방법 논문

실제 M3-BREATHE: 치료 및 건강 평가를 위한 행동, 호흡, 노출의 다중 모달 모바일 모니터링을 향해

211 조회수

⸱

DOI:

10.3791/69900

⸱

2026년 6월 5일

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

이 논문에서

요약

M3-BREATHE는 호흡, 행동, 환경 노출을 모니터링하기 위해 웨어러블 센서를 통합한 모바일 헬스(mHealth) 시스템으로, 실제 세계에서 맞춤형 치료와 건강 평가를 제공합니다.

초록

생리적 및 행동 신호의 지속적이고 실시간 모니터링을 위한 모바일 헬스(mHealth) 기술의 통합과 환경 노출의 상세한 측정은 개인 맞춤형 건강 위험 평가를 발전시키고 보다 효과적인 치료 및 개입을 가능하게 하는 변혁적 잠재력을 지니고 있습니다. 이 프로토콜에서는 개인 행동(일상 활동 및 이동), 호흡 기능, 생리적 매개변수 및 환경 노출에 대한 데이터를 수집하고 통합하도록 특별히 설계된 다중 모달 이동 모니터링 시스템을 도입합니다. 이 시스템은 모바일 헬스 기기와 휴대용 환경 센서, GPS 지원 스마트폰 기반 애플리케이션을 결합하여 동기화된 고해상도 데이터 스트림을 생성합니다. 이 데이터는 생리학적 매개변수 계산(예: 신체 활동 강도, 호흡수)과 외부 도시 환경 데이터(예: 도시 녹지 공간, 거리 뷰 지도)를 통합하여 스마트폰 애플리케이션을 통해 처리되며, 이후 머신러닝 기반 경고 시스템이 배치되어 호흡기 건강, 일상 활동 및 이동성 패턴, 위험 요인 노출에 대한 실질적인 통찰을 제공합니다. 프로토콜은 다중 모달 모바일 행동, 호흡 및 노출 모니터링(대기 오염, 소음, 빛, 열, 녹지 등)을 치료 및 건강 평가(M3-BREATHE)를 통제된 임상 실험과 실제 맥락에서 배포하는 데 필요한 하드웨어 설정, 소프트웨어 구성, 데이터 수집 절차 및 분석 워크플로우에 대한 포괄적이고 상세한 지침을 제공합니다. 이 미래지향적인 M3-BREATHE 플랫폼은 일상생활에서 개인 수준의 정밀 건강과 인구 규모의 장기 건강 인텔리전스를 연결하는 확장 가능하고 비침습적이며 비용 효율적인 장기 환경-이동-건강(E-M-H) 모니터링 접근법을 확립합니다.

서론

주로 인구 수준과 지역적 환경과 건강 간의 연관성을 강조해온 전통적인 공간 역학을 넘어, 이제는 개인 수준과 이동성 기반 관계와 과정 1,2,3,4에 초점을 맞추고 있습니다. 이러한 변화는 여러 상호 연관된 근본적인 방법론적 문제들과 함께 더 정밀하고 맥락에 민감한 접근법에 대한 새로운 기회에 의해 촉진됩니다.

첫째, 수정 가능한 면적 단위 문제(MAUP)는 면적 또는 구역 기반 데이터 분석에서 결과가 보고되는 면적 단위의 정의에 의해 영향을 받을 수 있다는 문제를 의미합니다 5,6. 이는 공간 데이터 분석과 관련된 두 가지 별개이지만 상호 연관된 문제에 적용됩니다. 첫 번째는 "스케일 문제"로, 동일한 지역 데이터 집합이 여러 개의 더 큰 지역 단위 집합으로 집계되어 각 조합이 서로 다른 데이터 값과 추론을 이끌어냅니다. MAUP의 두 번째 측면은 "구역 문제"로, 주어진 지역 단위 집합이 같은 크기이지만 위치가 다른 구역으로 재결합되어 데이터 값에 변동이 발생하여 결과적으로 다른 결론이 나오는 것입니다 7,8. 면적 또는 구역 기반 데이터를 활용한 연구의 신진 진전에 대한 의문을 해결하기 위해, MAUP의 영향을 최소화하기 위해 두 가지 방법을 끊임없이 논의합니다. 하나는 영역 내 동질성의 극대화입니다. 적절한 지역 연구 단위를선택하면 환경 노출의 측정 오차와 비차등 노출 오분류를 최소화할 수 있습니다. 건강에 미치는 맥락적 영향을 추정할 때 9,10,11. 하지만 공간 단위 내 대기 오염 노출의 이질성은 여전히 오류를 초래할 수 있습니다. 따라서 또 다른 방법이 프레임 독립적인 공간 데이터 표현 및 분석으로 나아가고 있습니다12,13. 기존의 영역 기반 맥락 이해를 넘어, 개인 기반 측정은 맥락 요인의 속성 동질성과 공간적 인접성을 고려하며, 환경 노출이 건강에 미치는 영향을 조사할 때 척도에 독립적이거나 척도에 불변적인 견고한 분석 척도를 제공할 수 있습니다 14,15,16.

둘째, 불확실한 지리적 맥락 문제(UGCoP)는 지역 기반 맥락 변수가 개별 행동이나 결과에 미치는 영향에 관한 발견이 맥락 단위(예: 이웃)가 지리적으로 구분되고, 이 지역 단위들이 실제 지리적 맥락에서 얼마나 벗어나는지에 의해 영향을 받을 수 있다는 문제를 의미합니다17,18. 대표적인 예로, 개인의 대기 오염 노출 평가는 일, 여가 등으로 집 밖에 많은 시간을 보내는 사람들을 위한 주거지를 기준으로 잘못 평가할 수 있는데, 이는 "진정한 인과적 관련성" 지리적 맥락과는 거리가 멉니다18,19. 사람들의 환경 노출과 건강 영향에 대한 정확한 평가에 영향을 미치는 맥락적 불확실성을 완화하기 위해, 특정 고정 위치(예: 주거 위치, 직장)를 사용하는 맥락적 영향 개념을 넘어서는 이동성 기반 측정을 채택해야 합니다(예: 주거 지역, 직장)16,20. 대기 오염과 인간 이동성의 시공간적 변동성을 무시하면 개인 노출 추정치(21,22,23,24)와 환경 정의 평가(25,26)에서 상당한 오류가 발생할 수 있으므로, 환경 노출과 건강 결과 간의 연관성을 이해하기 위해서는 이동성 기반의 고해상도 시공간 데이터를 수집하는 것이 필수적입니다. 또 다른 도전 과제는 환경 데이터셋과 신체 착용 센서에서 수집된 개인 수준의 생체 인식 측정 간의 공간적 불일치에 있습니다. 스트리트 뷰 영상은 인간 시각 규모에서 세밀한 환경 특성화를 가능하게 하고, 위성 기반 식생 지수(예: NDVI)는 10–250m의 더 넓은 해상도에서 더 넓은 범위를 제공하지만, 두 경우 모두 생리적 및 행동 데이터가 기록된 정확한 위치에서 이동성 경로와 환경 노출을 연결하는 명확한 공간 정렬 전략이 필요합니다. 이 규모 불일치를 해결하려면 생리적·행동적 데이터가 기록된 정확한 위치에서 이동성 경로와 환경 노출을 연결하는 명확한 공간적 정렬 전략이 필요합니다.

MAUP와 UGCoP가 제기하는 도전에 대응하여, 환경 건강과 관련된 여러 학문 분야의 연구자들이 환경 노출과 건강 결과 사이의 행동 과정에 관한 연구에 점점 더 참여하고 있으며, 개인 수준 이동성 기반 프레임워크로 나아가고있습니다. 1,27,28,29 . 환경-이동성-건강(E-M-H) 연결에 대한 관심이 증가함에 따라, 기존 문헌은 주로 선행(환경-이동성) 도메인 17,30,31,32 또는 후속(이동성-건강) 도메인 33,34,35에 집중되어 있습니다이 세 분야를 모두 포함하는 통합 연구는 제한적입니다. 그럼에도 불구하고, 개인의 일상 활동과 여행은 환경 노출이 건강 결과에 미치는 용량-반응 효과를 크게 형성했습니다. 개인이 24시간 동안 어디서, 언제, 어떻게 활동을 투영하고 일정을 잡으며 수행하는지는 환경 위험에 대한 노출과 그에 따른 건강 결과와 밀접하게 연관되어 있습니다.17, 18, 36. 더욱이 또 다른 중요한 공백은 실시간 모니터링과 건강 결과의 종단 추적을 연결하는 실행 가능한 분석 프레임워크를 제공하는 연구가 거의 없다는 점으로, 이는 치료와 개입에 대한 견고하고 실행 가능한 근거 생성 능력을 제한합니다. 이러한 격차를 해결하면 환경 건강 평가의 정확도가 향상될 뿐만 아니라, 복잡한 E-M-H 연결고리에서 일상 활동과 이동, 그리고 그 근본적인 행동 과정의 매개 역할을 밝혀내어 노출 위험을 줄이고 건강 결과를 증진하기 위한 개인화되고 이동성 기반 치료와 개입에 대한 강력한 근거를 제공합니다.

모바일 및 웨어러블 기술의 부상, 특히 모바일 헬스(mHealth) 기기40,41,42와 휴대용 환경 센서43,44,45는 개인의 행동, 환경 노출, 생리학적 지표를 동기화하여 모니터링하는 새로운 접근법을 가능하게 했습니다. 스마트폰 애플리케이션과의 통합을 통해 참가자들은 자신의 건강 상태, 의료 이력(예: 호흡기 및 심혈관 질환), 주관적 생리 경험 및 환경 위험 인식을 문서화할 수 있어, 머신러닝 또는 규칙 기반 접근법을 통해 보다 정밀하고 개인화된 위험 평가와 경고를 가능하게 합니다. 여기서는 치료 및 건강 평가를 위한 행동, 호흡, 노출(대기 오염, 소음, 빛, 열, 녹지 등)의 실제 다중 모달 이동식 모니터링(M3-BREATHE)을 소개합니다. 종단 간 프로토콜은 M3-BREATHE 배포에 필요한 하드웨어 설정, 소프트웨어 구성, 데이터 수집 절차 및 분석 워크플로우에 대한 포괄적인 지침을 제공합니다. 이 프로토콜은 환경 보건, 교통 지리학 및 개인 맞춤형 의학 분야에서 통제된 임상 실험(단기 고충실도 모니터링) 또는 실제 종단 연구(장기, 비침습성 모니터링)를 수행하는 연구자들에게 적합하지만, 초고정밀 실험실 수준의 호흡 측정(예: 침습적 폐 기능 검사)이 필요한 연구에는 권장되지 않습니다.

프로토콜

이 프로토콜의 연구 목적 수행은 통제된 임상 실험이든 실제 맥락이든 사전 승인을 받고 연구자들의 기관 인간 연구 윤리 위원회의 지침을 따라야 합니다. 설문조사 시작 전에 참가자로부터 사전 동의를 받아야 합니다. 이 글의 실증적 조사는 베이징대학교 인간연구윤리위원회의 지침을 따릅니다. 이 프로토콜을 사용하는 모든 참가자 기반 연구는 연구자의 기관 연구 윤리 위원회로부터 사전 윤리 승인을 받아야 합니다. 모든 참가자는 데이터 수집 절차 전에 서면 동의서를 제공해야 합니다. 권장 장비 설정은 재료표에 나와 있습니다.

1. 웨어러블 모바일 헬스 기기 설정

  1. 가슴에 착용하는 호흡 센서 설치
    1. 참가자에게 센서가 통합된 셔츠나 가슴 스트랩을 옷 아래 피부에 직접 착용하여 전기생리학적 신호 획득을 위한 최적의 피부 접촉을 보장하도록 지시합니다.
    2. 셔츠나 스트랩의 착용감을 조절하여 자연스러운 호흡이나 움직임을 방해하지 않도록 하고, 센서가 피부와 안정적으로 접촉하고 깊게 흡입 시 미끄러지거나 움직이지 않을 때 적절한 맞춤이 확인됩니다.
    3. 센서가 완전히 충전되어 있고 블루투스를 통해 스마트폰과 성공적으로 페어링되어 호흡수(분당 호흡수), 일회량(밀리리터, mL), 심박수(분당 박동수, BPM)를 실시간으로 모니터링하고 기록할 수 있도록 하세요. 기기 시계가 스마트폰 시스템 시간과 동기화되어 있어 다중 모달 데이터 스트림 간 정확한 시간 정렬이 가능한지 확인하세요.
      참고: 호흡 및 심박수는 착용 가능한 손목밴드 기기를 사용해 특히 장기 모니터링을 위해 산출할 수 있습니다(1.2단계 참조). 호흡 박수는 호흡기로 인한 광폭맥감도(PPG) 또는 심박 변이성(HRV) 신호의 변동을 바탕으로 간접적으로 계산됩니다(5.2단계 참조). 이 대체 방법은 가슴에 착용하는 호흡 센서를 장기간 사용할 때 발생하는 참가자의 불편함과 부담을 줄이는 데 도움을 줄 수 있습니다.
  2. 스마트 손목밴드 장치 설정
    1. 장치 삽입의 주요 부위는 비우세 손목을 선택하고, 손목 밴드를 척골 경상돌기(ulnar styloid process) 근위부에 단단히 고정합니다.
    2. 말초 순환을 방해하지 않으면서 최적의 광폭서법(PPG) 센서-피부 접촉을 위해 스트랩을 조정하세요. 스트랩이 꽉 끼면 맞지만 손가락 끝 하나를 넣을 수 있습니다.
    3. 스마트폰에서 동반 앱을 열고 기기가 블루투스로 성공적으로 연결되었는지 확인하세요.
    4. 앱 내 실시간 디스플레이로 이동하여, 심박수(심박수, 단위: 분당 박수, BPM), 심박 변이성(HRV, 단위: 밀리초, ms), 혈압(혈압, 단위: 수은, mmHg), 심전도(ECG, 단위: 밀리볼트) 등 모든 원하는 매개변수를 지속적으로 모니터링할 수 있도록 설정되어 있는지 확인하세요. mV); 알고리즘에 의해 추정된 호흡수(RR, 단위: 분당 호흡), 혈중 산소포화도(SpO₂, 단위: 퍼센트, %), 대사 환산수(METs, 비율) 등 호흡 및 대사 지표; 말초 피부 온도(단위: 섭씨 °C); 가속도계의 움직임 데이터(ACC, 단위: 중력 가속도, g).
      참고: 기기 뒷면의 PPG 센서는 피부와 일정하고 평평하게 접촉해야 합니다. 시간이 지나면서 느슨해지면 다시 조이세요.

2. 환경 센서 설치

  1. 환경 감지 장치를 적절한 USB 케이블을 사용해 휴대용 보조 배터리(10,000mAh 용량)에 연결하여 24시간 연속 작동을 보장합니다. 모든 연결이 안정적이어야 하며, 이동 중 실수로 분리되지 않도록 케이블을 깔끔하게 정리하세요.
  2. 다중 대기 오염물질 모니터(입자PM 2.5 및PM 10 μg/m 3, 일산화탄소 일산화탄소 ppm, 질소 이산화물 NO2, 이산화황 SO₂ 및 휘발성 유기 화합물 VOCs(ppb 단위)를 참가자 배낭의 망사 옆 주머니에 넣습니다. 빛 노출 추적기(조도, 럭스, lx; Circadian Light A, CLA, 0-1) 배낭 어깨끈의 앞면을 단단히 고정하여 장애물 없이 앞쪽/바깥쪽을 향하도록 위치시킵니다.
  3. 참가자에게 일상 활동과 여행 시 배낭을 휴대하고 24시간 동안 이동하며, 보조 배터리는 매일 밤 충전하도록 지시하세요. 문제가 있을 경우 연락처를 제공하세요.
  4. 모든 센서가 전원이 켜져 있고 실시간 데이터 스트림을 성공적으로 구축했는지 확인하며, 데이터를 기록하고 동반 스마트폰 애플리케이션에 전송하고 있습니다.
    참고: 모든 센서는 참가자에게 전달되기 전에 각 제조사의 사양에 따라 엄격히 교정되어야 합니다. 저비용 대기 오염 센서는 대표 사이트에서 연구용 기준 기기와 2주간 콜로케이션 보정 테스트를 거쳐 센서별 보정 계수를 도출하는 것이 권장됩니다. 콜로케이션 절차는 저비용 센서를 기준 기기 인접(동일 높이에서 1m 이내)에 배치하고, 최소 14일 동안 두 센서를 동시에 작동시켜 다양한 환경 조건을 포착하는 것을 포함합니다. 쌍을 이루어진 데이터는 회귀분석을 통해 선형 또는 비선형 보정 모델(예: C보정 = (C raw - b)/a))을 도출하는 데 사용됩니다. 기준 계측기에 접근할 수 없는 센서의 경우, 기준선 드리프트를 보정하기 위해 HEPA 여과된 청정 공기를 이용한 제로 보정이 권장됩니다. 기준선 값을 기록하기 전에 깨끗한 공기 조건에서 10–15분간의 안정화 기간이 필요합니다. 각 배포 전에 센서 응답성과 데이터 전송 안정성을 확인하기 위한 사전 배치 검증 점검을 수행해야 합니다. 데이터 수집 중에는 일일 품질 보증(QA) 로그를 유지하여 이상 현상, 센서 드리프트 또는 연결 중단을 문서화해야 합니다. 온도 및 상대습도 센서(RH, 단위: 백분율, %)는 보통 대기 오염 감지 장치의 부품으로 통합됩니다. 지속적인 소음 노출은 전용 애플리케이션을 통해 스마트폰 내장 마이크를 통해 측정할 수도 있습니다. 스마트 손목밴드와 휴대전화를 이용한 빛 노출 및 열 노출은 복복 및 배치 같은 방해 요인에 대한 높은 취약성 때문에 권장되지 않습니다. 종단 연구나 실천을 위해서는 다중 오염물질 모니터링을 위한 소형 모듈형 장치를 권장합니다.

3. 스마트폰 애플리케이션 구성

  1. 참가자의 스마트폰에 M3-BREATHE 모바일 애플리케이션(안드로이드/iOS용으로 맞춤 개발)을 설치하세요.
  2. GPS, 블루투스, 백그라운드 데이터 동기화를 활성화하세요.
  3. 앱을 설정하여 GPS 위치 데이터를 1분 간격으로 기록하고 센서 데이터를 5분마다 동기화하세요.
  4. 각 연결된 장치(웨어러블 생리 모니터 및 휴대용 환경 센서)마다 데이터 샘플링 속도를 1 Hz(즉, 초당 1샘플)로 설정하여 고시간 해상도 데이터 캡처를 보장합니다.
  5. 데이터 기록을 시작하기 전에 모든 설정이 저장되어 있는지 확인하세요.
    참고: 설정 후 짧은(예: 5분) 테스트 녹화를 수행하는 것이 좋은 관행입니다. 전체 연구 기간을 시작하기 전에 모든 예상되는 데이터 스트림(GPS 좌표, HRV, ECG, 대기 오염, 소음 등)이 기록되고 올바른 타임스탬프가 되어 있으며 그럴듯한 값을 포함하고 있는지 테스트 데이터를 검토하세요. 녹지 노출은 고시공간 해상도 GPS 궤적 데이터와 OpenStreetMap 같은 지리 데이터셋이나 위성 기반 식생 지수(예: 식생 피복의 NDVI)를 통합하여 간접적으로 측정된다는 점도 주목할 만합니다. 대략적인 해상도 환경 층(예: 10–250m 거리의 NDVI)과 개별 수준의 생체 측정 간의 공간적 규모 불일치를 해결하기 위해, 프로토콜은 최근접 추출 또는 버퍼 평균화 추출 방법을 기반으로 각 GPS 지점에 환경 노출 값을 할당하여 각 생리학적 측정의 위치와 시간에 대한 공간적 정렬을 보장합니다.

4. 데이터 수집 절차

  1. 참가자 온보딩
    1. 대상 인구의 대표성을 보장하기 위해 층별 표본 추출 방법을 사용하여 참가자를 모집합니다.
    2. 참가자들에게 센서 착용 및 사용 절차, 그리고 동반된 스마트폰 애플리케이션 사용법에 관한 상세한 지침서, 매뉴얼, 가능하면 교육 영상 등 포괄적인 안내 자료를 제공하세요.
    3. 앱 내에서 기본 건강 조사를 수행하여 인구통계학적 데이터(예: 성별, 연령, 키, 체중, 혼인 여부), 병력(예: 비전염성 질환), 호흡기 건강 상태(예: 흡연 연수, 만성 기침 또는 호흡곤란), 그리고 기타 자가 보고된 건강 정보(예: 일반 신체 및 정신 건강, 음주, 식습관, 신체 활동 수준, 수면 질 등)를 수집합니다.
      참고: 일반 건강46에 대한 12개 항목 단기 설문조사(SF-12), 알코올 사용 장애 식별 테스트-소비(AUDIT-C)47, 국제 신체활동 설문지-단축형(IPAQ-SF)48, 피츠버그 수면 질 지수(PSQI)49 등 자기보고식 건강 정보 수집을 위한 표준화된 도구를 권고합니다. 또는 편의를 위해 7항목 리커트 척도를 적용할 수도 있습니다.
  2. 일일 모니터링 루틴
    1. 참가자에게 이동식 건강 생리학 센서를 착용하고, 휴대용 환경 모니터링 장치(망사 주머니가 달린 배낭)를 24시간 연속 휴대하도록 지시하세요. 수면 중에는 환경 센서를 침실에 배치하여 노출 평가를 유지해야 하며, 특히 빛 센서에 주의를 기울여야 합니다.
    2. 참가자에게 매일 저녁 보조 배터리를 충전하고 환경 센서에 연결해 끊김 없이 작동과 데이터를 유지하도록 상기시켜 주세요.
    3. 데이터 스트림은 연구팀이 4시간마다 수동 점검하거나, 가능하다면 애플리케이션 내 백엔드 시스템에서 자동 알림을 통해 모니터링되며, 데이터 동기화 중단 후 30분이 발생하면 발생합니다. 30분 이상 연결이 끊기면 참가자에게 연락하여 문제를 해결할 것입니다.
    4. 참가자가 매일 저녁에 신청서 내에서 활동-여행 일지 설문조사(표 1에 템플릿 제공)를 완료하도록 권장하여, 보다 효과적이고 목표 지향된 치료 및 개입을 위해 일일 활동과 이동성 맥락화의 정확성을 높입니다. 일관된 준수를 촉진하기 위해 매일 저녁 8시에 자동 알림(신청서/SMS)이 발송됩니다.
      참고: 타임스탬프 포함 궤적 시각화를 위한 지도를 포함한 인터랙티브 인터페이스는 GPS 데이터를 기반으로 한 활동 및 여행 식별을 머신러닝 기반으로 배포할 수 있습니다. 이상적으로는, 다음 활동/여행 에피소드가 발생한 직접에 대해 자동으로 알림이나 알림을 앱에 전달하여 하루가 끝날 때 기억하는 편향을 줄이도록 할 수 있습니다. 일일 기록을 통합하기 위해 잠자기 전 최종 검토를 권장합니다. 또한, 생태학적 순간 평가(EMA)는 푸시 알림을 통해 하루 세 번(예: 오전 8시, 오후 12시, 오후 4시)의 주관적 경험(예: 호흡 곤란, 피로, 환경 오염 인식)을 포착하는 데 활용될 수 있습니다.
  3. 데이터 동기화 및 백업
    1. 수집된 모든 실시간 및 활동 여행 일지 데이터는 Wi-Fi 또는 셀룰러 네트워크를 통해 안전하고 암호화된 클라우드 서버에 자동으로 동기화됩니다. 클라우드 데이터베이스는 데이터 손실을 방지하기 위해 정기적인 자동 백업으로 구성되어 있습니다.
    2. 모든 데이터는 먼저 스마트폰 내부 메모리에 저장됩니다. 동기화된 데이터는 클라우드 서버가 성공적으로 인증한 후 매일 자동으로 기기에서 삭제됩니다.
    3. 모든 데이터는 수집 시점에서 익명화되어 기관 서버에 안전하게 저장됩니다. 데이터의 저장, 전송 및 폐기는 호스트 기관의 데이터 보안 및 개인정보 보호 정책에 엄격히 따라 관리됩니다.
      데이터 요약과 출처는 표 2에 제공되어 있습니다.
참가자ID날짜시작 시간엔드타임활동(A)/여행(T)활동 유형/여행 모드
113/08/20250:007:00A잠 자세요
113/08/20257:007:30A아침 식사
113/08/20257:308:00T대중교통
113/08/20258:0011:30A작품
113/08/202511:3011:45T걷기
113/08/202511:4512:45A점심
113/08/202512:4513:00T걷기
113/08/202513:0017:00A작품
113/08/202517:0017:15T자전거
113/08/202517:1518:00A요리
113/08/202518:0019:00A만찬
113/08/202519:0021:00A여가
113/08/202521:0021:30A배스
113/08/202521:3023:59A잠 자세요
114/08/20250:006:30A잠 자세요
114/08/2025…………

표 1: M3-BREATHE 모니터링을 위한 활동-여행 일지 템플릿. 표는 행동 데이터가 노출 및 건강 분석과 통합되기 위해 어떻게 기록되고 조직되는지 보여줍니다.

웨어러블 모바일 헬스 기기스마트폰 애플리케이션휴대용 환경 센서
호흡수(RR)GPS 좌표미립분물 (PM2.5, PM10)
조수 볼륨 (TV)활동-여행 일지일산화탄소(CO)
심박수(HR)생태 순간 평가(EMA)이산화질소(NO2)
심박 변동성(HRV)기본 건강 정보이산화황(SO₂)
심전도(ECG)나이, 성별 등등.휘발성 유기화합물(VOCs)
혈압(BP)체질량지수(BMI)노이즈 (N)
혈중 산소포화도(SpO₂)사회경제적 지위(SES)온도 (T)
대사 환가물(MET)병력상대습도(RH)
피부 체온(ST)호흡기 건강 상태빛 (lx)
가속도계 (ACC)자가 보고 건강 정보서카디언 라이트 A (CLA)

표 2: 데이터 요약과 기기 출처. 표에는 심박수, 호흡수, 입자, 온도와 같은 주요 지표와 이에 대응하는 측정 방식이 나열되어 있습니다.

5. 데이터 처리 및 분석

  1. 장치 교정 및 품질 보증
    배치 전에 모든 장치는 제조사 사양에 따라 기본 보정 점검을 거칩니다. 환경 센서(예: PM2.5 모니터)의 경우, 가능할 경우 제로 보정이나 참조 기기와의 비교가 포함될 수 있습니다. 데이터 처리 과정에서 품질 보증 및 품질 관리(QA/QC) 절차가 환경 및 생체 인식 데이터 스트림 모두에 적용됩니다. 모든 QA/QC 단계는 투명성과 재현성을 보장하기 위해 문서화됩니다.
    1. 심박수 또는 오염물질 농도와 같은 생리학적 또는 물리적으로 불가능한 값을 제거하기 위한 거리 검사.
    2. 웨어러블 데이터 내 움직임 관련 잡음 등 신호 아티팩트의 탐지 및 제거. 적절한 경우 평활화 또는 필터링 절차(예: 이동평균선)를 사용합니다.
    3. 누락되거나 희소한 데이터 세그먼트의 식별 및 처리.
  2. 전처리
    1. 원시 센서 데이터는 정제되고(GPS 드리프트는 칼만 필터를 통해 보정됨), 파이썬 기반 전처리 패키지(예: Pandas, GeoPandas, Tsfresh, Pyo3)를 통해 멀티모달 시간 정렬 방식을 사용하여 활동-여행 일지와 동기화됩니다. 처리된 모든 데이터는 이후 M3-BREATHE 데이터베이스에 통합됩니다.
    2. 환경 노출과 생체 측정 간의 시간적 정렬을 보장하기 위해 모든 데이터 스트림을 통합 타임스탬프 프레임워크에 동기화하세요. 네트워크 기반 시간 프로토콜을 사용하여 배포 전에 장치 클럭을 표준화하세요. 데이터 처리 중에는 서로 다른 장치의 타임스탬프를 공통 참조 시간(예: UTC)에 맞추고, 선형 보간법이나 시간 오프셋 조정을 통해 클럭 드리프트를 보정합니다.
    3. 분석 목적에 따라 고주파 데이터(예: 웨어러블 기반 심박수)를 집계하여 환경 측정 해상도에 맞추거나, 환경 데이터를 고주파 데이터에 맞게 조정합니다. 누락된 타임스탬프나 불규칙한 샘플링 구간은 보간을 적용하거나 미리 정의된 품질 기준에 따라 데이터를 제외하여 처리합니다.
    4. GPS 데이터와 외부 지리 데이터셋을 함께 처리하여 개별 노출을 맥락화합니다. GPS 기록을 OpenStreetMap 데이터와 위성 기반 식생 지수(예: NDVI)와 통합하여 녹지 노출도를 계산합니다. 최근이방 또는 버퍼 기반 공간 정렬 방법을 적용하여 고주파 GPS 궤적과 저해상도 위성 기반 환경 층 간의 규모 차이를 해결합니다.
    5. 각 GPS 고정점에 대해, 교차하거나 가장 가까운 픽셀에서 해당 환경 노출 값을 할당하거나, 정의된 버퍼 반경(예: 10m, 30m) 내 픽셀의 가중 평균을 계산하여 일반적인 GPS 공간 불확실성을 반영합니다. 환경 노출이 동시에 수집된 생리적 및 행동 데이터와 호환되는 시공간적 해상도로 귀속되도록 보장해야 합니다.
  3. 특징 추출
    1. 중심 경향(평균, 중앙값, 가중 평균), 극단값(최대, 최소, 백분위수), 변동성(표준편차, 분산, 변동계수, 4분위 범위), 시간적 패턴(최고점 빈도, 임계값 초과 지속 시간, 변화율, 주간, 주간 또는 계절별 변동) 등 주요 지표를 사용하여 환경 및 모바일 건강 모니터링 데이터를 요약합니다.
    2. 총 노출 지표(평균 농도 및 흡입량)와 곡선 아래 면적(AUC)을 사용하여 누적 대기 오염물질 노출량을 계산합니다. 아래 관계를 사용하여 노출 지속 시간(t) 동안 흡입된 오염물질 선량(D)을 계산합니다.
      figure-protocol-1
      미세한 환기는 다음과 같이 정의됩니다:
      figure-protocol-2
      여기서 C는 흡입된 공기 중 오염물질 농도(μg/m3, ppb 또는 ppm, 단위 기준에 따라 다름)입니다; figure-protocol-3 는 분당 흡입되는 공기의 총 부피(L/min)인 분간 환기량입니다; RR은 호흡수(호흡/분)입니다; VT는 조석량으로, 한 번의 호흡당 흡입되는 공기량(L/breath)이다; T 는 노출 시간(min)입니다.
      선량 D 는 μg 단위로 계산되며, 단위 일관성을 유지하기 위해 figure-protocol-4 m³/분(즉, 1000으로 나누기)으로 변환해야 합니다.
    3. 가슴에 착용하는 호흡 센서는 실제 상황에서 장시간 지속적으로 착용하는 것이 비용이 많이 들고 부담스럽기 때문에, 통제된 임상 실험에서 몇 시간에서 며칠 사이의 모니터링 시간과 비교할 때, 스마트 손목밴드에서 얻은 가속도계와 자이로스코프 데이터를 이용해 기계 학습 알고리즘50,51을 적용하여 호흡수를 평가합니다. 평가의 정확도를 높이기 위해 무작위 포레스트 모델은 보통 필터 역할을 하여 부정확한 호흡 수를 초래하는 데이터를 배제하고, 이후 합성곱 신경망(CNN) 모델을 사용해 호흡속도 52,53을 추출할 수 있습니다.
    4. GPS 데이터, 스마트폰 기반 여행 활동 일지, 손목밴드 가속도계의 움직임 데이터에서 행동 특징을 추출합니다. 환경 노출, 행동, 건강 결과 간의 연관성을 분석하기 위한 개별 행동 지표 세트를 생성하세요. 표 3은 행동, 환경 노출, 건강 영역 전반에 걸친 다중 척도 프로필을 요약합니다.
      참고: 화살표는 행동, 환경 노출 및 건강 영역 전반에 걸쳐 프로필의 순차적 정렬을 보여줍니다.
  4. 데이터 분석
    1. 기술적 및 탐색적 분석
      1. 모든 변수의 분포, 중심 경향, 변동성을 특징짓기 위한 초기 기술 통계를 수행한다.
      2. 상관관계 분석과 분산 인플레이션 계수(VIF) 검정을 수행합니다.
      3. 시계열, 박스플롯, 지리공간 히트맵을 사용하여 노출 및 건강 데이터를 시각화합니다.
    2. 급성 연관성과 시간적 지연
      1. 분산 지연 모델(DLM)을 사용하세요.
      2. 노출 데이터를 시간 블록으로 분류하세요.
      3. 민감도 분석을 수행하세요.
      4. 시계열 방법(ARIMA, VAR)을 적용하세요.
    3. 만성 연관성과 누적 노출
      1. 집계 노출 지표.
      2. 반복적인 건강 평가와의 노출 연계.
      3. 혼합 효과 회귀 모델을 사용하세요.
      4. 종단 또는 생존 분석을 적용하세요.
        참고: 시간창 전략을 고려해야 합니다. 표 4는 다양한 시간창 옵션을 비교합니다.
    4. 행동 매개 및 조절 분석
      1. SEM 또는 인과 분석을 이용한 중재를 탐구해 보세요.
      2. 조절 효과를 살펴보세요.
    5. 노출-반응 함수 및 용량-반응 곡선
      1. 노출-반응 관계를 정량화하세요.
      2. 흡입 용량-반응 함수를 추정합니다.
      3. 비선형 연관성을 조사하세요.
    6. 종단 및 생애 경과 분석
      1. 만성 효과를 평가하세요.
      2. 인생의 경로 탐색.
    7. 개인 맞춤형 치료 및 개입
      1. 개인화된 프로필을 만드세요.
      2. 고위험 에피소드를 식별하세요.
      3. 의료 평가를 권유하세요.
    8. 인구 건강 정보
      1. 노출 맵을 생성하세요.
      2. 행동 경향을 분석하세요.
      3. 건강 불평등을 평가하세요.
      4. 머신러닝 모델을 활용하세요.
행동 영역환경 노출 도메인건강 영역
일시적/순간적 특징순간 노출 프로파일단기 건강 프로필
가속도계 벡터 크기실시간 노출심폐 스트레스 반응
순간 활동 강도급성 노출심박수, 혈압, HRV, SpO₂ 등의 급성 변화가 있습니다.
에피소드 레벨/경기 레벨 특징에피소드 수준 노출 프로필심전도 부정맥 사건
시작 시간, 종료 시간, 지속 시간평균 오염물질 농도호흡기 증상과 기능
활동 유형누적 오염물질 노출 선량에피소드별 환기 속도 변동
위치 유형최대 노출자기기침과 호흡 곤란
실내/실외백분위 기반 노출심리적 및 웰빙 상태
교통 수단노출 변동성EMA 기분, 스트레스, 피로 등등.
이동 거리임계값 초과 노출 시간에피소드 수준의 인지 및 정서적 부담
여행 평균 속도AUC 노출급성 노출 부담
여행 목적실내 노출 대 실외 노출중기 건강 프로필
신체 활동 강도수송 미세환경 노출아임상 심혈관 지표
호흡 패턴직장/가정/여가 노출안정 시 심박수 또는 혈압이 지속적으로 증가하는 현상.
세그먼트 간 및 일일 수준 기능일일 수준 노출 프로필초기 고혈압 위험 점수
앉아서 있는 휴식과 활동 상태 간 전환일일 평균 노출호흡기 건강 동향
실내와 실외 환경 간의 전환일일 누적 노출 용량호흡기 증상 에피소드의 빈도
수송 미세 환경 간 전이일일 최대 노출폐 기능 저하(RR, SpO₂ 등)
활동-트립 체인일일 피크 빈도/지속 시간대사 및 신체 활동 현황
활동/투어 복잡성일일 최소 노출누적 MET-분/주
활동-여행 체인일일 백분위 노출활동 강도 분포
시간 사용 구조일일 임계값 초과 노출 지속 시간수면과 회복 건강
활동 공간, 회전 반경, 공간 엔트로피일일 AUC 노출일일 변동을 넘어선 피로 지속
전반적인 이동 방향일일 노출 변동성정신 건강과 웰빙
중간에서 격렬한 신체 활동 시간(MVPA)일일 노출 기울기(변화율)스트레스 반응성, 불안 점수 등등.
일주기 리듬일일 피크 대 평균 비율누적 노출 위험
습관적인 일상 패턴종방향 노출 프로파일평균 오염물질 농도 및 선량
일상적인 활동-이동 패턴장기 평균 노출장기 건강 프로필
일일 활동-이동 패턴의 변동성장기 누적 노출 용량심혈관 질환 위험 및 진행
생체 리듬의 크로노타입최대 노출호흡기 및 폐 결과
주말/평일 생체 리듬의 불일치피크 이벤트 빈도/지속 시간대사 및 비만 관련 결과
이동성의 규칙성(궤적, 출퇴근, 모드 등)백분위 기반 노출정신 건강 결과
신체 활동의 장기적 추세임계값 초과 시간전신 건강과 생물학적 노화
앉아서 있는 행동과 능동적 행동 주기AUC 노출기능 및 삶의 질 결과
식단 섭취 시기와 규칙성일일/주/월/계절 변동성생애 건강 경로
환경 극단에서의 적응 행동노출 시계열 채굴인구 건강 정보

표 3: M3-BREATHE의 다중 규모 데이터 프로필. 표는 행동 지표가 단기, 중기, 장기 건강 결과와 어떻게 연관되는지 강조합니다.

창문사용 사례모델링 접근법장점단점
1시간매우 급한 영향LME 또는 시계열에서 1시간 이동평균을 공변량으로 포함; 또는 시간별 지연이 있는 DLNM을 사용하기도 합니다즉각적인 정점을 포착하며; 최소 희석높은 소음; 고해상도 데이터가 필요하다; 제한된 만성 통찰
24시간일일 (단기)혼합 모델에서 24시간 이동 평균 속도; 1일 지연이 있는 DLNM 또는 DLM소음을 줄이고; 규제 지표와 일치합니다정점의 사건들을 부드럽게 만들 수 있습니다
7일주간 (아급성)7일 평균 공변량; 최대 7일까지 지연되는 DLM포획 단기 누적 노출일상의 변동성을 흐리게 하고; 중간 정도 평활화
30일월간 (중기)평균 30일; 월별 지연 구조를 가진 DLNM최근 노출 부하를 반영하며; 더 부드럽게일상적인 스파이크를 놓친다; 선형 누적을 가정합니다
90일계절성 (장기)90일 평균 또는 분산 지연 ~90일계절 추세 포착과도한 스무딩; 계절적 요인과의 혼란
365일연감(장기)LME 또는 Cox 모델에서 1년 평균만성 위험에 유용하며; 시즌 조작급성 변이를 무시한다; 노화 추세에 혼란스러워

표 4: 시간창 전략과 분석 접근법. 다양한 시간적 규모에서 환경 노출을 평가하는 데 사용되는 시간창 전략과 이에 대응하는 분석 접근법을 요약하며, 그 적용 가능성, 강점, 한계를 강조합니다.

결과

다음 대표 결과는 휴대용 대기 오염 센서, 활동-여행 일지, 에피소드 수준 자기보고 주관적 웰빙(SWB)을 통합한 파일럿 연구에서 도출되었습니다. 참가자들은 일상 활동 중 휴대용 대기오염 센서를 휴대하고, 48시간 연속(금요일부터 토요일 또는 일요일부터 월요일) 이동하고, 동행 활동 여행 일지를 작성해야 했습니다. 분석에는 2017년 12월부터 2018년 2월까지 베이징 메이허위안 주거 지역의 총 112명의 유효 참가자 데이터가 포함되었습니다. 이 예비 분석은 PM2.5 노출(환경 영역), 일상 활동(행동 영역), 인지 SWB(건강 영역) 간의 상호관계에 초점을 맞춥니다. 이 파일럿은 아직 생리적 신호(예: HRV, 호흡수)와 실시간 노출 경고의 통합을 포함한 전체 M3-BREATHE 파이프라인을 검증하지는 못했지만, 분석 접근법의 예시로 작용합니다. 향후 연구를 위해 완전한 멀티모달 시스템의 종단 간 검증이 필요합니다.

종단 간 M3-BREATHE 파이프라인을 검증하기 위해, 데이터 무결성(GPS 데이터 캡처율 99.3%, 대기오염 모니터 캡처율 93.2%), 동기화 정확도(멀티모달 데이터 간 ≤초 시간 비동기), 보정 타당성(저비용 센서에서 측정한 PM2.5 측정값은 콜로케이션 보정 후 연구용 기준 기기와 Pearson 상관관계 r=0.86)을 평가했습니다. 이 파이프라인은 GPS 궤적 데이터, 환경 노출 데이터, 자기보고 일기 데이터를 통합하여 활동별 노출 패턴과 노출-건강 연관성을 식별할 수 있게 했습니다. 이 결과는 실제 E-M-H 모니터링에서 M3-BREATHE 프로토콜의 재현성과 신뢰성을 확인시켜 줍니다.

그림 1 은 일상 활동과 여행 범위에 따른 평균 PM2.5 노출 농도(파란색 막대, 왼쪽 축)와 인지 SWB 점수(주황색 선, 오른쪽 축)를 나타냅니다. 결과는 PM2.5 노출 농도가 활동 유형에 따라 현저히 차이를 보였음을 보여줍니다. 가장 높은 평균 노출은 수면 중에 관찰되었으며, 이는 집 내 실내 대기 오염 농도가 높다는 것을 나타냅니다. 이는 연구 지역이 베이징의 다른 지역에 비해 비교적 오염이 심하기 때문일 수 있습니다. 지속적으로 높은 노출 농도를 보인 다른 활동으로는 인터넷 서핑, 오락, 공부, 산책 등이 있었으며, 모두 20 μg/m3를 초과했습니다. 업무, 신체 활동, 돌봄, 여행 등 활동에서 중간 범위 노출 농도가 발견되었습니다(15–20 μg/m 3). 가장 낮은 노출은 개인 업무, 의사 방문, 식사 및 개인 관리 시 기록되었으며(5–15 μg/m 3). 이 파일럿 연구를 바탕으로 한 이러한 차이는 활동이 이루어지는 특정 환경적 맥락(실내 대 실외, 좌식 대 활동)을 반영합니다. 반면, 인지 SWB 점수는 활동 간 변동성이 적어 1.7에서 2.3 사이(불만족 척도에서 1.7에서 2.3 사이)로 좁게 나타났습니다. 가장 낮은 만족도 점수는 의사 방문과 여행과 연관되었고, 그 다음이 개인 문제와 업무와 관련이 있었으며, 가장 높은 만족도 점수는 신체 활동, 오락, 사회 활동과 연관되어 있어 이들 활동은 본질적으로 보람을 주는 경우가 많았습니다.

PM2.5 노출 농도가 높은 활동 유형이 항상 낮은 인지 SWB와 일치하지 않아 PM2.5 노출과 자기보고 인지 SWB 간의 분리 패턴을 시사합니다. 예를 들어, 신체 활동과 오락, 높은 노출 및 높은 인지 SWB 점수가 결합된 경우입니다. 이는 PM2.5 노출의 건강 위험이 인지 SWB와 간과되거나 의식적으로 연관되지 않을 수 있음을 반영할 수 있는데, 이는 PM2.5가 보이지 않는 특성 때문에 환경에서 더욱 교묘하고 탐지하기 어렵기 때문일 수 있습니다. 반면, SO2, NOx , O3 와 같은 오염물질은 더 쉽게 검출 가능한 특성을 가지고 있습니다. 예를 들어, SO2 는 독특한 황 냄새가 나며, NOx 는 종종 산업 공정과 차량 배기가스에서 발생하는 눈에 띄는 배출가스와 연관되어 있습니다. 이러한 가스 오염물질은 눈, 목, 호흡기에 즉각적인 자극을 줄 수 있어 전문 장비 없이도 쉽게 감지하고 대응할 수 있습니다. 그러나 PM2.5 는 폐의 가스 교환 영역(폐포)으로 침투할 수 있어 매우 작은 입자가 폐를 통과해 다른 장기에 영향을 미치고 순환계에 해를 끼칠 수 있기 때문에 가장 위험한 오염물질입니다59. 이 발견은 PM 2.5가 제기하는 독특한 도전 과제를 부각합니다. PM 2.5 는 미미한 특성과 심각한 건강 영향으로 인해 일상 활동에서 매우 중요하지만 종종 과소평가된 환경 위험입니다.

figure-results-1

그림 1: PM2.5 노출 집중도와 일상 활동 유형별 인지 주관적 웰빙(SWB). 인지 주관적 웰빙(SWB)은 1(매우 만족)에서 5(매우 불만족)까지 리커트 척도로 측정됩니다. 그림은 미세입자(PM2.5, μg/m 3) 노출 수준과 해당 웰빙 점수의 활동별 변동을 보여줍니다. 데이터 포인트는 관찰된 값을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

대기 오염 노출과 주관적 웰빙(SWB) 간의 관계를 조사하기 위해 이 파일럿 연구는 일반화 가산 모델(GAM)을 사용하여 유연한 비선형 효과를 허용합니다. 동시 대기 오염 노출(AAP)과 이전 활동에서의 지연 노출(AAP_1)은 매끄러운 함수를 사용하여 모델링하며, 사회인구학적 특성(성별, 연령, 후커우, 교육, 혼인 상태, 소득)을 통제 변수로 포함합니다. 결과는 AAP와 AAP_1 모두 SWB에 통계적으로 유의미한 영향을 미치지 않으며, 각각 p값은 0.234와 0.266으로 나타났습니다. 추정된 매끄러운 항들은 일부 비선형 패턴을 시사하지만, 이러한 효과들은 견고하지 않습니다(그림 2). 반면, 특정 개별 특성은 SWB와 더 강한 연관성을 보입니다.

이 결과는 단기 대기 오염 노출이 동시적이든 한 번의 활동 에피소드에 의해 지연되었든 SWB에 유의미한 영향을 미치지 않음을 시사합니다. 한 가지 가능한 설명은 개인이 단기적인 대기질 변동에 즉각적으로 반응하지 않거나, 그러한 효과가 감지되기 위해 더 긴 또는 누적 노출이 필요하다는 점입니다. 향후 연구는 여러 지연 구조(예: 여러 이전 활동 에피소드에서의 노출), 시간 기반 측정(예: 분 단위 노출 지속 시간), 또는 분산 지연 모델이나 머신러닝 기법과 같은 대체 모델링 접근법을 적용하여 대기 오염이 웰빙에 미치는 동적 및 누적 영향을 더 잘 포착함으로써 이 분석을 확장할 수 있습니다.

figure-results-2
그림 2: 현재 및 지연된 대기 오염 노출이 주관적 웰빙에 미치는 비선형 효과. 이 곡선들은 시간에 따른 모델 유도 효과 추정치를 나타내며, 단기 변동과 지연된 반응을 강조합니다. AAP는 동시 노출을 의미하며, AAP₁은 1시간 단위(예: 1일) 지연된 노출을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

토론

M3-BREATHE 프로토콜을 배포하는 데 있어 중요한 단계는 멀티모달 장치의 신뢰성 높은 설정과 동기화입니다. 데이터 무결성은 웨어러블 센서, 휴대용 환경 모니터, 스마트폰 애플리케이션 간의 안정적인 연결에 크게 의존하기 때문입니다. 또한 점검을 시작하기 전에 모든 센서가 제조사 사양에 따라 보정되었는지 확인하는 것이 필수적입니다. 이상적으로는 휴대용 환경 장치, 특히 대기오염 모니터는 연구 목적으로 측정값의 유효성과 정확성을 보장하기 위해 배치 전에 연구용 기준 기기와 함께 배치하고 보정해야 합니다.

통제된 임상 실험이나 단기 소규모 조사에서는 가슴에 착용하는 호흡 스트랩을 사용하면 고충실도의 호흡 지표(호흡 속도, 일회량, 심전도)를 제공하여 손목 기반 센서보다 더 높은 정확도를 제공하며, 알고리즘 추정치를 검증하는 삼각측량 기초 역할을 합니다. 반면, 자발적 소비자 사용을 포함한 자연주의적 환경에서의 종단 모니터링에서는 스마트 손목밴드와 스마트폰 애플리케이션의 조합이 더 바람직한데, 이 기기들은 덜 방해가 되고 지속적인 참여 순응을 촉진하기 때문입니다. 자원이 제한적이거나 참가자 부담이 걱정되는 연구의 경우, 스마트 손목밴드, 스마트폰 앱, 오염물질 모니터 1대로 구성된 최소 키트를 권장합니다. 추가 센서(예: 가슴에 착용하는 호흡 스트랩, 전용 빛 추적기)는 특정 연구 목표와 예산에 따라 고려해야 합니다. M3-BREATHE 프로토콜의 통제된 임상 실험 및 실제 종단 연구/실무에서의 적용에 대한 상세 권고사항은 표 5에 제공되어 있습니다.

데이터 도메인미터법(약어)통제된 임상 실험실제 종단 연구/실습
가슴에 착용하는 센서스마트 손목밴드휴대용 환경 모니터스마트폰 앱스마트 손목밴드휴대용 환경 모니터스마트폰 앱
생리학적심박수(HR)ΟΟΟΟΟΟΟΟ
심박 변동성(HRV)ΟΟΟΟΟΟΟΟ
호흡수(RR)ΟΟΟΟΟΟΟ
조수 볼륨 (TV)ΟΟΟΟΟ
심전도(ECG)ΟΟΟΟΟΟΟΟ
혈압(BP)ΟΟΟΟΟ
혈중 산소포화도(SpO₂)ΟΟΟΟΟ
대사 환가물(MET)ΟΟΟΟΟ
피부 체온(ST)ΟΟΟ
가속도계 (ACC)ΟΟΟΟΟ
환경미립분물 (PM2.5, PM10)ΟΟΟΟΟΟ
일산화탄소(CO)ΟΟΟΟΟ
이산화질소(NO2)ΟΟΟΟΟ
이산화황(SO₂)ΟΟΟ
휘발성 유기물
화합물(VOC)		ΟΟΟΟ
노이즈 (N)ΟΟΟΟΟΟΟ
온도 (T)ΟΟΟΟΟ
상대습도(RH)ΟΟΟ
빛 노출(조도)ΟΟΟΟΟ
빛 노출 (일주기 광 A)ΟΟΟ
녹지ΟΟΟΟ
행동 및 맥락GPS 위치 / 궤적ΟΟΟΟΟΟ
활동-여행 일기(ATD)ΟΟΟΟ
생태학적 순간
평가 (EMA)		ΟΟΟ
기초 특성 (BC)ΟΟΟΟΟΟ
노트: ΟΟ, 최소 장비; ΟΟ, 표준 키트; Ο, 대안

표 5: M3-BREATHE 프로토콜 적응에 대한 권고사항. 연구 환경 전반(ΟΟΟ 최소 기준; ΟΟ 표준; Ο 대안) 전반에 걸친 측정 영역 및 기기 수준 요약.

이 프로토콜을 다양한 환경에서 적용할 때는 여러 수정과 문제 해결 전략이 필요합니다. 첫째, 모니터링 장치와 스마트폰 간 연결이 끊기거나 30분 이상 데이터가 무효 또는 유효하지 않은 상태(예: 센서 오작동이나 피부 접촉 부족으로 인한 건강 매개변수 데이터 손실)가 발생할 경우, 조사자에게 자동 보고서를 생성하여 참가자들이 신속하게 연락해 문제를 해결할 수 있도록 해야 합니다. 조사관은 정기적인 데이터 무결성 점검도 실시할 수 있습니다. 둘째, 프로토콜의 장기적 배포에서는 장치 준수와 배터리 관리가 더 큰 도전이 될 수 있습니다. 참가자들은 때때로 스마트 손목밴드를 착용하거나 보조 배터리를 충전하거나 활동 여행 일지를 작성하는 것을 잊을 수 있습니다. 자동 앱 내 알림, 백엔드 모니터링, 일일 일정 알림 등이 효과적인 완화 도구입니다.

장점에도 불구하고 M3-BREATHE에는 여러 한계가 있습니다. 스마트 흉부 스트랩은 정확한 호흡 측정을 제공하지만, 참가자 버드60 때문에 장기 실제 모니터링에는 일반적으로 비현실적입니다. 따라서 손목밴드 기반 측정과 호흡 평가 알고리즘이 권장되지만, 일회량 추정이나 미세한 부정맥 감지에는 정확도가 떨어지고, 동작 아티팩트(motion artefacts61)로 인해 성능이 저하될 수 있습니다. 또한, 여러 환경 모니터링 장치의 활용은 연결 장애, 비동기식 시계 또는 센서 오작동의 가능성을 높입니다. 다중 오염물질 모니터링이나 대체 접근법(예: 스마트폰 기반 소음 모니터링)을 위한 통합 모듈형 장치를 개발해야 하며, 측정 정확도를 유지하면서 장치 크기를 최소화하고 휴대성을 극대화하는 것을 목표로 합니다. 더불어, 앱 내 자가 보고 시스템(예: 활동-여행 일기, 의료 기록)에 의존하면 리콜 편향이 발생하고 장기적인 준수 부담이 증가할 수 있습니다63. 머신러닝 기반 활동 및 여행 식별 기능이64개 도입될 수 있으며, 의료 제공자의 의료 기록 추적은 스마트폰 애플리케이션과 간단한 원클릭 인터페이스를 통해 원활하게 연결됩니다.

이 비전 있는 현실 세계 M3-BREATHE는 장단적 환경-이동-건강(E-M-H) 연계 연구 및 실무를 위한 확장 가능하고 비침습적이며 비용 효율적인 플랫폼을 구축하여 기존 접근법을 발전시킵니다. 전통적인 공간 역학은 종종 고정 지점 모니터링이나 주거 대리 지표에 의존하여 노출 평가를 수행하여, 변형 가능 지역 단위 문제(MAUP)와 불확실한 지리적 맥락 문제(UGCoP)에 취약합니다21,65. 다중 모드 고시공간 해상도 행동, 생리학, 환경 노출 데이터를 통합함으로써, 이 시스템은 프레임 독립적 개별화 노출 평가로 나아가며, 환경-건강 관계에서 행동 '블랙박스'를 해체하는 데 기여합니다66,67. 이는 개인 및 인구 기반의 용량-반응 역학 심층 해석을 지원하며, 실시간 다중 오염물질 노출을 생리학적 반응성 및 건강 결과와 연결하고, 개인 맞춤형 치료 및 개입, 환경 노출, 일상 활동, 이동성 및 건강 결과를 연결하는 공중보건 감시 및 중개 연구를 가능하게하며, 개인의 건강 자기 관리 및 환경 노출에 대한 위험 완화를 지원합니다69(예: 고위험 노출 기반의 개인 이력 E-M-H 프로필을 피하기 위한 일일 활동 계획자).

M3-BREATHE의 향후 적용 분야는 (1) AI 기반 실시간 개입 시스템과의 통합으로, 개인화된 노출 알림이 적응적 행동 권고를 촉발하는 경우(예: PM2.5 노출 피크 기간 동안 출퇴근 경로 변경); (2) 취약 인구(예: 노인, 천식 환자)에 질병 특이적 노출-건강 연관성을 평가하고 정밀 의학을 지원하기 위한 배포; (3) 유전체 데이터와 결합하여 만성 질환 발생에서 유전자-환경 상호작용을 밝혀내고; (4) 통합 모듈형 환경 센서의 소형화를 통해 참가자 부담을 줄이고 장기적인 준수도를 향상시킴; (5) 비교 환경 건강 연구를 위한 글로벌 E-M-H 데이터셋을 생성하기 위한 도시 간 및 국가 간 확장. 또한, 관련 휴대용 센서를 대체하여 다른 환경 위험을 모니터링하는 데 적응할 수 있습니다.

공개 사항

저자는 상반되는 이해관계가 없다고 선언한다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, 온도, 습도
AirVisual ProIQAirProAQI,  PM2.5, CO2, 온도, 습도. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, 온도, 습도, 기압
BioNomadix BioShirtBioPacBN-BIOSHIRT-Fx무선 스마트 셔츠로 내장된 직물 전극 및 호흡 센서가 있으며 ECG 및 호흡 신호를 기록할 수 있습니다.
Extech SL355 Personal Noise DosimeterExtechSL355SPL, Leq, Peak 등을 기록합니다.
Fitbit SenseFitbit2심박수, ECG, SpO2, 스트레스 수준, 수면, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-charger심박수, 혈압, ECG, 혈당, SpO2, 수면, 스포츠 모드
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341SPL, Leq, Peak 등을 기록합니다.
Go Direct Respiration BeltVernierGDX-RB가슴 끈 호흡 모니터는 변형 또는 팽창 센서를 사용하여 흉부 팽창 또는 수축을 감지합니다.
Hexoskin Smart ShirtHexoskinN/A호흡 속도, 심박수, 환기, 활동, 수면 등을 지속적으로 모니터링하는 섬유 센서가 내장된 스마트 의류
Huawei BandHuawei9심박수, SpO2, 수면 단계, 호흡 속도, 부정맥 탐지
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2,온도, 습도
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UV의류에 부착; UVA 및 UVB 측정; 태양 광 발전
Miniaturized Light DosimeterWearifiBLE Light Dosimeter최대 8개 채널의 스펙트럼 선량 측정(예: UV → IR), 누적 광선량 측정; 장기 노출 추적에 적합합니다.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375심박수, 수면, SpO2, 스트레스, 100가지 이상의 스포츠 모드
Personal Noise Dosimeter SV-104ASvantekSV 104ASPL, Leq, TWA, Peak 등을 기록합니다.
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133심박수, 수면, 스트레스, 스포츠 모드
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed심박수, SpO2, 수면, 걸음 수, 칼로리
SunSprite Personal Light TrackerGoodLux TechnologySunSprite의류에 부착; 가시광선 및 UV 측정; 태양 광 발전
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, 온도, 습도 및 날씨
Xiaomi Smart BandXiaomi9심박수, SpO2, 수면 단계, 스트레스 수준

참고문헌

  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).

재인쇄 및 허가

더 많은 논문 탐색

모바일 건강 모니터링다중 모드 모니터링생체 신호환경 노출호흡 기능GPS 추적머신러닝 알림개인 맞춤형 건강 평가도시 환경 데이터종단적 건강 모니터링
실제 M3-BREATHE: 치료 및 건강 평가를 위한 행동, 호흡, 노출의 다중 모달 모바일 모니터링을 향해
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.