werte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Um den Zusammenhang zwischen Luftverschmutzungsexposition und subjektivem Wohlbefinden (SWB) zu untersuchen, verwendet diese Pilotstudie ein Generalized Additive Model (GAM), das flexible nichtlineare Effekte ermöglicht. Sowohl die gleichzeitige Luftverschmutzungsexposition (AAP) als auch die verzögerte Exposition aus der vorherigen Aktivität (AAP_1) werden mit glatten Funktionen modelliert, während soziodemografische Merkmale (Geschlecht, Alter, Hukou, Bildung, Familienstand und Einkommen) als Kontrollvariablen einbezogen werden. Die Ergebnisse zeigen, dass weder AAP noch AAP_1 einen statistisch signifikanten Effekt auf SWB haben, mit p-Werten von 0,234 bzw. 0,266. Obwohl die geschätzten glatten Terme auf einige nichtlineare Muster hindeuten, sind diese Effekte nicht robust (Abbildung 2). Im Gegensatz dazu zeigen bestimmte individuelle Merkmale stärkere Assoziationen mit SWB.

Diese Ergebnisse deuten darauf hin, dass eine kurzfristige Luftverschmutzungsexposition, egal ob zeitgleich oder verzögert durch eine Aktivitätsepisode, den SWB nicht signifikant beeinflusst. Eine mögliche Erklärung ist, dass Individuen möglicherweise nicht sofort auf kurzfristige Schwankungen der Luftqualität reagieren oder dass solche Effekte eine längere oder kumulative Exposition erfordern, um nachweisbar zu werden. Zukünftige Forschungen könnten diese Analyse erweitern, indem mehrere Lag-Strukturen (z. B. Expositionen aus mehreren vorangegangenen Aktivitätsepisoden) einbezogen werden, zeitbasierte Messgrößen (z. B. Expositionsdauer auf Minutenniveau) verwendet oder alternative Modellierungsmethoden wie verteilte Lag-Modelle oder maschinelle Lernmethoden eingesetzt werden, um dynamische und kumulative Auswirkungen der Luftverschmutzung auf das Wohlbefinden besser zu erfassen.

figure-results-2
Abbildung 2: Nichtlineare Auswirkungen der aktuellen und verzögerten Luftverschmutzungsexposition auf das subjektive Wohlbefinden. Die Kurven stellen modellabgeleitete Effektschätzungen im Zeitverlauf dar und heben kurzfristige Schwankungen und verzögerte Reaktionen hervor. AAP bezeichnet zeitgenössische Exposition, während AAP₁ eine um eine Zeiteinheit verzögerte Exposition (z. B. 1 Tag) darstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diskussion

Ein entscheidender Schritt bei der Einführung des M3-BREATHE-Protokolls ist die zuverlässige Einrichtung und Synchronisation multimodaler Geräte, da die Datenintegrität stark von stabilen Verbindungen zwischen tragbaren Sensoren, tragbaren Umweltmonitoren und der Smartphone-Anwendung abhängt. Es ist außerdem unerlässlich, sicherzustellen, dass alle Sensoren vor Beginn der Inspektion gemäß den Herstellerspezifikationen kalibriert sind. Idealerweise sollten die tragbaren Umweltgeräte, insbesondere der Luftverschmutzungsmesser, vor der Einsetzung an Forschungsreferenzinstrumenten angepasst und kalibriert werden, um die Gültigkeit und Genauigkeit der Messungen für Forschungszwecke sicherzustellen.

In kontrollierten klinischen Experimenten oder kurzfristigen, kleinmaßstäblichen Erhebungen liefert der Einsatz eines auf der Brust getragenen Atemgurts hochpräzise Atemparameter (Atemfrequenz, Gezeitenvolumen, EKG), was eine höhere Genauigkeit als handgelenksbasierte Sensoren bietet und als Triangulationsbasis zur Validierung ihrer algorithmischen Schätzungen dient. Im Gegensatz dazu ist für die longitudinale Überwachung in natürlichen Umgebungen, einschließlich freiwilliger Nutzung durch Verbraucher, die Kombination aus einem smarten Armband und einer Smartphone-Anwendung vorzuziehen, da diese Geräte weniger aufdringlich sind und eine nachhaltige Einhaltung der Teilnehmer fördern. Für Studien mit begrenzten Ressourcen oder Bedenken wegen der Teilnehmerbelastung wird ein Mindestkit empfohlen, das aus einem smarten Armband, einer Smartphone-App und einem einzelnen Schadstoffmonitor besteht. Weitere Sensoren (z. B. Brustgetragener Atemgurt, spezieller Lichttracker) sollten aufgrund spezifischer Forschungsziele und des Budgets berücksichtigt werden. Detaillierte Empfehlungen zur Anpassung des M3-BREATHE-Protokolls in kontrollierten klinischen Experimenten und realen Längsstudien/-praxis finden sich in Tabelle 5.

DatendomäneMetrik (Abkürzung)Kontrolliertes klinisches ExperimentPraxisnahe Längsschnittstudien/-praxis
Brustgetragener SensorSmartes ArmbandTragbarer UmweltmonitorSmartphone-AppSmartes ArmbandTragbarer UmweltmonitorSmartphone-App
PhysiologischHerzfrequenz (HR)ΟΟΟΟΟΟΟΟ
Herzfrequenzvariabilität (HRV)ΟΟΟΟΟΟΟΟ
Atemfrequenz (RR)ΟΟΟΟΟΟΟ
Tidal Volume (TV)ΟΟΟΟΟ
Elektrokardiogramm (EKG)ΟΟΟΟΟΟΟΟ
Blutdruck (BP)ΟΟΟΟΟ
Blutsauerstoffsättigung (SpO₂)ΟΟΟΟΟ
Metabolische Äquivalente (METs)ΟΟΟΟΟ
Hauttemperatur (ST)ΟΟΟ
Beschleunigungsmesser (ACC)ΟΟΟΟΟ
UmweltFeinstaub (PM2,5, PM10)ΟΟΟΟΟΟ
Kohlenmonoxid (CO)ΟΟΟΟΟ
Stickstoffdioxid (NO2)ΟΟΟΟΟ
Schwefeldioxid (SO₂)ΟΟΟ
Flüchtiges organisches
Verbindungen (VOCs)		ΟΟΟΟ
Lärm (N)ΟΟΟΟΟΟΟ
Temperatur (T)ΟΟΟΟΟ
Relative Luftfeuchtigkeit (RH)ΟΟΟ
Lichtbelichtung (Beleuchtung)ΟΟΟΟΟ
Lichtbelichtung (circadianes Licht A)ΟΟΟ
GrünheitΟΟΟΟ
Verhaltensbezogen & KontextabhängigGPS-Position / FlugbahnΟΟΟΟΟΟ
Aktivitätsreise-Tagebuch (ATD)ΟΟΟΟ
Ökologischer Moment
Bewertung (EMA)		ΟΟΟ
Basischarakteristika (BC)ΟΟΟΟΟΟ
Anmerkungen: ΟΟΟ, Mindestausrüstung; ΟΟ, Standardausrüstung; Ο, Alternative

Tabelle 5: Empfehlungen zur Anpassung des M3-BREATHE-Protokolls. Zusammenfassung der Messbereiche und Instrumentierungsniveaus über Studiensettings hinweg (ΟΟΟ Minimum; ΟΟ Standard; Ο Alternative).

Mehrere Modifikationen und Fehlerbehebungsstrategien sind erforderlich, wenn dieses Protokoll in verschiedenen Umgebungen angewendet wird. Erstens sollten im Falle einer Trennung zwischen den Überwachungsgeräten und dem Smartphone oder bei Zeiträumen über 30 Minuten mit null oder ungültigen Daten (z. B. Verlust von Gesundheitsparameterdaten durch Sensorfehler oder fehlendem Hautkontakt) automatisierte Berichte an die Ermittler erstellt werden, damit die Teilnehmer schnell kontaktiert werden können, um das Problem zu lösen. Ermittler können auch regelmäßige Datenintegritätsprüfungen durchführen. Zweitens können bei Längsschnitten des Protokolls die Geräteeinbindung und das Batteriemanagement größere Herausforderungen darstellen. Teilnehmer vergessen gelegentlich, das smarte Armband zu tragen, Powerbanks aufzuladen oder die Aktivitätsreise-Tagebücher zu füllen. Automatisierte In-App-Erinnerungen, Backend-Überwachung und tägliche Tagebuchhinweise sind effektive Hilfsmittel zur Minderung.

Trotz seiner Vorteile hat M3-BREATHE mehrere Einschränkungen. Obwohl intelligente Brustgurte präzise Atemmessungen liefern, sind sie aufgrund der Teilnehmerzahl von60 meist unpraktisch für eine langfristige Überwachung in der realen Welt. Armbandbasierte Messungen und Algorithmen zur Atmungsbewertung werden daher empfohlen, obwohl sie eine geringere Genauigkeit bei der Schätzung des Gezeitenvolumens oder der Erkennung subtiler Arrhythmien haben und ihre Leistung durch Bewegungsartefakte61 beeinflusst werden kann. Darüber hinaus erhöht der Einsatz mehrerer Umweltüberwachungsgeräte die Möglichkeit möglicher Verbindungsausfälle, nicht-synchroner Uhren oder Sensorfehler. Ein integriertes modulares Gerät für Multi-Schadstoff-Überwachung oder alternative Ansätze (z. B. smartphone-basierte Lärmüberwachung) sollte entwickelt werden, mit dem Ziel, die Messgenauigkeit zu gewährleisten, die Gerätegröße zu minimieren und die Portabilitätzu maximieren. Darüber hinaus kann die Abhängigkeit von in der App selbst gemeldeten Systemen (z. B. Aktivitätsreise-Tagebücher, medizinische Unterlagen) einen Rückruf-Bias verursachen und die langfristige Compliance-Belastung erhöhen63. Maschinelles Lernen basierte Identifikation von Aktivitäten und Reisen kann64 übernommen werden, während die Nachverfolgung medizinischer Behandlungsunterlagen von Gesundheitsdienstleistern nahtlos über eine einfache Ein-Klick-Oberfläche mit der Smartphone-Anwendung verbunden werden kann.

Dieses visionäre, reale M3-BREATHE etabliert eine skalierbare, nicht-invasive und kosteneffiziente Plattform für longitudinale Umwelt-Mobilitäts-Gesundheits-(E-M-H)-Nexus-Forschung und -Praxis und fördert bestehende Ansätze voran. Die traditionelle räumliche Epidemiologie stützt sich oft auf feste Standortüberwachung oder Wohnstellvertreter zur Expositionsbewertung, wodurch sie anfällig für das Problem der modifibaren Flächeneinheiten (MAUP) und das Problem des unsicheren geografischen Kontexts (UGCoP)21,65 ist. Durch die Integration multimodaler, hochraumzeitlicher Expositionsdaten bewegt sich dieses System zu rahmenunabhängigen, individualisierten Expositionsbewertungen und erleichtert so die Entschlüsselung der verhaltensbezogenen "Black Box" in der Umwelt-Gesundheits-Beziehung 66,67. Es unterstützt sowohl individuelle als auch bevölkerungsbasierte tiefgehende Interpretation der Dosis-Wirkungs-Dynamik, indem es Echtzeit-Expositionen aus Multi-Schadstoffen mit physiologischer Reaktivität und Gesundheitsergebnissen verknüpft, personalisierte Behandlung und Intervention, öffentliche Gesundheitsüberwachung und translationale Forschung ermöglicht, die Umweltexposition, tägliche Aktivitäten sowie Mobilität und Gesundheitsergebnisse verknüpft68 sowie das Gesundheitsselbstmanagement und die Risikominderung von Umweltexpositionen erleichtert69 (z. B. täglicher Aktivitätsplaner zur Vermeidung von hochrisikobasierten persönlichen historischen E-M-H-Profilen).

Zukünftige Anwendungen von M3-BREATHE umfassen (1) die Integration mit KI-gesteuerten Echtzeitinterventionssystemen, bei denen personalisierte Expositionswarnungen adaptive Verhaltensempfehlungen auslösen (z. B. Pendelumleitung während der Spitzenbelastung bei PM2,5 ); (2) Einsatz in gefährdeten Bevölkerungsgruppen (z. B. ältere Erwachsene, Asthmatiker) zur Bewertung krankheitsspezifischer Expositions-Gesundheits-Zusammenhänge und zur Unterstützung der Präzisionsmedizin; (3) Kombination mit genomischen Daten zur Aufdeckung von Gen-Umwelt-Interaktionen bei der Entwicklung chronischer Krankheiten; (4) Miniaturisierung integrierter modularer Umweltsensoren zur Reduzierung der Teilnehmerbelastung und zur Verbesserung der langfristigen Therapietreue; (5) Stadt- und Landesübergreifende Skalierung zur Generierung globaler E-M-H-Datensätze für vergleichende Umweltgesundheitsforschung. Darüber hinaus kann das Protokoll angepasst werden, um andere Umweltrisiken zu überwachen, indem relevante tragbare Sensoren ersetzt werden.

Offenlegungen

Der Autor erklärt keine konkurrierenden Interessen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, Temperatur, Luftfeuchtigkeit
AirVisual ProIQAirProAQI,  PM2.5, CO2, Temperatur, Luftfeuchtigkeit. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, Temperatur, Luftfeuchtigkeit, barometrischer Druck
BioNomadix BioShirtBioPacBN-BIOSHIRT-FxDrahtloses Smart-Shirt mit eingebauten Gewebeelektroden und Atemsensoren, in der Lage, EKG und Atemsignale aufzuzeichnen.
Extech SL355 Personal Noise DosimeterExtechSL355protokolliert SPL, Leq, Peak, usw.
Fitbit SenseFitbit2Herzfrequenz, EKG, SpO2, Stresslevel, Schlaf, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerHerzfrequenz, Blutdruck, EKG, Blutzucker, SpO2, Schlaf, Sportmodi
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341protokolliert SPL, Leq, Peak, usw.
Go Direct Respiration BeltVernierGDX-RBBrustgurt Atmungsmonitor unter Verwendung von Dehnungs- oder Erweiterungssensoren, um thorakale Ausdehnung oder Kontraktion zu erkennen
Hexoskin Smart ShirtHexoskinN/ASmart-Kleidungsstück mit eingebetteten Textilsensoren zur kontinuierlichen Überwachung der Atemfrequenz, Herzfrequenz, Beatmung, Aktivität, Schlaf usw
Huawei BandHuawei9Herzfrequenz, SpO2, Schlafphasen, Atemfrequenz, Arrhythmieerkennung
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2,Temperatur, Luftfeuchtigkeit
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVan der Kleidung befestigt; misst UVA und UVB; solarbetrieben 
Miniaturized Light DosimeterWearifiBLE Light Dosimeterbis zu 8 Kanäle der spektralen Dosimetrie (z.B. UV → IR), misst kumulative Lichtdosis; gut für langfristige Expositionsverfolgung.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375Herzfrequenz, Schlaf, SpO2, Stress, 100+ Sportmodi
Personal Noise Dosimeter SV-104ASvantekSV 104Aprotokolliert SPL, Leq, TWA, Peak, usw.
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133Herzfrequenz, Schlaf, Stress, Sportmodi
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededHerzfrequenz, SpO2, Schlaf, Schritte, Kalorien
SunSprite Personal Light TrackerGoodLux TechnologySunSpritean der Kleidung befestigt; misst sichtbares Licht und UV; solarbetrieben
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, Temperatur, Luftfeuchtigkeit und Wetter
Xiaomi Smart BandXiaomi9Herzfrequenz, SpO2, Schlafphasen, Stresslevel

Referenzen

  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).

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

Mobiles GesundheitsmonitoringMultimodales MonitoringPhysiologische SignaleUmweltexpositionenAtemsfunktionGPS-TrackingMachine-Learning-WarnmeldungenPersonalisierte GesundheitsbewertungUrbane UmweltdatenLongitudinales Gesundheitsmonitoring
Real-World M3-BREATHE: Auf dem Weg zur multimodalen mobilen Überwachung von Verhalten, Atmung und Expositionen zur Behandlung und Gesundheitsbewertung
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.