Methodenartikel

Echte wereld M3-BREATHE: Richting multimodale mobiele monitoring van gedrag, ademhaling en blootstelling voor behandeling en gezondheidsevaluatie

207 weergaven

⸱

DOI:

10.3791/69900

⸱

5 juni 2026

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

In dit artikel

Samenvatting

M3-BREATHE is een mobiel gezondheidssysteem (mHealth) dat draagbare sensoren integreert om ademhaling, gedrag en omgevingsblootstellingen te monitoren voor gepersonaliseerde behandeling en gezondheidsevaluatie in de praktijk.

Samenvatting

De integratie van mobiele gezondheidstechnologieën (mHealth) voor continue, realtime monitoring van fysiologische en gedragssignalen, in combinatie met gedetailleerde meting van omgevingsblootstellingen, biedt een transformerend potentieel om gepersonaliseerde gezondheidsrisicobeoordeling te bevorderen en effectievere behandeling en interventie mogelijk te maken. In dit protocol introduceer ik een multimodaal mobiel monitoringsysteem dat specifiek is ontworpen om gegevens over individueel gedrag (dagelijkse activiteiten en reizen), ademhalingsfunctie, fysiologische parameters en omgevingsblootstellingen vast te leggen en te integreren. Het systeem combineert mobiele gezondheidsapparaten en draagbare omgevingssensoren met GPS-ondersteunde smartphone-applicaties om gesynchroniseerde, hoogresolutie datastromen te genereren. Deze gegevens worden verwerkt via een mobiele smartphone-applicatie door fysiologische parameterberekeningen (bijv. fysieke activiteit, ademhalingsfrequentie) en externe stedelijke omgevingsgegevens (bijv. stedelijke groene ruimtes, straatkaarten), waarna een op machine learning gebaseerd waarschuwingssysteem werd ingezet om bruikbare inzichten te bieden in de gezondheid van de ademhaling, dagelijkse activiteiten en mobiliteitspatronen, en blootstelling aan risicofactoren. Het protocol biedt uitgebreide en gedetailleerde richtlijnen over hardware-setup, softwareconfiguratie, gegevensverzamelingsprocedures en analytische workflows die nodig zijn voor het inzetten van de Multimodale Mobiele Monitoring van Gedrag, Ademhaling en Blootstellingen (luchtvervuiling, geluid, licht, warmte, groenigheid, enz.) voor behandeling en gezondheidsevaluatie (M3-BREATHE) in zowel gecontroleerde klinische experimenten als in praktijkcontexten. Dit vooruitstrevende M3-BREATHE-platform biedt een schaalbare, niet-invasieve en kostenefficiënte aanpak van longitudinale monitoring, omgevingsmobiliteit en gezondheid (E-M-H), waarbij precisiegezondheid op individueel niveau in het dagelijks leven wordt gekoppeld aan langetermijngezondheidsintelligentie op bevolkingsniveau.

Inleiding

Verder dan de traditionele ruimtelijke epidemiologie, die vooral de nadruk legde op bevolkingsniveau en gebiedsgebonden verbanden tussen milieu en gezondheid, verschuift de focus nu naar het onderzoeken van individueel en mobiliteitsgebaseerde relaties en processen 1,2,3,4. Deze verschuiving wordt gedreven door verschillende onderling verbonden fundamentele methodologische problemen, naast opkomende kansen voor preciezere en contextgevoelige benaderingen.

Ten eerste het modificeerbare areale eenheidsprobleem (MAUP), dat verwijst naar het probleem dat bij de analyse van oppervlakte- of zone-gebaseerde gegevens de resultaten beïnvloed kunnen worden door de definitie van de areale eenheden waarvoor gegevens worden gerapporteerd 5,6. Het is van toepassing op twee aparte, maar onderling gerelateerde, problemen met ruimtelijke data-analyse. Het eerste is het "schaalprobleem", waarbij dezelfde set areale data wordt samengevoegd in meerdere sets grotere areale eenheden, waarbij elke combinatie leidt tot verschillende datawaarden en inferenties. Het tweede aspect van de MAUP is het "zoningprobleem", waarbij een gegeven set areale eenheden wordt hergecombineerd tot zones van dezelfde grootte maar anders gelokaliseerd, wat opnieuw resulteert in variatie in datawaarden en daardoor verschillende conclusies 7,8. Om de vraag naar de bijdrage van de studie aan het bevorderen van nieuwe kennis met behulp van gebieds- of zone-gebaseerde data te behandelen, worden twee methoden onophoudelijk besproken om de impact van de MAUP te minimaliseren. Eén daarvan is het maximaliseren van homogeniteit binnen het oppervlak. De keuze van de juiste areale studie-eenheid zal de meetfout van omgevingsblootstelling en niet-differentiële blootstelling bij het schatten van het contextuele effect op gezondheidminimaliseren 9,10,11. De heterogeniteit van blootstelling aan luchtvervuiling binnen ruimtelijke eenheden kan echter nog steeds tot fouten leiden. Een andere methode beweegt zich dus richting frame-onafhankelijke vormen van ruimtelijke datarepresentatie en -analyse12,13. Voorbij het conventionele gebiedsgebaseerde begrip van contexten houden individueel gebaseerde metingen rekening met de attribuuthomogeniteit en ruimtelijke conligguiteit van contextuele factoren en kunnen ze een robuuste analytische maatstaf bieden die schaalonafhankelijk of schaalinvariant is bij het onderzoeken van de effecten van omgevingsblootstelling op gezondheid 14,15,16.

Ten tweede het Onzekere Geografische Contextprobleem (UGCoP), dat verwijst naar het probleem dat bevindingen over de effecten van gebiedsgebaseerde contextuele variabelen op individueel gedrag of uitkomsten kunnen worden beïnvloed door hoe contextuele eenheden (bijv. buurten) geografisch worden afgebakend en in hoeverre deze oppervlakte-eenheden afwijken van de werkelijke geografische context17,18. Een typisch voorbeeld is dat de beoordeling van de blootstelling aan luchtvervuiling van individuen foutief kan zijn door woonlocaties te gebruiken voor mensen die veel tijd buiten hun huis doorbrengen voor werk, ontspanning, enzovoort, wat ver verwijderd is van de "echt causaal relevante" geografische context18,19. Om de contextuele onzekerheden die de nauwkeurige beoordeling van de milieueffecten en de gezondheidseffecten van mensen beïnvloeden, te beperken, is het noodzakelijk mobiliteitsgebaseerde metingen te hanteren die verder gaan dan de opvattingen van contextuele invloeden die afhankelijk zijn van het gebruik van specifieke vaste locaties (bijv. woonlocatie, werkplek)16,20. Aangezien het negeren van ruimtelijke en temporele variabiliteit in luchtvervuiling en menselijke mobiliteit kan leiden tot aanzienlijke fouten in individuele blootstellingsschattingen 21,22,23,24 en de evaluatie van milieurechtvaardigheid 25,26, is het essentieel om mobiliteitsgebaseerde hoogresolutie ruimte-tijdgegevens te verzamelen om de relatie tussen milieublootstelling en gezondheidsuitkomsten te begrijpen. Een verdere uitdaging ligt in de ruimtelijke mismatch tussen milieudatasets en biometrische metingen op individueel niveau die bij de door het lichaam gedragen sensor worden verzameld. Hoewel street-view-beelden fijnmazige milieukarakterisering op menselijke visuele schaal mogelijk maken, en satellietgebaseerde vegetatie-indices (bijv. NDVI) bredere dekking bieden bij grovere resoluties (10–250 m), vereisen beide expliciete ruimtelijke uitlijningsstrategieën die mobiliteitstrajecten koppelen aan omgevingsblootstellingen op de exacte locaties waar fysiologische en gedragsgegevens worden geregistreerd. Het aanpakken van deze schaalincongruentie vereist expliciete ruimtelijke uitlijningsstrategieën die mobiliteitstrajecten koppelen aan omgevingsblootstellingen op de exacte locaties waar fysiologische en gedragsgegevens worden geregistreerd.

Als reactie op de uitdagingen van de MAUP en UGCoP, nemen onderzoekers uit meerdere disciplines met betrekking tot milieugezondheid steeds vaker deel aan studies naar gedragsprocessen tussen omgevingsblootstelling en gezondheidsuitkomsten, door over te stappen op individuele mobiliteitskaders 1,27,28,29 . Met de toegenomen interesse in het milieu-mobiliteits-gezondheid (E-M-H) koppelvlak heeft de bestaande literatuur zich voornamelijk gericht op het antecedent (omgeving-mobiliteit) domein 17,30,31,32 of het daaropvolgende (mobiliteit-gezondheid) domein 33,34,35 , terwijl integratieve studies die alle drie de domeinen omvatten beperkt blijven. Desalniettemin hebben de dagelijkse activiteiten en reizen van individuen de dosis-responseffecten van omgevingsblootstelling op gezondheidsuitkomsten aanzienlijk beïnvloed. Waar, wanneer en hoe individuen hun activiteiten projecteren, plannen en uitvoeren over een periode van 24 uur, is nauw verbonden met hun blootstelling aan milieurisico's en de daaruit voortvloeiende gezondheidsuitkomsten 17,18,36. Bovendien ligt een andere cruciale kloof in het feit dat weinig studies een uitvoerbaar analytisch kader bieden dat realtime monitoring en longitudinale tracking van gezondheidsuitkomsten met elkaar koppelt, waardoor het vermogen om robuust en bruikbaar bewijs voor behandeling en interventies te genereren beperkt wordt. Dat gezegd hebbende, verbetert het aanpakken van deze hiaten niet alleen de nauwkeurigheid van milieu-gezondheidsbeoordelingen, maar onthult het ook de bemiddelende rol van dagelijkse activiteiten en reizen en onderliggende gedragsprocessen in het complexe E-M-H-nexus37, waardoor een sterke rechtvaardiging wordt geboden voor gepersonaliseerde, mobiliteitsgerichte behandelingen en interventies gericht op het beperken van blootstellingsrisico's en het bevorderen van gezondheidsuitkomsten.

De opkomst van mobiele en draagbare technologieën38,39, met name mobiele gezondheidsapparaten (mHealth) 40,41,42 en draagbare omgevingssensoren 43,44,45, heeft nieuwe benaderingen mogelijk gemaakt om het gedrag, de blootstelling aan de omgeving en fysiologische meetwaarden van individuen synchroon te monitoren. Door integratie met smartphone-applicaties kunnen deelnemers hun gezondheidstoestand, medische voorgeschiedenis (bijv. ademhalings- en hart- en vaatziekten), subjectieve fysiologische ervaring en perceptie van omgevingsrisico's documenteren, waardoor risicobeoordeling en waarschuwing via machine learning of regelgebaseerde benaderingen een nauwkeurigere en gepersonaliseerde risicobeoordeling en -waarschuwing mogelijk wordt. Hier introduceer ik de Real-World Multimodal Mobile Monitoring van Gedrag, Ademhaling en Blootstellingen (luchtvervuiling, geluid, licht, warmte, groenigheid, enz.) voor behandeling en gezondheidsevaluatie (M3-BREATHE). Het end-to-end protocol biedt uitgebreide richtlijnen over hardware-setup, softwareconfiguratie, gegevensacquisitieprocedures en analytische workflows die nodig zijn voor de implementatie van de M3-BREATHE. Dit protocol is geschikt voor onderzoekers in milieugezondheid, transportgeografie en gepersonaliseerde geneeskunde die gecontroleerde klinische experimenten uitvoeren (kortetermijn, hoog-fideliteit monitoring) of real-world longitudinale studies (langetermijn, niet-opdringerige monitoring), maar wordt niet aanbevolen voor studies die ultra-precisie laboratorium-niveau ademhalingsmeting vereisen (bijv. invasieve pulmonale functietests).

Protocol

De uitvoering van dit protocol voor onderzoeksdoeleinden, hetzij in gecontroleerde klinische experimenten of in praktijkcontexten, dient met voorafgaande goedkeuring en in overeenstemming met de richtlijnen van de institutionele ethische commissie voor menselijk onderzoek van de onderzoekers plaatsvinden. Geïnformeerde toestemming moet van de deelnemer worden verkregen vóór het begin van de enquête. Het empirische onderzoek voor dit artikel volgt de richtlijnen van de Human Research Ethics Committee van de Peking Universiteit. Al het op deelnemers gebaseerde onderzoek dat dit protocol gebruikt, moet voorafgaande ethische goedkeuring verkrijgen van de institutionele onderzoeksethische commissie van de onderzoeker. Alle deelnemers moeten schriftelijke geïnformeerde toestemming geven voordat er enige gegevensverzamelingsprocedure plaatsvindt. Aanbevolen uitrustingsinstellingen staan vermeld in de Materiaaltabel.

1. Draagbare mobiele gezondheidsapparaten opstellen

  1. Borstgedragen ademhalingssensoropstelling
    1. Geef de deelnemer de instructie om het sensor-geïntegreerde shirt of de borstband direct tegen de huid, onder de kleding, aan te trekken om optimaal huidcontact te garanderen voor elektrofysiologische signaalacquisitie.
    2. Pas de pasvorm van het shirt of de band zo aan dat het strak en comfortabel zit, zodat het de natuurlijke ademhaling of beweging niet belemmert. De juiste pasvorm wordt bevestigd wanneer de sensor stabiel contact met de huid houdt en niet uitschuift of zichtbaar verschuift tijdens diepe inademing.
    3. Zorg ervoor dat de sensor volledig is opgeladen en succesvol via Bluetooth met de smartphone is gekoppeld om realtime monitoring en registratie van ademhalingsfrequentie (in ademhalingen per minuut, ademhalingen/min), getijdenvolume (in milliliter, mL) en hartslag (in slagen per minuut, BPM) mogelijk te maken. Bevestig dat de apparaatklok gesynchroniseerd is met de systeemtijd van de smartphone om nauwkeurige temporele uitlijning over multimodale datastromen mogelijk te maken.
      OPMERKING: Ademhalingsfrequentie en hartslag kunnen ook worden afgeleid met draagbare polsbandapparaten, vooral voor langdurige monitoring (zie stap 1.2). De ademhalingsfrequentie wordt indirect berekend op basis van door de ademhaling veroorzaakte variaties in fotoplethysmografie (PPG) of hartslagvariabiliteit (HRV) signalen (zie stap 5.2). Deze alternatieve aanpak kan helpen het ongemak en de last van deelnemers te verminderen die gepaard gaan met langdurig gebruik van een op de borst gedragen ademhalingssensor.
  2. Slimme polsbandapparaat opstelling
    1. Kies de niet-dominante pols als primaire plaats voor plaatsing van het apparaat en bevestig de polsband stevig om de pols, proximaal van het ulnaris styloïde proces.
    2. Stel de band aan om optimaal contact tussen fotoplethysmografie (PPG) sensor en huid te garanderen zonder de perifere circulatie te belemmeren. De pasvorm is goed wanneer de band strak zit, maar het is mogelijk om één vingertop in te brengen.
    3. Open de companion-app op de smartphone en zorg dat het apparaat succesvol via Bluetooth is verbonden.
    4. Navigeer naar het realtime-display in de app en controleer of de applicatie-instellingen zijn ingesteld voor continue monitoring van alle gewenste parameters, waaronder: cardiovasculaire metrics zoals hartslag (hartslag, eenheden: slagen per minuut, BPM), hartslagvariabiliteit (HRV, eenheden: milliseconden, ms), bloeddruk (BP, eenheden: millimeters kwik, mmHg) en elektrocardiogram (ECG, eenheden: millivolt, mV); ademhalings- en metabole metingen zoals algoritmisch geschatte ademhalingsfrequentie (RR, eenheden: ademhalingen per minuut, ademhalingen/min), zuurstofsaturatie in het bloed (SpO₂, eenheden: percentage, %) en metabole equivalenten (METs, ratio); perifere huidtemperatuur (eenheden: graden Celsius, °C); bewegingsgegevens van de versnellingsmeter (ACC, eenheden: zwaartekrachtsversnelling, g).
      OPMERKING: De PPG-sensor aan de achterkant van het apparaat moet constant en vlak contact houden met de huid. Draai de band weer strak als hij na verloop van tijd losraakt.

2. Instellingen van omgevingssensoren

  1. Verbind de omgevingssensorapparaten met de draagbare powerbank (capaciteit 10.000 mAh) met de juiste USB-kabels om 24-uurs werking te garanderen. Zorg ervoor dat alle verbindingen stabiel zijn en de kabels netjes zijn opgeborgen om onbedoelde loskoppeling tijdens het rijden te voorkomen.
  2. Plaats de multi-luchtverontreinigingsmonitor (meet deeltjes PM2,5 en PM10 in μg/m3, koolmonoxide CO in ppm, stikstofdioxide NO2, zwaveldioxide SO₂ en vluchtige organische verbindingen VOS'en in ppb), ruissensor (in decibel, dB) en temperatuursensor (in graden Celsius, °C) in het visnetzakje van de rugzak van de deelnemer. Bevestig de lichtbelichtingstracker (verlichting, in lux, lx; Circadian Light A, CLA, 0-1) stevig naar voren gericht op de schouderriem van de rugzak, zodat deze naar voren of naar buiten gericht is zonder belemmering.
  3. Geef de deelnemer de instructie om de rugzak mee te nemen bij hun dagelijkse activiteiten en 24 uur te reizen, en om elke nacht de powerbank op te laden. Geef een contactnummer voor eventuele problemen.
  4. Bevestig dat alle sensoren zijn ingeschakeld en succesvol een realtime datastroom hebben opgezet, waarbij gegevens worden gelogd en verzonden naar de bijbehorende smartphone-applicatie.
    OPMERKING: Alle sensoren moeten strikt worden gekalibreerd volgens de specificaties van hun respectievelijke fabrikant voordat ze aan de deelnemers worden overhandigd. Goedkope luchtvervuilingssensoren worden aanbevolen om gedurende twee weken een collocatie-kalibratietest te ondergaan tegen een referentie-instrument van onderzoeksniveau op een representatieve locatie om sensorspecifieke correctiefactoren af te leiden. De collocatieprocedure houdt in dat de goedkope sensor naast het referentie-instrument wordt geplaatst (binnen 1 m, op dezelfde hoogte), waarbij beide gelijktijdig gedurende minstens 14 dagen worden gebruikt om een reeks omgevingsomstandigheden vast te leggen. Gepaarde gegevens worden vervolgens gebruikt om lineaire of niet-lineaire correctiemodellen af te leiden (bijv. Cgecorrigeerd = (Crauw - b)/a) via regressieanalyse. Voor sensoren zonder toegang tot referentieinstrumenten wordt nul kalibratie met HEPA-gefilterde schone lucht aanbevolen om baseline drift te corrigeren. Een stabilisatieperiode van 10–15 minuten onder schone luchtomstandigheden is vereist voordat de basiswaarden worden geregistreerd. Voor elke uitrol moet er een verificatiecontrole vóór de uitrol worden uitgevoerd om de responsiviteit van de sensoren en de stabiliteit van gegevensoverdracht te bevestigen. Tijdens gegevensverzameling moeten dagelijkse kwaliteitsborgingslogboeken (QA) worden bijgehouden om eventuele afwijkingen, sensordrift of connectiviteitsonderbrekingen te documenteren. Temperatuur- en relatieve luchtvochtigheidssensoren (RH, eenheden: percentage, %) zijn meestal geïntegreerd als componenten in luchtvervuilingssensoren. Continue ruisblootstelling kan ook worden gemeten met de ingebouwde microfoon van de smartphone via de speciale applicatie. Licht- en hitteblootstelling die met het slimme polsbandje en mobiele telefoon worden verzameld, worden niet aanbevolen vanwege de hoge gevoeligheid voor obstructie en verstorende factoren zoals kleding en plaatsing. Voor een longitudinale studie of praktijk wordt een geïntegreerd modulair apparaat met een kleine grootte aanbevolen voor multi-pollutant monitoring.

3. Configuratie van smartphoneapplicaties

  1. Installeer de M3-BREATHE mobiele applicatie (speciaal ontwikkeld voor Android/iOS) op de smartphone van de deelnemer.
  2. Schakel GPS, Bluetooth en achtergrondgegevenssynchronisatie in.
  3. Configureer de app om GPS-locatiegegevens met intervallen van 1 minuut en sensorgegevens elke 5 minuten te synchroniseren.
  4. Stel de databemonsteringssnelheid in op 1 Hz (d.w.z. één sample per seconde) voor elk aangesloten apparaat (draagbare fysiologische monitoren en draagbare omgevingssensoren) om een hoge temporele resolutie dataverzameling te garanderen.
  5. Controleer of alle instellingen zijn opgeslagen voordat je met het opnemen van de data begint.
    OPMERKING: Het is goede praktijk om na de configuratie een korte (bijvoorbeeld 5 minuten) testopname uit te voeren. Bekijk het testgegevensbestand om te bevestigen dat alle verwachte datastromen (GPS-coördinaten, HRV, ECG, luchtvervuiling, geluid, enz.) zijn geregistreerd, correct getimestamped en plausibele waarden bevatten voordat de volledige studieperiode begint. Het is vermeldenswaard dat de blootstelling aan groenheid indirect wordt gemeten door GPS-trajectgegevens met hoge ruimtelijke resolutie te integreren met geografische datasets zoals OpenStreetMap of satellietgebaseerde vegetatie-indices (bijv. NDVI voor vegetatiebedekking). Om de ruimtelijke schaalmismatch tussen grofresolutie-omgevingslagen (bijv. NDVI op 10–250 m) en biometrische metingen op individueel niveau aan te pakken, kent het protocol omgevingsblootstellingswaarden toe aan elk GPS-punt op basis van dichtstbijzijnde buur- of buffergemiddelde extractiemethoden, waarbij ruimtelijke uitlijning op locatie en tijdstip van elke fysiologische meting wordt gegarandeerd.

4. Procedures voor gegevensverzameling

  1. Deelnemers inwerken
    1. Rekruteer deelnemers met behulp van een gestratificeerde steekproefmethode om de representativiteit van de doelpopulatie te waarborgen.
    2. Geef deelnemers uitgebreide begeleidingsmaterialen, waaronder een gedetailleerd instructieblad, een handleiding en bij voorkeur een instructievideo, over de procedures voor het dragen en gebruiken van de sensoren en het bedienen van de bijbehorende smartphone-applicatie.
    3. Voer een basisgezondheidsenquête uit binnen de app om demografische gegevens te verzamelen (bijv. geslacht, leeftijd, lengte, gewicht, burgerlijke staat), medische geschiedenis (bijv. niet-besmettelijke ziekten, NCD's), ademhalingsgezondheidstoestand (bijv. rookjaren, chronische hoest of dyspneu) en andere zelfgerapporteerde gezondheidsinformatie (bijv. algemene fysieke en mentale gezondheid, alcoholgebruik, dieetpatronen, bewegingsniveau, slaapkwaliteit).
      OPMERKING: Aanbeveling van gestandaardiseerde instrumenten voor zelfgerapporteerde gezondheidsinformatieverzameling, waaronder de 12-Item Short Form Survey (SF-12) voor algemene gezondheid46, de Alcohol Use Disorders Identification Test-Consumption (AUDIT-C)47, de International Physical Activity Questionnaire-Short Form (IPAQ-SF)48, en de Pittsburgh Sleep Quality Index (PSQI)49. Als alternatief kunnen 7-item Likert-schalen worden toegepast voor het gemak.
  2. Dagelijkse monitoringsroutine
    1. Geef de deelnemer instructies om de mobiele gezondheidsfysiologische sensoren te dragen en de draagbare omgevingsmonitoringsapparatuur (rugzak met visnetzak) gedurende een onafgebroken periode van 24 uur bij zich te dragen. Tijdens de slaap moeten de omgevingssensoren in de slaapkamer worden geplaatst om de blootstelling te beoordelen, met bijzondere aandacht voor de lichtsensor.
    2. Herinner de speler eraan om de powerbank elke avond op te laden en deze verbonden te houden met de omgevingssensoren om ononderbroken werking en data te behouden.
    3. De datastroom wordt gecontroleerd door handmatige controles door het onderzoeksteam elke 4 uur, of bij voorkeur via een geautomatiseerde waarschuwing van het backendsysteem binnen de applicatie, die wordt geactiveerd na 30 minuten onderbreking van datasynchronisatie. Bij een onderbreking van meer dan 30 minuten wordt de deelnemer benaderd om het probleem aan te pakken.
    4. Moedig de deelnemer aan om elke dag in de avond een activiteiten-reis dagboekenquête in de applicatie in te vullen (een sjabloon is opgenomen in Tabel 1), om de nauwkeurigheid van de context van dagelijkse activiteit en mobiliteit te verbeteren ten behoeve van effectievere en gerichte behandeling en interventie. Elke avond om 20.00 uur wordt er een geautomatiseerde herinnering (aanvraag/SMS) verstuurd om consistente naleving te bevorderen.
      OPMERKING: Een interactieve interface, met een kaart voor trajectvisualisatie (met tijdstempels), kan worden ingezet met machine learning-gebaseerde identificatie van activiteiten en reizen op basis van GPS-gegevens. Idealiter kunnen advies of herinneringen automatisch via de applicatie naar de deelnemer worden gestuurd om een activiteit of reis te registreren, vlak bij het plaatsvinden van de volgende activiteit/trip-episode, om de einde-van-dag herinneringsbias te beperken. Een laatste beoordeling voor het slapengaan wordt aanbevolen om het dagelijkse record te consolideren. Daarnaast kan ecologische momentaire beoordeling (EMA) worden gebruikt om subjectieve ervaringen (bijv. kortademigheid, vermoeidheid, percepties van milieuvervuiling) drie keer per dag vast te leggen (bijv. 8.00 uur, 12.00 uur en 16.00 uur) via pushmeldingen.
  3. Datasynchronisatie en back-up
    1. Alle verzamelde realtime en activiteitsreisdagboekgegevens worden automatisch gesynchroniseerd met een beveiligde, versleutelde cloudserver via Wi-Fi of mobiel netwerk. De clouddatabase is geconfigureerd met reguliere geautomatiseerde back-ups om dataverlies te voorkomen.
    2. Alle gegevens worden eerst opgeslagen in het interne geheugen van de smartphone. Gesynchroniseerde gegevens worden automatisch elke dag van het apparaat verwijderd na succesvolle verificatie door de cloudserver.
    3. Alle gegevens worden geanonimiseerd op het moment van verzameling en veilig opgeslagen op institutionele servers. De opslag, overdracht en verwijdering van de gegevens worden beheerd in strikte overeenstemming met het gegevensbeveiligings- en privacybeleid van de gastinstelling.
      De samenvatting van de gegevens en de bron zijn weergegeven in Tabel 2.
ParticipantIDDatumStartTimeEndTimeActiviteit(A)/Reis(T)Activiteitstype/Reismodus
113/08/20250:007:00ASlaap
113/08/20257:007:30AOntbijt
113/08/20257:308:00TOpenbaar vervoer
113/08/20258:0011:30AWerk
113/08/202511:3011:45TLoop
113/08/202511:4512:45ALunch
113/08/202512:4513:00TLoop
113/08/202513:0017:00AWerk
113/08/202517:0017:15TFiets
113/08/202517:1518:00AKoken
113/08/202518:0019:00AAvondeten
113/08/202519:0021:00AVrije tijd
113/08/202521:0021:30ABath
113/08/202521:3023:59ASlaap
114/08/20250:006:30ASlaap
114/08/2025…………

Tabel 1: Sjabloon voor activiteiten-reis dagboek voor M3-BREATHE monitoring. De tabel illustreert hoe gedragsgegevens worden vastgelegd en georganiseerd voor integratie met blootstellings- en gezondheidsanalyses.

Draagbare mobiele gezondheidsapparatenSmartphone-applicatieDraagbare omgevingssensoren
Ademhalingsfrequentie (RR)GPS-coördinatenFijnstof (PM2,5, PM10)
Tidal Volume (TV)Activiteiten-reisdagboekKoolmonoxide (CO)
Hartslag (HR)Ecologische momentaire beoordeling (EMA)Stikstofdioxide (NO2)
Hartslagvariabiliteit (HRV)BasisgezondheidsinformatieZwaveldioxide (SO₂)
Elektrocardiogram (ECG)Leeftijd, geslacht, enzovoort.Vluchtige organische verbindingen (VOS)
Bloeddruk (BP)Body Mass Index (BMI)Geluid (N)
Zuurstofsaturatie in het bloed (SpO₂)Sociaaleconomische status (SES)Temperatuur (T)
Metabool equivalenten (MET's)Medische geschiedenisRelatieve luchtvochtigheid (RH)
Huidtemperatuur (ST)AdemhalingsgezondheidstoestandVerlichting (lx)
Versnellingsmeter (ACC)Zelfgerapporteerde gezondheidsinformatieCircadiaanse Licht A (CLA)

Tabel 2: Samenvatting van gegevens en de bron van apparaten. De tabel geeft een overzicht van belangrijke meetwaarden (bijv. hartslag, ademhalingsfrequentie, deeltjes, temperatuur) en hun bijbehorende meetmethoden.

5. Dataverwerking en -analyse

  1. Kalibratie en kwaliteitsborging van apparaten
    Voorafgaand aan de inzet ondergaan alle apparaten basiskalibratiecontroles volgens de specificaties van de fabrikant. Voor omgevingssensoren (bijv. PM2.5-monitoren ) kan dit inhouden dat er geen kalibratie of vergelijking met referentie-instrumenten nodig is. Tijdens de gegevensverwerking worden kwaliteitsborging en kwaliteitscontrole (QA/QC) procedures toegepast op zowel omgevings- als biometrische datastromen. Alle stappen in QA/QC worden gedocumenteerd om transparantie en reproduceerbaarheid te waarborgen.
    1. Bereikcontroles om fysiologisch of fysiek onwaarschijnlijke waarden te verwijderen (bijv. extreme hartslag of concentraties verontreinigende stoffen).
    2. Detectie en uitsluiting van signaalartefacten (bijv. bewegingsgerelateerde ruis in draagbare data). Gladstrijk- of filterprocedures (bijv. voortschrijdende gemiddelden) waar passend.
    3. Identificatie en behandeling van ontbrekende of schaars datasegmenten.
  2. Preprocessing
    1. Ruwe sensorgegevens worden schoongemaakt (GPS-drift wordt gecorrigeerd via het Kalman-filter) en gesynchroniseerd met activiteiten-reisdagboeken met behulp van de Multimodal Temporal Alignment-benadering via Python-gebaseerde preprocessingpakketten (bijv. Pandas, GeoPandas, Tsfresh, Pyo3). Alle verwerkte gegevens worden vervolgens geïntegreerd in de M3-BREATHE-database.
    2. Om temporele afstemming tussen omgevingsblootstellingen en biometrische metingen te waarborgen, synchroniseer je alle datastromen naar een uniform tijdstempelkader. Standaardiseer apparaatklokken vóór de uitrol met behulp van netwerkgebaseerde tijdprotocollen. Tijdens gegevensverwerking kun je tijdstempels van verschillende apparaten uitlijnen op een gemeenschappelijke referentietijd (bijv. UTC) en klokdrift corrigeren met lineaire interpolatie of tijdverschuiving correctie.
    3. Verzamel gegevens met hogere frequenties (bijv. hartslagen afgeleid van draagbare apparaten) om de resolutie van omgevingsmetingen te matchen of pas milieugegevens aan om te sluiten aan hogere frequenties, afhankelijk van het analysedoel. Behandel ontbrekende tijdstempels of onregelmatige steekproefintervallen door interpolatie toe te passen of gegevens uit te sluiten op basis van vooraf gedefinieerde kwaliteitscriteria.
    4. Verwerk GPS-gegevens naast externe geografische datasets die de gebouwde en natuurlijke omgevingen karakteriseren om individuele blootstellingen te contextualiseren. Bereken de blootstelling aan groenheid door GPS-gegevens te integreren met OpenStreetMap-gegevens en satellietgebaseerde vegetatie-indices (bijv. NDVI). Pak schaalverschillen aan tussen hoogfrequente GPS-trajecten en satellietgebaseerde omgevingslagen met lagere resolutie door gebruik te maken van dichtstbijzijnde naburen of buffer-gebaseerde ruimtelijke uitlijningsmethoden.
    5. Voor elke GPS-fix wijst je de bijbehorende omgevingsbelichtingswaarde toe van de snijdende of dichtstbijzijnde pixel, of bereken je een gewogen gemiddelde van pixels binnen een gedefinieerde bufferradius (bijv. 10 m, 30 m) die typische GPS-ruimtelijke onzekerheid weerspiegelt. Zorg ervoor dat omgevingsblootstellingen worden toegeschreven met een ruimtelijke tijdsresolutie die compatibel is met de gelijktijdig verzamelde fysiologische en gedragsgegevens.
  3. Feature-extractie
    1. Vat gegevens uit milieu- en mobiele gezondheidsmonitoring samen met behulp van belangrijke meetpunten, waaronder metingen van centrale tendens (gemiddelde, mediaan, gewogen gemiddelde), extreme waarden (maximaal, minimum, percentielen), variabiliteit (standaarddeviatie, variantie, variatiecoëfficiënt, interkwartielbereik) en temporele patronen (piekfrequentie, duur boven de drempel, veranderingssnelheid, dag-, wekelijkse of seizoensvariatie).
    2. Bereken de cumulatieve blootstelling aan luchtverontreinigende stoffen met behulp van totale blootstellingsmetrics (gemiddelde concentratie en ingeademde dosis) en het oppervlak onder de curve (AUC). Bereken de ingeademde verontreinigingsdosis (D) over een blootstellingsduur (t) met behulp van de onderstaande relatie.
      figure-protocol-1
      met minimale ventilatie gedefinieerd als:
      figure-protocol-2
      waarbij C de concentratie van verontreinigende stoffen in de ingeademde lucht is (μg/m3, ppb of ppm, afhankelijk van de eenheidsconventie); figure-protocol-3 is de minuutventilatie, dat wil zeggen het totale volume lucht dat per minuut wordt ingeademd (L/min); RR is de ademhalingsfrequentie (ademhalingen/min); VT is het getijdenvolume, het volume lucht dat per ademhaling wordt ingeademd (L/adem); en t is de belichtingsduur (min).
      Let op dat de dosis D wordt berekend in μg, mits deze figure-protocol-4 wordt omgerekend naar m3/min (d.w.z. gedeeld door 1000) om eenheidsconsistentie te behouden.
    3. Aangezien borstgedragen ademhalingssensoren meestal duur en belastend zijn om continu te dragen gedurende langere tijd in echte contexten, vergeleken met monitoringsduur van enkele uren tot enkele dagen in gecontroleerde klinische experimenten, beoordeel de ademhalingsfrequentie met behulp van versnellingsmeter- en gyroscopgegevens verkregen van het slimme polsbandje met behulp van machine learning-algoritmen50,51. Om de nauwkeurigheid van de beoordeling te verbeteren, fungeert een random forest-model meestal als filter, waarbij gegevens worden afgewezen die resulteren in een onnauwkeurige ademhalingsfrequentiemeting, waarna een Convolutioneel Neural Network (CNN)-model kan worden gebruikt om de ademhalingsfrequentie52,53 te onttrekken.
    4. Haal gedragskenmerken uit GPS-gegevens, op smartphones gebaseerde reisdagboeken en bewegingsgegevens uit polsbandversnellingsmeters. Genereer een set individuele gedragsindicatoren om verbanden tussen blootstelling aan het milieu, gedrag en gezondheidsuitkomsten te analyseren. Tabel 3 vat multischaalprofielen samen over de domeinen gedrag, milieublootstelling en gezondheid.
      OPMERKING: Pijlen illustreren de sequentiële uitlijning van profielen over gedrag, omgevingsblootstelling en gezondheidsdomeinen.
  4. Data-analyse
    1. Beschrijvende en verkennende analyses
      1. Voer initiële beschrijvende statistieken uit om de verdeling, centrale tendens en variabiliteit van alle variabelen te karakteriseren.
      2. Voer correlatieanalyse en variantie-inflatiefactor (VIF)-tests uit.
      3. Visualiseer blootstellings- en gezondheidsgegevens met behulp van tijdreeksen, boxplots en georuimtelijke heatmaps.
    2. Acute associaties en temporele vertragingen
      1. Gebruik distributed lag-modellen (DLM's).
      2. Zet blootstellingsgegevens in tijdsblokken.
      3. Voer gevoeligheidsanalyses uit.
      4. Pas tijdreeksmethoden toe (ARIMA, VAR).
    3. Chronische associaties en cumulatieve blootstellingen
      1. Aggregeer blootstellingsmetrics.
      2. Koppel blootstelling aan herhaalde gezondheidsbeoordelingen.
      3. Gebruik mixed-effects regressiemodellen.
      4. Pas longitudinale of survivalanalyse toe.
        OPMERKING: Het is noodzakelijk om tijdvensterstrategieën te overwegen. Tabel 4 vergelijkt verschillende tijdvensteropties.
    4. Gedragsmediatie- en moderatieanalyses
      1. Onderzoek bemiddeling met behulp van SEM of causale analyse.
      2. Onderzoek de effecten van matiging.
    5. Blootstelling-responsfuncties en dosis-responscurves
      1. Kwantificeer de relaties tussen blootstelling en respons.
      2. Schat de geïnhaleerde dosis-responsfuncties.
      3. Onderzoek niet-lineaire associaties.
    6. Longitudinale en levensloopanalyses
      1. Evalueer chronische effecten.
      2. Verken levensloopbanen.
    7. Gepersonaliseerde behandeling en interventie
      1. Maak gepersonaliseerde profielen.
      2. Identificeer risicovolle episodes.
      3. Aanbeveling voor medische evaluaties.
    8. Bevolkingsgezondheidsintelligentie
      1. Genereer belichtingskaarten.
      2. Analyseer gedragstrends.
      3. Beoordeel gezondheidsongelijkheden.
      4. Gebruik machine learning-modellen.
GedragsdomeinMilieublootstellingsdomeinGezondheidsdomein
Voorbijgaande/momentaire kenmerkenOnmiddellijke belichtingsprofielenKortetermijngezondheidsprofielen
Grootte van versnellingsmetervectorRealtime exposureReacties op cardiorespiratoire stress
Onmiddellijke activiteitsintensiteitAcute blootstellingAcute veranderingen in HR, BLOEDDRUK, HRV, SpO₂, enzovoort.
Aflevering-/wedstrijd-niveau kenmerkenAfleveringen-niveau blootstellingsprofielenECG-aritmiegebeurtenissen
Starttijd, eindtijd, duurGemiddelde concentratie van verontreinigende stoffenAdemhalingssymptomen en functie
ActiviteitstypeCumulatieve blootstellingsdosis verontreinigende stoffenAfleveringsspecifieke ventilatiesnelheidsfluctuaties
LocatietypePiekbelichtingZelfgerapporteerde hoest en kortademigheid
Binnen/buitenPercentielgebaseerde blootstellingPsychologische en welzijnstoestanden
TransportwijzeBelichtingsvariabiliteitEMA-stemming, stress, vermoeidheid, enzovoort.
ReisafstandDuur van boven de drempelEpisode-niveau cognitieve en affectieve spanning
Gemiddelde reissnelheidAUC-blootstellingAcute blootstellingslast
Doel van de reisBlootstelling binnen versus buitenMiddellange termijn gezondheidsprofielen
Intensiteit van lichamelijke activiteitBlootstelling aan transportmicro-omgevingenSubklinische cardiovaculaire markers
AdemhalingspatroonBlootstelling aan werkplek/thuis/recreatiefAanhoudende verhogingen van rusthartslag of bloeddruk
Intersegment- en dagelijkse functiesDagelijkse blootstellingsprofielenVroege risicoscores voor hypertensie
Zittende onderbrekingen en overgangen tussen activiteitstoestandenDagelijkse gemiddelde blootstellingTrends in de luchtgezondheid
Overgangen tussen binnen- en buitenomgevingenDagelijkse cumulatieve blootstellingsdosisFrequentie van episodes van ademhalingssymptomen
Overgangen tussen transportmicroomgevingenDagelijkse piekblootstellingAchteruitgang van longfunctie (RR, SpO₂, enz.)
Activiteit–tripketensFrequentie/duur van dagelijkse piekenMetabole en lichamelijke activiteit
Complexiteit van activiteiten/toursDagelijkse minimale blootstellingCumulatieve MET-min/week
Activiteit-reis ketenDagelijkse percentielblootstellingActiviteitsintensiteitsverdeling
TijdsgebruikstructuurDagelijkse blootstellingsduur boven de drempelSlaap en herstelgezondheid
Activiteitsruimte, draaicirkel, ruimtelijke entropieDagelijkse blootstelling aan AUCVermoeidheidspersistentie voorbij dagelijkse variatie
Algemene reisrichtingDagelijkse blootstellingsvariabiliteitMentale gezondheid en welzijn
Tijd in matige tot intensieve lichamelijke activiteit (MVPA)Dagelijkse blootstellingshelling (veranderingssnelheid)Stressreactiviteit, angstscores, enzovoort.
Circadiaans ritmeDagelijkse piek-gemiddelde-ratioCumulatieve blootstellingsrisico's
Patronen van gewoonteLongitudinale blootstellingsprofielenGemiddelde concentratie en dosis verontreinigende stoffen
Dagelijkse routinematige activiteit-reispatronenLangdurige gemiddelde blootstellingLangetermijngezondheidsprofielen
Variabiliteit in dagelijkse activiteit-reispatronenLangdurige cumulatieve blootstellingsdosisRisico en progressie van hart- en vaatziekten
Chronotype van het circadiane ritmePiekbelichtingAdemhalings- en longuitkomsten
Weekend/doordeweekse afwijkingen in het circadiaans ritmeFrequentie/duur van piekgebeurtenissenMetabole en obesitasgerelateerde uitkomsten
Regelmaat van mobiliteit (traject, woon-werkverkeer, modus, enz.)Percentielgebaseerde blootstellingUitkomsten van de geestelijke gezondheid
Langetermijntrends in lichamelijke activiteitTijd boven de drempelSystemische gezondheid en biologische veroudering
Zittende en actieve gedragscycliAUC-blootstellingFunctionele en quality of life-uitkomsten
Voedingstiming en regelmaatDagelijkse/wekelijkse/maandelijkse/seizoensvariatieLevenslange gezondheidstrajecten
Adaptief gedrag onder extreme omgevingsfactorenBelichtingstijdreeksmijnbouwBevolkingsgezondheidsintelligentie

Tabel 3: Multiscale dataprofielen van M3-BREATHE. De tabel benadrukt hoe gedragsmaatstaven zich verhouden tot korte, middellange en lange termijn gezondheidsuitkomsten.

RaamUse-CaseModelleringsbenaderingVoordelenNadelen
1 uurZeer acute effectenNeem 1-uur voortschrijdend gemiddelde op als covariaat in LME of tijdreeksen; of DLNM gebruiken met uurvertragingenVerovert directe pieken; minimale verdunningVeel ruis; heeft data in hoge resolutie nodig; Beperkt chronisch inzicht
24 uurDagelijks (kortetermijn)24-uur bewegend gemiddelde in gemengd model; DLNM of DLM met 1-dag vertragingVermindert geluid; sluit aan bij regelgevende maatstavenKan piekgebeurtenissen verzachten
7 dagenWekelijks (subacuut)7-dagen gemiddelde covariaat; DLM met vertragingen tot 7 dagenVangsten verzamelden kortetermijnblootstellingVervaagt de dagelijkse variabiliteit; Matige gladmaking
30 dagenMaandelijks (middellangetermijn)Gemiddeld 30 dagen; DLNM met maandelijkse lagstructuurWeerspiegelt de recente blootstellingsbelasting; SoepelerMisten dagelijkse pieken; gaat uit van lineaire cumulatie
90 dagenSeizoensgebonden (langdurig)90-dagen gemiddelde of verspreide lag over ~90dVangt seizoenstrendsOver-smoothes; verwarring met seizoensfactoren
365 dagenJaarlijks (langdurig)1 jaar gemiddeld in LME of Cox-modelNuttig voor chronisch risico; Besturing voor het seizoenNegeert acute variatie; verward door verouderingstrends

Tabel 4: Tijdvensterstrategieën en analytische benaderingen. Samenvatting van tijdvensterstrategieën en bijbehorende analytische benaderingen die worden gebruikt om omgevingsblootstellingen op verschillende temporele schalen te beoordelen, waarbij hun toepasbaarheid, sterke en beperkte punten worden benadrukt.

Resultaten

De volgende representatieve resultaten zijn afkomstig uit een pilotstudie die draagbare luchtvervuilingssensoren, activiteiten-reisdagboeken en episodeniveau zelfgerapporteerd subjectief welzijn (SWB) integreerde. Deelnemers moesten draagbare luchtvervuilingssensoren meenemen tijdens hun dagelijkse activiteiten en reizen gedurende een aaneengesloten periode van 48 uur (vrijdag–zaterdag of zondag–maandag) en het bijbehorende activiteiten-reisdagboek invullen. Gegevens van in totaal 112 geldige deelnemers, van december 2017 tot februari 2018, in de woongemeenschap Meiheyuan, Beijing, werden in de analyse opgenomen. Deze voorlopige analyse richt zich op de onderlinge relaties tussen PM2.5-blootstelling (omgevingsdomein), dagelijkse activiteiten (gedragsdomein) en cognitieve SWB (gezondheidsdomein). Hoewel deze pilot de volledige M3-BREATHE-pijplijn nog niet valideert, met name de integratie van fysiologische signalen (bijv. HRV, ademhalingsfrequentie) en realtime blootstellingswaarschuwingen, dient het als een illustratief voorbeeld van de analytische aanpak. Volledige end-to-end validatie van het volledige multimodale systeem is nodig voor toekomstig werk.

Om de end-to-end M3-BREATHE-pijplijn te valideren, beoordeelden we de gegevensintegriteit (99,3% GPS-dataverzamelingssnelheid en 93,2% luchtvervuilingsmonitor-opnamesnelheid), synchronisatienauwkeurigheid (≤1 s tijdsasynchronie tussen multimodale data) en kalibratievaliditeit (PM2,5-metingen van goedkope sensoren hadden een Pearson-correlatie van r=0,86 met onderzoeksreferentie-instrumenten na collocatiekalibratie). De pijpleiding integreerde GPS-trajectgegevens, omgevingsblootstellingsgegevens en zelfgerapporteerde dagboekgegevens, waardoor activiteitsspecifieke blootstellingspatronen en relaties tussen blootstelling en gezondheid konden worden geïdentificeerd. Deze resultaten bevestigen de reproduceerbaarheid en betrouwbaarheid van het M3-BREATHE-protocol voor echte E-M-H-monitoring.

Figuur 1 geeft de gemiddelde PM2,5 blootstellingsconcentratie (blauwe balken, linkeras) en cognitieve SWB-scores (oranje lijn, rechteras) weer over een reeks dagelijkse activiteiten en reizen. De resultaten tonen aan dat de PM 2,5-blootstellingsconcentraties sterk verschilden per activiteitstype. De hoogste gemiddelde blootstelling werd waargenomen tijdens de slaap, wat wijst op een hoge concentratie luchtvervuiling binnenshuis thuis. Dit kan komen doordat het studiegebied relatief sterk vervuild is vergeleken met andere delen van Beijing. Andere activiteiten met consequent hoge blootstellingsconcentraties waren onder meer surfen op internet, entertainment, studeren en wandelen, die allemaal boven de 20 μg/m3 lagen. Er werden blootstellingsconcentraties in het middenbereik gevonden voor activiteiten zoals werk, lichamelijke activiteit, zorg en reizen (15–20 μg/m3). De laagste blootstellingen werden geregistreerd tijdens persoonlijke aangelegenheden, doktersbezoeken, eten en persoonlijke zorg (5–15 μg/m3). Deze verschillen, gebaseerd op deze pilotstudie, weerspiegelen de specifieke omgevingscontexten waarin activiteiten plaatsvinden (binnen versus buiten en zittend versus actief). Daarentegen vertoonden cognitieve SWB-scores minder variabiliteit tussen activiteiten, smal tussen 1,7 en 2,3 (op een ontevredenheidsschaal van 1–5). De laagste tevredenheidsscores waren geassocieerd met doktersbezoek en reizen, gevolgd door persoonlijke zaken en werk, terwijl de hoogste tevredenheidsscores gekoppeld waren aan lichamelijke activiteit, entertainment en sociale activiteit, die vaak intrinsiek lonende activiteiten zijn.

Er is vastgesteld dat de activiteitstypen die geassocieerd worden met hogere PM2,5 blootstellingsconcentraties niet altijd overeenkwamen met een lagere cognitieve SWB, wat wijst op ontkoppelingspatronen tussen PM2,5 blootstelling en zelfgerapporteerde cognitieve SWB. Bijvoorbeeld lichamelijke activiteit en entertainment gecombineerd met verhoogde blootstelling en hoge cognitieve SWB-scores. Dit kan erop wijzen dat het gezondheidsrisico van PM2.5-blootstelling over het hoofd wordt gezien of niet bewust gekoppeld is aan cognitieve SWB, waarschijnlijk vanwege de onzichtbare aard van PM2.5, wat het nog verraderlijker en moeilijker te detecteren in de omgeving maakt. Ter vergelijking: verontreinigende stoffen zoals SO2, NOx en O3 hebben gemakkelijker detecteerbare kenmerken. Zo heeft SO2 een kenmerkende zwavelachtige geur en wordt NOx vaak geassocieerd met zichtbare emissies van industriële processen en voertuiguitlaatgassen. Deze gasvormige verontreinigende stoffen kunnen direct irritatie veroorzaken aan de ogen, keel en het ademhalingssysteem, waardoor ze gemakkelijker te detecteren en erop te reageren zijn zonder gespecialiseerde apparatuur. PM2.5 is echter de gevaarlijkste verontreinigende stof omdat het kan doordringen in de gasuitwisselingsgebieden van de long (alveolus), en zeer kleine deeltjes door de longen kunnen passeren om andere organen te beïnvloeden en zo schade aan het bloedsomloopstelselte veroorzaken. Deze bevinding benadrukt de unieke uitdaging die PM2.5 met zich meebrengt, waarvan het onmerkbare karakter en de ernstige gezondheidseffecten het tot een kritiek, maar vaak onderschat milieurisico maken bij diverse dagelijkse activiteiten.

figure-results-1

Figuur 1: PM2,5 blootstellingsconcentratie en cognitief subjectief welzijn (SWB) per type dagelijkse activiteit. Cognitief subjectief welzijn (SWB) wordt gemeten op een Likert-schaal die varieert van 1 (zeer tevreden) tot 5 (zeer onbevredigd). De figuur toont variaties in blootstellingsniveaus van fijne deeltjes (PM2,5, μg/m3) en de bijbehorende welzijnsscores tussen activiteiten. Gegevenspunten vertegenwoordigen waargenomen waarden. Klik hier om een grotere versie van deze figuur te bekijken.

Om de relatie tussen blootstelling aan luchtvervuiling en subjectief welzijn (SWB) te onderzoeken, maakt deze pilotstudie gebruik van een Generalized Additive Model (GAM), dat flexibele niet-lineaire effecten mogelijk maakt. Zowel gelijktijdige blootstelling aan luchtvervuiling (AAP) als achtergebleven blootstelling van de vorige activiteit (AAP_1) worden gemodelleerd met behulp van soepele functies, terwijl sociaal-demografische kenmerken (geslacht, leeftijd, hukou, opleiding, burgerlijke staat en inkomen) als controlevariabelen worden opgenomen. De resultaten tonen aan dat noch AAP noch AAP_1 een statistisch significant effect hebben op SWB, met p-waarden van respectievelijk 0,234 en 0,266. Hoewel de geschatte gladde termen enkele niet-lineaire patronen suggereren, zijn deze effecten niet robuust (Figuur 2). Daarentegen vertonen bepaalde individuele kenmerken sterkere associaties met SWB.

Deze bevindingen suggereren dat kortdurende blootstelling aan luchtvervuiling, of die nu gelijktijdig is of door één activiteitsepisode wordt vertraagd, geen significante invloed heeft op SWB. Een mogelijke verklaring is dat individuen mogelijk niet direct reageren op kortetermijnfluctuaties in luchtkwaliteit, of dat dergelijke effecten langere of cumulatieve blootstelling vereisen om detecteerbaar te worden. Toekomstig onderzoek zou deze analyse kunnen uitbreiden door meerdere lagstructuren te integreren (bijv. blootstellingen van verschillende voorafgaande activiteitsepisodes), tijdgebaseerde metingen te gebruiken (bijvoorbeeld blootstellingsduur op minuutniveau), of alternatieve modelleringsmethoden toe te passen zoals distributed lag-modellen of machine learning-methoden om dynamische en cumulatieve effecten van luchtvervuiling op het welzijn beter vast te leggen.

figure-results-2
Figuur 2: Niet-lineaire effecten van huidige en vertraagde luchtvervuiling op subjectief welzijn. De curves geven modelafgeleide effectschattingen over de tijd weer en benadrukken kortetermijnfluctuaties en vertraagde reacties. AAP duidt gelijktijdige blootstelling aan, terwijl AAP₁ een blootstelling vertegenwoordigt die één tijdseenheid achterloopt (bijvoorbeeld 1 dag). Klik hier om een grotere versie van deze figuur te bekijken.

Discussie

Een cruciale stap bij het implementeren van het M3-BREATHE-protocol is de betrouwbare opstelling en synchronisatie van multimodale apparaten, aangezien dataintegriteit sterk afhankelijk is van stabiele verbindingen tussen draagbare sensoren, draagbare omgevingsmonitoren en de smartphoneapplicatie. Het is ook essentieel om ervoor te zorgen dat alle sensoren zijn gekalibreerd volgens de specificaties van de fabrikant voordat de inspectie wordt gestart. Idealiter moeten de draagbare omgevingsapparaten, met name de luchtvervuilingsmonitor, worden geconcentreerd en gekalibreerd tegen referentieinstrumenten van onderzoeksniveau vóór de inzet, om de geldigheid en nauwkeurigheid van de metingen voor onderzoeksdoeleinden te waarborgen.

In gecontroleerde klinische experimenten of kortdurende, kleinschalige onderzoeken levert het gebruik van een op de borst gedragen ademhalingsband hooggetrouwe ademhalingsparameters (ademhalingsfrequentie, getijdenvolume, ECG), wat een grotere nauwkeurigheid biedt dan polsgebaseerde sensoren en dient als triangulatiebasis voor het valideren van hun algoritmische schattingen. Daarentegen is voor longitudinale monitoring in natuurlijke omgevingen, inclusief vrijwillig consumentengebruik, de combinatie van een slimme polsband en smartphoneapplicatie de voorkeur, omdat deze apparaten minder opdringerig zijn en duurzame naleving van deelnemers bevorderen. Voor studies met beperkte middelen of zorgen over de deelnemerslast wordt een minimale kit aanbevolen bestaande uit een slim polsbandje, smartphone-app en één vervuilingsmonitor. Extra sensoren (bijv. borstgedragen ademhalingsband, speciale lichttracker) moeten worden overwogen op basis van specifieke onderzoeksdoelstellingen en budget. Gedetailleerde aanbevelingen voor de aanpassing van het M3-BREATHE-protocol in gecontroleerde klinische experimenten en praktijkgerichte longitudinale studies en praktijk zijn te vinden in Tabel 5.

DatadomeinMetriek (afkorting)Gecontroleerd klinisch experimentPraktijk in de praktijk van longitudinale studie
BorstsensorSlim polsbandjeDraagbare MilieumonitorSmartphone-appSlim polsbandjeDraagbare MilieumonitorSmartphone-app
FysiologischHartslag (HR)ΟΟΟΟΟΟΟΟ
Hartslagvariabiliteit (HRV)ΟΟΟΟΟΟΟΟ
Ademhalingsfrequentie (RR)ΟΟΟΟΟΟΟ
Tidal Volume (TV)ΟΟΟΟΟ
Elektrocardiogram (ECG)ΟΟΟΟΟΟΟΟ
Bloeddruk (BP)ΟΟΟΟΟ
Zuurstofsaturatie in het bloed (SpO₂)ΟΟΟΟΟ
Metabool equivalenten (MET's)ΟΟΟΟΟ
Huidtemperatuur (ST)ΟΟΟ
Versnellingsmeter (ACC)ΟΟΟΟΟ
MilieuFijnstof (PM2,5, PM10)ΟΟΟΟΟΟ
Koolmonoxide (CO)ΟΟΟΟΟ
Stikstofdioxide (NO2)ΟΟΟΟΟ
Zwaveldioxide (SO₂)ΟΟΟ
Vluchtig organisch
Verbindingen (VOS)		ΟΟΟΟ
Geluid (N)ΟΟΟΟΟΟΟ
Temperatuur (T)ΟΟΟΟΟ
Relatieve luchtvochtigheid (RH)ΟΟΟ
Lichtbelichting (verlichting)ΟΟΟΟΟ
Lichtbelichting (Circadiaans licht A)ΟΟΟ
GroenheidΟΟΟΟ
Gedragsmatig & ContextueelGPS-locatie / TrajectoireΟΟΟΟΟΟ
Activiteit-Reis Dagboek (ATD)ΟΟΟΟ
Ecologisch moment
Beoordeling (EMA)		ΟΟΟ
Basiskenmerken (BC)ΟΟΟΟΟΟ
Notities: ΟΟΟ, minimale uitrusting; ΟΟ, standaarduitrusting; Ο, alternatief

Tabel 5: Aanbevelingen voor de aanpassing van het M3-BREATHE-protocol. Samenvatting van meetdomeinen en instrumentatieniveaus over studieomgevingen heen (ΟΟΟ minimum; ΟΟ standaard; Ο alternatief).

Verschillende aanpassingen en probleemoplossingsstrategieën zijn nodig bij het toepassen van dit protocol in verschillende omgevingen. Ten eerste, in geval van een onderbreking tussen de monitoringapparaten en de smartphone of periodes van meer dan 30 minuten met nul of ongeldige gegevens (bijvoorbeeld verlies van gezondheidsparameters door sensorstoring of gebrek aan huidcontact), moeten geautomatiseerde rapporten aan onderzoekers worden gemaakt zodat deelnemers snel kunnen worden benaderd om het probleem op te lossen. Onderzoekers kunnen ook regelmatig controles op de gegevensintegriteit uitvoeren. Ten tweede kunnen voor longitudinale implementaties van het protocol de naleving van apparaten en batterijbeheer grotere uitdagingen vormen. Deelnemers vergeten soms het slimme polsbandje te dragen, powerbanks op te laden of de activiteiten-reisdagboeken in te vullen. Geautomatiseerde in-app herinneringen, backendmonitoring en dagelijkse dagboekprompts zijn effectieve mitigatietools.

Ondanks zijn voordelen heeft de M3-BREATHE verschillende beperkingen. Hoewel slimme borstbanden nauwkeurige ademhalingsmetingen geven, zijn ze over het algemeen onpraktisch voor langdurige monitoring in de praktijk vanwege de60-yard deelnemer. Metingen en algoritmen voor ademhalingsbeoordeling op basis van polsbandjes worden daarom aanbevolen, hoewel deze een verminderde nauwkeurigheid hebben voor het schatten van getijdenvolume of het detecteren van subtiele aritmieën, en hun prestaties kunnen worden beïnvloed door bewegingsartefacten61. Daarnaast vergroot het gebruik van meerdere omgevingsmonitoringsapparaten de kans op mogelijke verbindingsstoringen, niet-synchrone klokken of sensorstoringen. Er moet een geïntegreerd modulair apparaat worden ontwikkeld voor multi-pollutant monitoring of alternatieve benaderingen (bijv. smartphone-gebaseerde geluidsmonitoring), met als doel de meetnauwkeurigheid te behouden terwijl de apparaatgrootte wordt geminimaliseerd en draagbaarheidwordt gemaximaliseerd. Bovendien kan het vertrouwen op in-app zelfgerapporteerde systemen (bijv. activiteiten-reisdagboeken, medische dossiers) recall-bias veroorzaken en de langetermijnverplichtingen voor naleving verhogen63. Machine learning-gebaseerde identificatie van activiteiten en reizen kan worden toegepast64, terwijl het bijhouden van medische behandeldossiers van zorgverleners naadloos via een eenvoudige één-klik-interface met de smartphone-applicatie kan worden verbonden.

Deze visionaire, realistische M3-BREATHE creëert een schaalbaar, niet-invasief en kostenefficiënt platform voor longitudinale milieu-mobiliteits-gezondheid (E-M-H) nexus-onderzoek en -praktijk, waarmee bestaande benaderingen worden vooruitgeholpen. Traditionele ruimtelijke epidemiologie is vaak afhankelijk van monitoring op vaste locaties of residentiële proxies voor blootstellingsbeoordeling, waardoor het kwetsbaar is voor het probleem van de modifiable areal unit (MAUP) en het onzekere geografische contextprobleem (UGCoP)21,65. Door multimodale gedrags-, fysiologische en omgevingsblootstellingsgegevens met hoge ruimte-tijdresolutie te integreren, beweegt dit systeem richting frame-onafhankelijke individuele blootstellingsbeoordelingen, wat het onthullen van de gedragsmatige "black box" in de milieu-gezondheidsrelatie66,67 vergemakkelijkt. Het ondersteunt zowel individuele als populatiegebaseerde, diepgaande interpretatie van dosis-responsdynamiek, waarbij realtime multi-pollutant blootstelling wordt gekoppeld aan fysiologische reactiviteit en gezondheidsuitkomsten, gepersonaliseerde behandeling en interventie mogelijk is, volksgezondheidssurveillance en translationeel onderzoek dat milieublootstelling, dagelijkse activiteiten en mobiliteit en gezondheidsuitkomsten koppelt68, evenals het faciliteren van individuen hun gezondheidsmanagement en risicobeperking voor omgevingsblootstelling69 (bijv. dagelijkse activiteitenplanner om persoonlijke historische E-M-H-profielen te vermijden die op risicoblootstelling gebaseerd zijn).

Toekomstige toepassingen van M3-BREATHE omvatten (1) integratie met AI-gestuurde realtime interventiesystemen, waarbij gepersonaliseerde exposure-waarschuwingen adaptieve gedragsaanbevelingen triggeren (bijv. omleiding van woon-werkverkeer tijdens piek PM2,5 blootstelling); (2) inzet in kwetsbare groepen (bijv. ouderen, astmapatiënten) om ziekte-specifieke blootstelling-gezondheid associaties te beoordelen en precisiegeneeskunde te ondersteunen; (3) combinatie met genomische data om interacties tussen genen en omgeving bij de ontwikkeling van chronische ziekten te ontdekken; (4) miniaturisatie van geïntegreerde modulaire omgevingssensoren om de last van deelnemers te verminderen en de langetermijnnaleving te verbeteren; (5) cross-city en cross-country schaal om wereldwijde E-M-H-datasets te genereren voor vergelijkend milieugezondheidsonderzoek. Daarnaast kan het protocol worden aangepast voor het monitoren van andere milieurisico's door relevante draagbare sensoren te vervangen.

Openbaarmakingen

De auteur verklaart geen concurrerende belangen.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, temperatuur, vochtigheid
AirVisual ProIQAirProAQI,  PM2.5, CO2, temperatuur, vochtigheid. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, temperatuur, vochtigheid, barometrische druk
BioNomadix BioShirtBioPacBN-BIOSHIRT-FxDraadloos slim shirt met ingebouwde textielelektroden en ademhalingssensoren, in staat om ECG en ademhalingssignalen op te nemen.
Extech SL355 Personal Noise DosimeterExtechSL355logt SPL, Leq, Peak, etc.
Fitbit SenseFitbit2Hartslag, ECG, SpO2, stressniveaus, slaap, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerHartslag, Bloeddruk, ECG, bloedglucose, SpO2, slaap, sportmodi
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341logt SPL, Leq, Peak, etc.
Go Direct Respiration BeltVernierGDX-RBBorstband ademhalingsmonitor die spannings- of expansiesensoren gebruikt om thoracale expansie of contractie te detecteren
Hexoskin Smart ShirtHexoskinN/ASlim kledingstuk met ingebedde textielsensoren voor continue monitoring van ademhalingssnelheid, hartslag, ventilatie, activiteit, slaap, etc
Huawei BandHuawei9Hartslag, SpO2, slaapfasen, ademhalingssnelheid, detectie van aritmie
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2,temperatuur, vochtigheid
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVbevestigd aan kleding; meet UVA en UVB; zonne-aangedreven 
Miniaturized Light DosimeterWearifiBLE Light Dosimetertot 8 kanalen van spectrale dosimetrie (bijv. UV → IR), meet cumulatieve lichtdosis; goed voor langdurige blootstellingstracking.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375Hartslag, slaap, SpO2, stress, 100+ sportmodi
Personal Noise Dosimeter SV-104ASvantekSV 104Alogt SPL, Leq, TWA, Peak, etc.
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133Hartslag, slaap, stress, sportmodi
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededHartslag, SpO2, slaap, stappen, calorieën
SunSprite Personal Light TrackerGoodLux TechnologySunSpritebevestigd aan kleding; meet zichtbaar licht en UV; zonne-aangedreven
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, temperatuur, vochtigheid en weer
Xiaomi Smart BandXiaomi9Hartslag, SpO2, slaapfasen, stressniveaus

Referenties

  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).

Herprints en machtigingen

Meer artikelen verkennen

Mobiele gezondheidsmonitoringmultimodale monitoringfysiologische signalenblootstelling aan omgevingsfactorenrespiratoire functieGPS-trackingmachine learning-waarschuwingengepersonaliseerde gezondheidsbeoordelingstedelijke omgevingsgegevenslongitudinale gezondheidsmonitoring
Echte wereld M3-BREATHE: Richting multimodale mobiele monitoring van gedrag, ademhaling en blootstelling voor behandeling en gezondheidsevaluatie
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.