Artykuł metodologiczny

Real-World M3-BREATHE: ku wielomodalnemu mobilnemu monitorowaniu zachowań, oddychania i ekspozycji w leczeniu i ocenie zdrowia

205 wyświetleń

⸱

DOI:

10.3791/69900

⸱

5 czerwca 2026

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

W tym artykule

Podsumowanie

M3-BREATHE to mobilny system zdrowia (mHealth), który integruje przenośne czujniki do monitorowania oddychania, zachowań i ekspozycji na czynniki środowiskowe w celu spersonalizowanego leczenia i oceny zdrowia w rzeczywistości.

Streszczenie

Integracja technologii mobilnej opieki zdrowotnej (mHealth) do ciągłego, czasu rzeczywistego monitorowania sygnałów fizjologicznych i behawioralnych, w połączeniu ze szczegółowym pomiarem narażenia na czynniki środowiskowe, ma transformacyjny potencjał dla rozwoju spersonalizowanej oceny ryzyka zdrowotnego oraz umożliwia skuteczniejsze leczenie i interwencje. W tym protokole przedstawiam multimodalny system mobilnego monitorowania specjalnie zaprojektowany do rejestrowania i integrowania danych dotyczących indywidualnego zachowania (codzienna aktywność i podróże), funkcji oddechowych, parametrów fizjologicznych i narażenia na czynniki środowiskowe. System łączy urządzenia mobilne do zdrowia oraz przenośne czujniki środowiskowe z aplikacjami na smartfony z funkcją GPS, aby generować synchronizowane, wysokiej rozdzielczości strumienie danych. Te dane są przetwarzane przez inteligentną aplikację na telefonie komórkowym poprzez uwzględnienie obliczeń parametrów fizjologicznych (np. intensywność aktywności fizycznej, częstość oddechów) oraz zewnętrznych danych środowiskowych (np. zielone przestrzenie miejskie, mapy widoku ulicznego), po czym wdrożony został system alertowy oparty na sztucznej inteligencji, aby zapewnić przydatne informacje dotyczące zdrowia układu oddechowego, codziennej aktywności i wzorców mobilności oraz narażenia na czynniki ryzyka. Protokół dostarcza wszechstronnych i szczegółowych wskazówek dotyczących konfiguracji sprzętu, konfiguracji oprogramowania, procedur zbierania danych oraz przepływów analitycznych niezbędnych do wdrożenia Multimodalnego Mobilnego Monitorowania Zachowania, Oddychania i Ekspozycji (zanieczyszczenie powietrza, hałas, światło, ciepło, zieleń itp.) na rzecz Oceny Leczenia i Zdrowia (M3-BREATHE) zarówno w kontrolowanych eksperymentach klinicznych, jak i w realnych kontekstach. Ta przewidująca przyszłość platforma M3-BREATHE ustanawia skalowalne, nieinwazyjne i opłacalne podejście do długotrwałego monitorowania środowiska-mobilności-zdrowia (E-M-H), łącząc precyzyjne zdrowie na poziomie indywidualnym w codziennym życiu z długoterminową inteligencją zdrowotną na skalę populacyjną.

Wprowadzenie

Przekraczając tradycyjną epidemiologię przestrzenną, która głównie koncentrowała się na związkach między środowiskiem a zdrowiem na poziomie populacji i obszarów, obecnie skupiono się na badaniu związków i procesów na poziomie indywidualnym oraz opartych na mobilności1,2,3,4. Przemianę tę napędza kilka wzajemnie powiązanych podstawowych problemów metodologicznych, obok nowych możliwości precyzyjniejszych i bardziej kontekstowo ukierunkowanych podejść.

Po pierwsze, problem modyfikowalnej jednostki obszarowej (MAUP), który odnosi się do problemu, że w analizie danych opartych na obszarach lub strefach, wyniki mogą być wpłynięte przez definicję jednostek obszarowych, dla których raportowane są dane5,6. Dotyczy to dwóch osobnych, ale wzajemnie powiązanych problemów analizy danych przestrzennych. Pierwszy to “problem skali”, gdzie ten sam zestaw danych obszarowych jest agregowany do kilku zestawów większych jednostek obszarowych, przy czym każda kombinacja prowadzi do różnych wartości danych i wniosków. Drugi aspekt MAUP to “problem podziału na strefy”, gdzie dany zestaw jednostek obszarowych jest ponownie łączony w strefy tej samej wielkości, ale zlokalizowanych inaczej, co ponownie skutkuje zmiennością wartości danych i, w konsekwencji, różnymi wnioskami7,8. Aby poradzić sobie z pytaniem dotyczącym wkładu badania w rozwój nowej wiedzy z wykorzystaniem danych opartych na obszarach lub strefach, nieustannie dyskutuje się dwie metody, aby zminimalizować wpływ MAUP. Jedna to maksymalizacja jednorodności wewnątrz obszaru. Wybór odpowiedniej jednostki obszarowej badania minimalizuje błąd pomiaru narażenia na czynniki środowiskowe i niedyferencyjną błędną klasyfikację narażenia podczas estymacji efektu kontekstowego na zdrowie9,10,11. Jednakże, niejednorodność narażenia na zanieczyszczenie powietrza wewnątrz jednostek przestrzennych może nadal prowadzić do błędów. Dlatego inna metoda to przejście do niezależnych od ram form reprezentacji i analizy danych przestrzennych12,13. Wykraczając poza konwencjonalne rozumienie kontekstów opartych na obszarach, miary oparte na jednostkach uwzględniają jednorodność atrybutów i spójność przestrzenną czynników kontekstowych i mogą oferować solidny wskaźnik analityczny, który jest niezależny od skali lub niezmienniczy podczas badania wpływu narażenia środowiskowego na zdrowie14,15,16.

Po drugie, Problem Niepewnego Geograficznego Kontekstu (UGCoP), odnoszący się do problemu, że wyniki dotyczące wpływu zmiennych kontekstowych opartych na obszarach na zachowania lub wyniki indywidualne mogą być wpłynięte przez sposób, w jaki jednostki kontekstowe (np. sąsiedztwo) są geograficznie wyznaczone i stopień, w jakim te jednostki obszarowe odbiegają od prawdziwego geograficznego kontekstu17,18. Typowym przykładem jest ocena narażenia osób na zanieczyszczenie powietrza, która może być błędna przy użyciu miejsc zamieszkania dla osób, które spędzają dużo czasu poza domem w pracy, na wypoczynku itp., co jest daleko od “prawdziwie istotnego przyczynowo” geograficznego kontekstu18,19. Aby zmniejszyć niepewności kontekstowe, które wpływają na dokładną ocenę narażenia na czynniki środowiskowe i ich wpływ na zdrowie ludzi, konieczne jest przyjęcie pomiaru opartego na mobilności, który wykracza poza koncepcje wpływów kontekstowych, które opierają się na używaniu określonych stałych lokalizacji (np. miejsce zamieszkania, miejsce pracy)16,20. Ponieważ zaniedbanie zmienności przestrzenno-czasowej zanieczyszczenia powietrza i mobilności ludzi mogłoby prowadzić do znacznych błędów w szacowaniach indywidualnego narażenia21,22,23,24 oraz ocenie sprawiedliwości środowiskowej25,26, konieczne jest zbieranie danych przestrzenno-czasowych o wysokiej rozdzielczości opartych na mobilności, aby zrozumieć związek między narażeniem na czynniki środowiskowe a wynikami zdrowotnymi. Kolejnym wyzwaniem jest brak dopasowania przestrzennego między zbiorami danych środowiskowych a pomiarami biometrycznymi na poziomie indywidualnym, zebranymi w czujnikach noszonych na ciele. Podczas gdy zdjęcia z perspektywy ulicy umożliwiają precyzyjne charakteryzowanie środowiska w skali ludzkiego wzroku, a indeksy roślinności pochodzące z satelitów (np. NDVI) oferują szersze pokrycie o mniejszej rozdzielczości (10–250 m), oba wymagają wyraźnych strategii dopasowania przestrzennego, które łąc

Protokół

Przeprowadzenie tego protokołu do celów badawczych, zarówno w kontrolowanych eksperymentach klinicznych, jak i w realnych kontekstach, powinno odbywać się na podstawie uprzedniej zgody i zgodnie z wytycznymi komitetu etyki badań nad człowiekiem instytucji badawczej. Przed rozpoczęciem ankiety musi zostać uzyskana pisemna zgoda informowana od uczestnika. Badanie empiryczne na potrzeby tego artykułu przeprowadzone zostało zgodnie z wytycznymi Komitetu Etyki Badań nad Człowiekiem Uniwersytetu Pekińskiego. Wszystkie badania z udziałem uczestników przeprowadzone z wykorzystaniem tego protokołu muszą uzyskać uprzednią zgodę etyczną od komitetu etyki badań instytucji badacza. Wszyscy uczestnicy muszą udzielić pisemnej zgody informowanej przed rozpoczęciem jakichkolwiek procedur związanych z pozyskiwaniem danych. Zalecane ustawienia sprzętu są wymienione w Tabeli materiałów.

1. Konfiguracja urządzeń do noszenia urządzeń zdrowia mobilnego

  1. Konfiguracja czujnika oddechowego noszonego na klatce piersiowej
    1. Powiedzieć uczestnikowi, aby założył czujnik zintegrowany z koszulą lub pas bezpośrednio na skórze, pod ubraniem, aby zapewnić optymalny kontakt ze skórą dla pozyskiwania sygnału elektrofizjologicznego.
    2. Dostosować dopasowanie koszuli lub paska tak, aby było ciasno i wygodnie, upewniając się, że nie ogranicza naturalnego oddychania ani ruchu. Poprawne dopasowanie potwierdza się, gdy czujnik utrzymuje stabilny kontakt ze skórą i nie zsuwa się ani przesuwa zauważalnie podczas głębokiego wdechu.
    3. Upewnić się, że czujnik jest w pełni naładowany i pomyślnie sparowany z telefonem komórkowym przez Bluetooth, aby ułatwić monitorowanie i rejestrowanie w czasie rzeczywistym częstości oddechu (w oddechach na minutę, oddechów/min), objętości powietrza wdechowanego (w mililitrach, mL) i tętna (w uderzeniach na minutę, uderzenia/min). Potwierdź, że zegar urządzenia jest zsynchronizowany z czasem systemowym smartfona, aby umożliwić dokładne czasowe dopasowanie strumieni danych multimodalnych.
      UWAGA: Częstość oddechu i tętna można również wyznaczyć za pomocą urządzeń na nadgarstek, szczególnie do długotrwałego monitorowania (patrz krok 1.2). Częstość oddechu jest obliczana pośrednio na podstawie zmian indukowanych oddechem w sygnałach fotopletyzmografu (PPG) lub zmienności częstości uderzeń serca (HRV) (patrz krok 5.2). To alternatywne podejście może pomóc zmniejszyć dyskomfort uczestników i obciążenie związane z długotrwałym używaniem czujnika noszonego na klatce piersiowej.
  2. Konfiguracja inteligentnego urządzenia na nadgarstek
    1. Wybrać niedominującą rękę jako główne miejsce do umieszczenia urządzenia i mocno zamocować nadgarstek na nadgarstku, bliżej wyrostka łokciowego.
    2. Dostosować pas, aby zapewnić optymalny kontakt czujnika fotopletyzmografu (PPG) ze skórą bez upośledzania krążenia obwodowego. Dopasowanie jest poprawne, gdy pas jest ciasny, ale pozwala na włożenie jednego palca.
    3. Otworzyć towarzyszącą aplikację na smartfonie i upewnić się, że urządzenie jest pomyślnie połączone przez Bluetooth.
    4. Przejść do wyświetlacza w czasie rzeczywistym w aplikacji i potwierdzić, że ustawienia aplikacji są skonfigurowane dla ciągłego monitorowania wszystkich pożądanych parametrów, w tym: miary krążeniowo-oddechowe, takie jak tętno (HR, jednostki: uderzenia na minutę, uderzenia/min), zmienność tętna (HRV, jednostki: milisekundy, ms), ciśnienie krwi (BP, jednostki: milimetr słupa rtęci, mmHg) i elektrokardiogram (ECG, jednostki: miliwolty, mV); miary oddechowe i metaboliczne, takie jak algorymicznie oszacowana częstość oddechu (RR, jednostki: oddechy na minutę, oddechy/min), nasycenie krwi tlenem (SpO₂, jednostki: procent, %), i równoważniki metaboliczne (METs, współczynnik); temperatura skóry obwodowej (jednostki: stopnie Celsiusa, °C); dane z akcelerometru (ACC, jednostki: przyspieszenie grawitacyjne, g).
      UWAGA: Czujnik PPG na tylnej stronie urządzenia musi utrzymywać stały i płynny kontakt ze skórą. Dociśnij pasek, jeśli się poluzuje z czasem.

2. Konfiguracja czujników środowiskowych

  1. Podłączyć czujniki środowiskowe do przenośnego zasilacz akumulatorowego (pojemność 10 000 mAh) za pomocą odpowiednich kabli USB, aby zapewnić 24-godzinną pracę. Upewnić się, że wszystkie połączenia są stabilne, a kable są schludnie przechowywane, aby zapobiec przypadkowemu odłączeniu podczas ruchu.
  2. Umieścić wieloszczelinowy monitor zanieczyszczeń powietrza (mierzący cząstki PM2,5 i PM10 w µg/m3, tlenek węgla CO w ppm, dwutlenek azotu NO2, dwutlenek siarki SO₂ i związki organiczne lotne VOC w ppb), czujnik hałasu (w decybelach, dB) i czujnik temperatury (w stopniach Celsjusza, °C) w kieszeni siateczkowej z boku plecaka uczestnika.

Wyniki

Następujące reprezentatywne wyniki pochodzą z badania pilotażowego, które integrowało przenośne czujniki zanieczyszczenia powietrza, dzienniki aktywności i podróży oraz samoopisywane subiektywne samopoczucie (SWB) na poziomie epizodów. Uczestnikom wymagano przenoszenia przenośnych czujników zanieczyszczenia powietrza podczas codziennych czynności i podróży przez ciągły okres 48 godzin (albo piątek–sobota lub niedziela–poniedziałek) oraz uzupełnienia towarzyszących dzienniku aktywności i podróży. Dane od 112 ważnych uczestników, od grudnia 2017 do lutego 2018, w dzielnicy mieszkaniowej Meiheyuan, Pekin, zostały włączone do analizy. Ta wstępna analiza koncentruje się na wzajemnych związkach między ekspozycją na PM2.5 (dziedzina środowiskowa), codzienną aktywnością (dziedzina behawioralna) i kognitywnym SWB (dziedzina zdrowia). Chociaż to badanie pilotażowe nie potwierdza jeszcze pełnej linii M3-BREATHE, szczególnie integracji sygnałów fizjologicznych (np. HRV, częstość oddechu) i alertów ekspozycyjnych w czasie rzeczywistym, służy jako przykładowy przykład podejścia analitycznego. Pełna walidacja systemu multimodalnego od końca do końca jest potrzebna do przyszłej pracy.

Aby zweryfikować pełną linię M3-BREATHE, oceniono integralność danych (99,3% wskaźnika rejestracji danych GPS i 93,2% wskaźnika rejestracji monitorów zanieczyszczenia powietrza), dokładność synchronizacji (≤1 s asynchronii czasowej między danymi multimodalnymi) oraz ważność kalibracji (mieszaniny PM2.5 z tanich czujników miały korelacje Pearson r=0,86 z instrumentami referencyjnymi klasy badawczej po kalibracji kolokalizacji). Linia przetwarzania integrowała dane trajektorii GPS, dane ekspozycji środowiskowej i dane z dziennika samoopisywanego, umożliwiając identyfikację wzorców ekspozycji specyficznych dla aktywności i skojarzeń ekspozycji-zdrowie. Te wyniki potwierdzają powtarzalność i niezawodność protokołu M3-BREATHE do monitorowania E-M-H w rzeczywistym świecie.

Rycina 1 przedstawia średnie stężenie ekspozycji na PM2.5 (niebieskie słupki, lewa oś) oraz wyniki kognitywnego SWB (pomarańczowa linia, prawa oś) w zakresie różnych czynności codziennych i podróży. Wyniki pokazują, że stężenia ekspozycji na PM2.5 różniły się znacząco w zależności od rodzaju czynności. Najwyższe średnie ekspozycje obserwowano podczas snu, co wskazuje na wysokie stężenie zanieczyszczenia powietrza w pomieszczeniach domowych. Może to wynikać z tego, że badany obszar jest stosunkowo silnie zanieczyszczonym obszarem w porównaniu z innymi częściami Pekinu. Inne czynności z konsekwentnie wysokimi stężeniami ekspozycji obejmowały przeglądanie Internetu, rozrywkę, naukę i spacer, które przekraczały 20 µg/m3. Średnie stężenia ekspozycji stwierdzono w czynnościach takich jak praca, aktywność fizyczna, opieka i wycieczki (15–20 µg/m3). Najniższe ekspozycje rejestrowano podczas spraw osobistych, odwiedzin u lekarza, posiłków i opieki osobistej (5–15 µg/m3). Te różnice, oparte na tym badaniu pilotażowym, odzwierciedlają szczególne konteksty środowiskowe, w których odbywają się czynności (w pomieszczeniach vs. na zewnątrz i siedzące vs. aktywne). W przeciwieństwie do tego, wyniki kognitywnego SWB wykazywały mniejszą zmienność wśród czynności, wahały się wąsko między 1,7 a 2,3 (w skali niezadowolenia 1–5). Najniższe wyniki satysfakcji były związane z odwiedzinami u lekarza i wycieczkami, następnie sprawami osobistymi i pracą, podczas gdy najwyższe wyniki satysfakcji były związane z aktywnością fizyczną, rozrywką i aktywnością społeczną, które są często intrinsycznie satysfakcjonującymi czynnościami.

Znaleziono, że rodzaje czynności związane z wyższymi stężeniami ekspozycji na PM2.5 nie zawsze odpowiadały niższym wynikom kognitywnego SWB, sugerując wzorce dekouplingu między ekspozycją na PM2.5 a samoopisywanym kognitywnym SWB. Na przykład aktywność fizyczna i rozrywka w połączeniu z podwyższoną ekspozycją i wysokimi wynikami kognitywnego SWB. Może to odzwierciedlać, że ryzyko zdrowotne związane z ekspozycją na PM2.5 może być pomijane lub nieświadomie powiązane z kognitywnym SWB, prawdopodobnie ze względu na niewidzialną naturę PM2.5, która sprawia, że jest jeszcze bardziej podstępna i trudna do wykrycia w środowisku. Dla porównania, takie zanieczyszczenia jak SO2, NOx i O3 mają bardziej łatwo wykrywalne cechy. Na przykład SO2 ma charakterystyczny siarkowy zapach, a NOx jest często kojarzone z widocznymi emisjami z procesów przemysłowych i spalinami pojazdów. Te gazowe zanieczyszczenia mogą powodować natychmiastowe podrażnienie oczu, gardła i układu oddechowego, co sprawia, że są łatwiejsze

Dyskusja

Kluczowym etapem wdrażania protokołu M3-BREATHE jest niezawodne ustawienie i synchronizacja urządzeń multimodalnych, ponieważ integralność danych zależy w dużym stopniu od stabilnych połączeń między noszonymi czujnikami, przenośnymi monitorami środowiska a aplikacją na smartfona. Istotne jest również zapewnienie, że wszystkie czujniki są skalibrowane zgodnie ze specyfikacjami producentów przed rozpoczęciem badania. Idealnie, przenośne urządzenia środowiskowe, szczególnie monitor zanieczyszczenia powietrza, powinny być umieszczone razem i skalibrowane w odniesieniu do referencyjnych instrumentów badawczych przed wdrożeniem, aby zapewnić ważność i dokładność pomiarów do celów badawczych.

W kontrolowanych eksperymentach klinicznych lub krótkoterminowych, małych badaniach, stosowanie paska oddechowego noszonego na klatce piersiowej zapewnia wysokiej wierności parametry oddechowe (częstość oddechów, objętość oddechowa, EKG), oferując większą dokładność niż czujniki nadgarstkowe i służąc jako podstawa tryangulacji do walidacji ich algorytmicznych estymacji. W przeciwieństwie do tego, w przypadku długotrwałego monitorowania w naturalnych środowiskach, w tym dobrowolnego użytku przez konsumentów, lepiej stosować kombinację inteligentnej opaskę nadgarstkową i aplikację na smartfona, ponieważ te urządzenia są mniej obciążające i sprzyjają utrzymaniu długotrwałej zgody uczestników. W przypadku badań o ograniczonych zasobach lub obaw o obciążenie uczestników zaleca się minimalny zestaw składający się z inteligentnej opaski nadgarstkowej, aplikacji na smartfona i pojedynczego monitora zanieczyszczenia. Dodatkowe czujniki (np. pas do oddychania noszony na klatce piersiowej, dedykowany tracker światła) należy rozważyć w oparciu o konkretne cele badawcze i budżet. Szczegółowe zalecenia dotyczące adaptacji protokołu M3-BREATHE w kontrolowanych eksperymentach klinicznych i rzeczywistych badaniach/praktykach długotrwałych znajdują się w Tabeli 5.

Domena danychMiernik (skr.)Kontrolowane badania kliniczneRzeczywiste badania/praktyki długotrwałe
Czujnik na klatce piersiowejInteligentna opaszkaPrzenośny monitor środowiskaAplikacja na smartfonaInteligentna opaszkaPrzenośny monitor środowiskaAplikacja na smartfona
FizjologiczneCzęstość akcji serca (HR)ΟΟΟΟΟΟΟΟ
Zmienność częstości akcji serca (HRV)ΟΟΟΟΟΟΟΟ
Częstość oddechów (RR)ΟΟΟΟΟΟΟ
Objętość oddechu (TV)ΟΟΟΟΟ
Kardiogram (EKG)ΟΟΟΟΟΟΟΟ
Ciśnienie krwi (BP)ΟΟΟΟΟ
Nasycenie tlenem krwi (SpO₂)ΟΟΟΟΟ
Równoważniki metaboliczne (METs)ΟΟΟΟΟ
Temperatura skóry (ST)ΟΟΟ
Akcelometr (ACC)ΟΟΟΟΟ
ŚrodowiskoweCząstki stałe (PM2.5, PM10)ΟΟΟΟΟΟ
Tlenek węgla (CO)ΟΟΟΟΟ
Dwutlenek azotu (NO2)ΟΟΟΟΟ

Oświadczenia

Autor deklaruje, że nie ma żadnych interesów konkurencyjnych.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, temperatura, wilgotność
AirVisual ProIQAirProAQI,  PM2.5, CO2, temperatura, wilgotność. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, temperatura, wilgotność, ciśnienie barometryczne
BioNomadix BioShirtBioPacBN-BIOSHIRT-FxBezprzewodowe inteligentne koszule z wbudowane elektrodami i czujnikami oddechu, zdolne do rejestracji EKG i sygnałów oddechowych.
Extech SL355 Personal Noise DosimeterExtechSL355rejestruje SPL, Leq, Peak, itd.
Fitbit SenseFitbit2Tętno, EKG, SpO2, poziom stresu, sen, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerTętno, Ciśnienie krwi, EKG, poziom glukozy we krwi, SpO2, sen, tryby sportowe
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341rejestruje SPL, Leq, Peak, itd.
Go Direct Respiration BeltVernierGDX-RBPasek do monitorowania oddechu z czujnikami naprężenia lub ekspansji do wykrywania ekspansji lub kurczenia klatki piersiowej
Hexoskin Smart ShirtHexoskinN/AInteligentny garnitur z osadzone sensorami tekstylnymi do ciągłego monitorowania częstości oddechów, tętna, wentylacji, aktywności, snu itp.
Huawei BandHuawei9Tętno, SpO2, fazy snu, częstość oddechów, wykrywanie zaburzeń rytmu
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2, temperatura, wilgotność
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVzapinany do odzieży; mierzy UVA i UVB; zasilanie słoneczne 
Miniaturized Light DosimeterWearifiBLE Light Dosimeterdo 8 kanałów dozymetrii spektralnej (np. UV → IR), mierzy skumulowaną dawkę światła; dobre do długotrwałego śledzenia ekspozycji.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375Tętno, sen, SpO2, stres, 100+ trybów sportowych
Personal Noise Dosimeter SV-104ASvantekSV 104Arejestruje SPL, Leq, TWA, Peak, itd.
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133Tętno, sen, stres, tryby sportowe
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededTętno, SpO2, sen, kroki, kalorie
SunSprite Personal Light TrackerGoodLux TechnologySunSpritezapinany do odzieży; mierzy światło widoczne i UV; zasilanie słoneczne
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, temperatura, wilgotność i pogoda
Xiaomi Smart BandXiaomi9Tętno, SpO2, fazy snu, poziom stresu

Bibliografia

  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).

Przedruki i uprawnienia

Przeglądaj więcej artykułów

Mobilne monitorowanie zdrowiamonitorowanie multimodalnesygnały fizjologiczneekspozycje środowiskowefunkcja oddechowaśledzenie GPSalerty oparte na uczeniu maszynowymspersonalizowana ocena stanu zdrowiamiejskie dane środowiskowepodłużne monitorowanie zdrowia
Real-World M3-BREATHE: ku wielomodalnemu mobilnemu monitorowaniu zachowań, oddychania i ekspozycji w leczeniu i ocenie zdrowia
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.