Реальный M3-BREATHE: К мультимодальному мобильному мониторингу поведения, дыхания и воздействий для лечения и оценки здоровья

Wenbo Guo

doi:10.3791/69900

Методическая статья

Реальный M3-BREATHE: К мультимодальному мобильному мониторингу поведения, дыхания и воздействий для лечения и оценки здоровья

207 просмотров

⸱

DOI:

10.3791/69900

⸱

5 июня 2026 г.

Wenbo Guo

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

В этой статье

Краткое содержание

M3-BREATHE — это мобильная система здравоохранения (mHealth), интегрирующая носимые сенсоры для мониторинга дыхания, поведения и воздействия окружающей среды с целью персонализированного лечения и оценки здоровья в реальном мире.

Аннотация

Интеграция технологий мобильного здоровья (mHealth) для непрерывного мониторинга физиологических и поведенческих сигналов в реальном времени, в сочетании с детальным измерением воздействия окружающей среды, обладает преобразующим потенциалом для продвижения персонализированной оценки рисков для здоровья и обеспечения более эффективного лечения и вмешательства. В этом протоколе я ввожу мультимодальную мобильную систему мониторинга, специально разработанную для сбора и интеграции данных об индивидуальном поведении (ежедневная деятельность и путешествия), дыхательной функции, физиологических параметрах и воздействии окружающей среды. Система сочетает мобильные медицинские устройства и портативные датчики окружающей среды с приложениями на базе GPS для смартфонов для генерации синхронизированных высокоразрешающих потоков данных. Эти данные обрабатываются через мобильное приложение для смартфона с учетом физиологических параметров (например, интенсивность физической активности, частота дыхания) и внешних данных городской среды (например, городские зелёные зоны, карты уличного вида), после чего была внедрена система оповещений на основе машинного обучения для предоставления практической информации о здоровье дыхательных путей, повседневной деятельности и моделях мобильности, а также воздействии факторов риска. Протокол предоставляет всесторонние и подробные рекомендации по настройке аппаратного обеспечения, конфигурации программного обеспечения, процедурам сбора данных и аналитическим рабочим процессам, необходимым для внедрения мультимодального мобильного мониторинга поведения, дыхания и воздействия (загрязнение воздуха, шум, свет, тепло, экологичность и др.) для лечения и оценки здоровья (M3-BREATHE) как в контролируемых клинических экспериментах, так и в реальных условиях. Эта прогрессивная платформа M3-BREATHE устанавливает масштабируемый, неинвазивный и экономически эффективный подход к мониторингу долгосрочного мониторинга среды, мобильности и здоровья (E-M-H), связывая индивидуальное точное здоровье в повседневной жизни с долгосрочной аналитикой здоровья на уровне населения.

Введение

Выходя за рамки традиционной пространственной эпидемиологии, которая в первую очередь делала упор на связи между окружающей средой и здоровьем на уровне населения и территориях, теперь акцент смещается на изучение индивидуальных и мобильных отношений и^{процессов} 1,2,3,4. Этот сдвиг обусловлен несколькими взаимосвязанными фундаментальными методологическими проблемами, а также появляющимися возможностями для более точных и контекстно-чувствительных подходов.

Во-первых, проблема модифицируемой площадной единицы (MAUP), которая относится к проблеме, что при анализе данных по площади или зонам результаты могут зависеть от определения единиц площади, для которых данные^{предоставляются в} ^5,6. Это относится к двум отдельным, но взаимосвязанным задачам анализа пространственных данных. Первая — это «проблема масштабирования», когда один и тот же набор данных по площади агрегируется в несколько наборов больших единиц площади, каждая из которых приводит к разным значениям данных и выводам. Второй аспект MAUP — это «проблема зонирования», когда заданный набор площадных единиц комбинируется в зоны одинакового размера, но расположенные по-разному, что снова приводит к вариациям в значениях данных и, следовательно, к разным^{выводам} ^7,8. Чтобы ответить на вопросы о вкладе исследования в продвижение новых знаний с использованием данных по регионам или зонам, постоянно обсуждаются два метода, чтобы минимизировать влияние MAUP. Одна из них — максимизация однородности внутри площади. Выбор подходящей площадной единицы исследования позволит минимизировать ошибку измерения воздействия окружающей среды и неправильную классификацию недифференциальной оценки контекстуального влияния на здоровье ^9,10,11. Однако гетерогенность воздействия загрязнения воздуха внутри пространственных единиц всё равно может приводить к ошибкам. Таким образом, другой метод движется к фрейм-независимым формам пространственного представления и анализа^{данных 12,13}. Выходя за рамки традиционного понимания контекстов на основе области, индивидуальные меры учитывают однородность атрибутов и пространственную смежность контекстуальных факторов и могут предложить надёжную аналитическую меру, независимую от масштаба или инвариантную по масштабу, при изучении влияния воздействия окружающей среды на здоровье 14,15,16.

Во-вторых, проблема неопределённого географического контекста (UGCoP), ссылающаяся на проблему того, что результаты влияния контекстуальных переменных, основанных на площадях, на индивидуальные поведения или результаты, могут зависеть от того, как контекстуальные единицы (например, окрестности) географически разграничены и насколько эти ареальные единицы отклоняются от истинного географического^{контекста} ^17,18. Типичным примером является ошибочная оценка воздействия загрязнения воздуха при использовании жилых помещений для тех, кто проводит много времени вне дома для работы, отдыха и т.д., что далеко от «истинно причинно релевантного» географического контекста^18,19. Для смягчения контекстуальных неопределённостей, влияющих на точную оценку воздействия окружающей среды и их воздействия на здоровье, необходимо внедрить измерения, основанные на мобильности, выходящие за рамки понятий контекстуальных влияний, основанных на использовании конкретных фиксированных мест (например, жилое помещение, рабочее место)^16,20. Поскольку игнорирование пространственно-временной вариабельности загрязнения воздуха и мобильности человека может привести к существенным ошибкам в индивидуальных оценках воздействия²¹^, ²²^, ²³^, ²⁴, а также в оценке экологической^{справедливости (25}^, ²⁶), крайне важно собирать данные о высоком разрешении пространства-времени на основе мобильности для понимания связи между воздействием окружающей среды и результатами для здоровья. Ещё одной проблемой является пространственное несоответствие между наборами данных по окружающей среде и индивидуальными биометрическими измерениями, собранными на телесном датчике. В то время как изображения с уличного вида позволяют детализировать характеристику окружающей среды на визуальном масштабе человека, а спутниковые индексы растительности (например, NDVI) обеспечивают более широкое покрытие при более крупном разрешении (10–250 м), оба варианта требуют явных стратегий пространственного выравнивания, связывающих траектории мобильности с воздействием окружающей среды в точные места, где фиксируются физиологические и поведенческие данные. Для устранения этой масштабной несоответствия необходимы явные стратегии пространственного выравнивания, которые связывают траектории мобильности с воздействием окружающей среды в точные места, где фиксируются физиологические и поведенческие данные.

В ответ на вызовы, вызванные MAUP и UGCoP, исследователи из различных дисциплин, связанных с экологическим здоровьем, всё активнее участвуют в исследованиях поведенческих процессов между воздействием окружающей среды и результатами для здоровья, переходя к индивидуальным рамкам, основанным на^{мобильности} 1,27,28,29 . С ростом интереса к связи между окружающей средой, мобильностью и здоровьем (E-M-H), существующая литература преимущественно сосредоточена либо на антеденте (область мобильности окружающей среды^{и мобильности)} 17,30,31,32, либо на последующей (мобильность-здоровье) ^{области} 33,34,35 , в то время как интегративные исследования, охватывающие все три области, остаются ограниченными. Тем не менее, повседневная деятельность и путешествия людей существенно повлияли на влияние воздействия окружающей среды на здоровье. Где, когда и как люди проецируют, планируют и проводят свою деятельность в течение 24-часового периода тесно связано с их воздействием экологических рисков и последующим результатами для здоровья¹⁷^, ¹⁸ ^и ³⁶. Кроме того, ещё один критический пробел заключается в том, что немногие исследования предоставляют практическую аналитическую основу, связывающую мониторинг в реальном времени и долгосрочное отслеживание результатов здоровья, что ограничивает возможности собирать надёжные и применимые доказательства лечения и вмешательств. Тем не менее, устранение этих пробелов не только повышает точность оценок здоровья окружающей среды, но и выявляет посредническую роль повседневных дел и путешествий, а также скрытые поведенческие процессы в сложном узле E-M-H³⁷, тем самым предоставляя веские основания для персонализированного, ориентированного на мобильность лечение и вмешательств, направленных на снижение рисков воздействия и продвижение результатов для здоровья.

Рост мобильных и носимых технологий^(38,39), особенно мобильных устройств для здоровья^{(mHealth) (40}^, ⁴¹^, ⁴²) и портативных датчиков^{окружающей среды (43}^, ⁴⁴^, ⁴⁵⁾ позволил внедрить новые подходы к синхронному мониторингу поведения индивидуумов, воздействия окружающей среды и физиологических показателей. Благодаря интеграции с приложениями для смартфонов участники могут документировать своё состояние здоровья, медицинскую историю (например, заболевания дыхательных путей и сердечно-сосудистых заболеваний), субъективный физиологический опыт и восприятие рисков окружающей среды, что позволяет более точную и персонализированную оценку и предупреждение рисков с помощью подходов на основе машинного обучения или правил. Здесь я представляю Реальный мультимодальный мобильный мониторинг поведения, дыхания и воздействия (загрязнение воздуха, шум, свет, тепло, зелень и др.) для лечения и оценки здоровья (M3-BREATHE). Сквозный протокол предоставляет комплексные рекомендации по настройке аппаратного обеспечения, конфигурации программного обеспечения, процедурам сбора данных и аналитическим рабочим процессам, необходимым для развертывания M3-BREATHE. Этот протокол подходит для исследователей в области экологического здоровья, транспортной географии и персонализированной медицины, проводящих контролируемые клинические эксперименты (краткосрочный высокоточный мониторинг) или реальные лонгитюдные исследования (долгосрочный, ненавязчивый мониторинг), но не рекомендуется для исследований, требующих сверхвысокоточного лабораторного измерения дыхательных аппаратов (например, инвазивное тестирование функции лёгких).

Протокол

Проведение этого протокола в исследовательских целях, как в контролируемых клинических экспериментах, так и в реальных условиях, должно осуществляться с предварительного одобрения и в соответствии с руководящими принципами институционального комитета по этике исследований в области человеческих исследований. Информированное согласие должно быть получено от участника до начала опроса. Эмпирическое исследование для этой статьи следует руководящим принципам Комитета по этике человеческих исследований Пекинского университета. Все исследования, основанные на участниках, использующие этот протокол, должны получить предварительное этическое одобрение от институционального комитета по этике исследователей. Все участники должны предоставить письменное информированное согласие перед началом любых процедур сбора данных. Рекомендуемые настройки оборудования приведены в Таблице материалов.

1. Настройка носимых мобильных медицинских устройств

Респираторный датчик, носящийся на груди,
1. Попросите участника надеть интегрированую с сенсорами футболку или нагрудный ремень прямо на коже, под одеждой, чтобы обеспечить оптимальный контакт с кожей для получения электрофизиологического сигнала.
2. Отрегулируйте посадку рубашки или лямки так, чтобы она была плотной и удобной, чтобы не ограничивать естественное дыхание или движение. Правильная посадка подтверждается, когда датчик стабильно контактирует с кожей и не смещается заметно при глубоком вдыхании.
3. Убедитесь, что датчик полностью заряжен и успешно связан со смартфоном через Bluetooth, чтобы обеспечить мониторинг и запись частоты дыхания в реальном времени (в вдохах в минуту, вдохах в минуту), приливного объёма (в миллилитрах, мл) и частоте сердечных сокращений (в ударах в минуту, BPM). Убедитесь, что часы устройства синхронизированы с системным временем смартфона, чтобы обеспечить точное выравнивание времени между мультимодальными потоками данных.
  ПРИМЕЧАНИЕ: Частоту дыхания и частоту сердечных сокращений также можно измерить с помощью носимых браслетов, особенно для долгосрочного мониторинга (см. шаг 1.2). Частота дыхания рассчитывается косвенно на основе респираторно индуцированных изменений в сигналах фотоплэтизмографии (PPG) или сигналов вариабельности сердечного ритма (HRV) (см. шаг 5.2). Этот альтернативный подход может помочь снизить дискомфорт и нагрузку, связанные с длительным использованием респираторного датчика, носящегося на груди.
Настройка умного браслета
1. Выберите недоминантное запястье в качестве основного места для установки устройства и крепко закрепите браслет на запястье, непосредственно к локтевому шиловидному отростку.
2. Отрегулировать ремень для обеспечения оптимального контакта фотоплетизмографии (PPG) между сенсором и кожей без нарушения периферического кровообращения. Посадка правильная, когда ремень плотно прилегал, но позволяет вставить один кончик пальца.
3. Откройте приложение-компаньон на смартфоне и убедитесь, что устройство успешно подключено через Bluetooth.
4. Перейдите к экрану в реальном времени в приложении и убедитесь, что настройки приложения настроены на непрерывный мониторинг всех желаемых параметров, включая: сердечно-сосудистые показатели, такие как пульс (ЧС, единицы: удары в минуту, BPM), вариабельность сердечного ритма (HRV, единицы: миллисекунды, мс), артериальное давление (давление, единицы: миллиметры ртути, мм рт. ст.) и электрокардиограмму (ЭКГ, единицы: милливольты, mV); респираторные и метаболические показатели, такие как алгоритмически рассчитанная частота дыхания (RR, единицы: вдохи в минуту, вдохи в минуту), насыщение крови кислородом (SpO₂, единицы: проценты, %) и метаболические эквиваленты (METs, соотношение); температура периферической кожи (единицы: градусы Цельсия, °C); данные о движении акселерометра (ACC, единицы: гравитационное ускорение, g).
  ПРИМЕЧАНИЕ: Датчик PPG на задней панели устройства должен поддерживать постоянный и плотный контакт с кожей. Если ремень со временем ослабнет, заснова затяни.

2. Настройка датчиков окружающей среды

Подключите устройства датчика окружающей среды к портативному пауэрбанку (ёмкость 10 000 мАч) с помощью соответствующих USB-кабелей для обеспечения работы в течение 24 часа. Убедитесь, что все соединения устойчивы, а кабели аккуратно убраны, чтобы предотвратить случайное отключение во время перемещения.
Поместите мульти-загрязнители воздуха (измеряя твердые частицы_{PM 2,5} и_{PM 10} в мкг^/м3, CO угарного газа в ppm, диоксид азота NO2, диоксид серы SO₂ и летучие органические соединения ЛОС в ppb), датчик шума (в децибелах, дБ) и датчик температуры (в градусах Цельсия, °C) в боковой карман рюкзака участника. Подключите трекер экспозиции света (освещение, в люкс, lx; Circadian Light A, CLA, 0-1) плотно направлены на переднюю сторону плечевого ремня рюкзака, чтобы он был обращён вперёд/наружу без препятствий.
Попросите участника брать рюкзак вместе с повседневными делами и путешествовать 24 часа, а также заряжать пауэрбанк каждую ночь. Укажите контактный номер по любым вопросам.
Убедитесь, что все датчики включены и успешно установлены поток данных в реальном времени, регистрируя и передавая данные в сопутствующее приложение для смартфона.
ПРИМЕЧАНИЕ: Все датчики должны быть строго откалиброваны в соответствии с спецификациями соответствующих производителей перед передачей участникам. Недорогие датчики загрязнения воздуха рекомендуются пройти калибровочный тест с использованием колокационного оборудования с исследовательским эталонным прибором в течение двух недель на репрезентативном объекте для определения корректировочных факторов, специфичных для датчика. Процедура колокации предполагает размещение недорогого датчика рядом с эталонным прибором (в пределах 1 м, на той же высоте), одновременно работая обоими в течение не менее 14 дней для фиксации различных условий окружающей среды. Парные данные затем используются для получения линейных или нелинейных коррекционных моделей (например, C_{скорректировано} = (C_raw - b)/a) с помощью регрессионного анализа. Для датчиков без доступа к эталонным приборам рекомендуется нулевая калибровка с использованием чистого воздуха с HEPA-фильтром для коррекции базового дрейфа. Для записи базовых значений требуется период стабилизации в 10–15 минут при чистом воздухе. Перед каждым развертыванием необходимо провести проверку верификации перед развертыванием для подтверждения отзывчивости датчиков и стабильности передачи данных. Во время сбора данных необходимо вести ежедневные журналы обеспечения качества (QA) для фиксации любых аномалий, дрейфа датчиков или перебоев в подключении. Датчики температуры и относительной влажности (RH, единицы: процент, %) обычно интегрируются в составляющие устройств для датчика загрязнения воздуха. Непрерывное воздействие шума можно также измерять с помощью встроенного микрофона смартфона через специальное приложение. Воздействие света и тепла, собранные с помощью умного браслета и мобильного телефона, не рекомендуются из-за высокой восприимчивости к обструкциям и факторам, вызывающим замешательство, таким как одежда и расположение. Для лонгитюдного исследования или практики рекомендуется интегрированное модульное устройство небольшого размера для мониторинга мультизагрязнителей.

3. Конфигурация приложений для смартфонов

Установите мобильное приложение M3-BREATHE (специально разработанное для Android/iOS) на смартфон участника.
Включите GPS, Bluetooth и синхронизацию фоновых данных.
Настройте приложение так, чтобы оно записывало GPS-данные с интервалом в 1 минуту и синхронизировало данные датчиков каждые 5 минут.
Установите частоту дискретизации данных на уровне 1 Гц (то есть один образец в секунду) для каждого подключённого устройства (носимые физиологические мониторы и портативные датчики окружающей среды) для обеспечения высоковременного разрешения данных.
Убедитесь, что все настройки сохранены перед началом записи данных.
ПРИМЕЧАНИЕ: Хорошей практикой является проведение короткой (например, 5-минутной) тестовой записи после настройки. Проверьте файл тестовых данных, чтобы убедиться, что все ожидаемые потоки данных (GPS-координаты, HRV, ЭКГ, загрязнение воздуха, шум и др.) регистрированы, правильно отмечены временем и содержат правдоподобные значения до начала полного периода исследования. Стоит отметить, что воздействие зелёности измеряется косвенно путём интеграции данных траектории GPS с высоким пространственно-временным разрешением с географическими наборами данных, такими как OpenStreetMap, или спутниковыми индексами растительности (например, NDVI для растительного покрова). Для устранения пространственного несоответствия между слоями окружающей среды с крупным разрешением (например, NDVI на 10–250 м) и индивидуальными биометрическими измерениями, протокол присваивает значения воздействия окружающей среды каждой GPS-точке на основе методов экстракции с ближайшим соседом или буферным усреднением, обеспечивая пространственное выравнивание в месте и времени каждого физиологического измерения.

4. Процедуры сбора данных

Адаптация участников
1. Привлекайте участников с помощью стратифицированного метода выборки для обеспечения репрезентативности целевой популяции.
2. Предоставите участникам подробные инструкции, включая подробную инструкцию, руководство и, желательно, обучающее видео, о процедурах ношения и использования датчиков, а также по работе с приложением смартфона.
3. Проведите базовый опрос здоровья внутри приложения для сбора демографических данных (например, пол, возраст, рост, вес, семейное положение), медицинской истории (например, неинфекционные заболевания, НИЗ), состояния респираторного здоровья (например, годы курения, хронический кашель или дыхание) и другую информацию о здоровье, которую сами сообщают (например, общее физическое и психическое состояние, употребление алкоголя, диетические привычки, уровень физической активности, качество сна).
  ПРИМЕЧАНИЕ: Рекомендую стандартизированные инструменты для самостоятельного сбора информации о здоровье, включая 12-пунктный короткий опрос (SF-12) для общего здоровья⁴⁶, тест на выявление расстройств употребления алкоголя (AUDIT-C)⁴⁷, Международный анкету по физической активности — краткая форма (IPAQ-SF)⁴⁸ и Индекс качества сна Питтсбурга (PSQI)⁴⁹. В качестве альтернативы можно применять 7-элементные шкалы Ликерта для удобства.
Ежедневный режим мониторинга
1. Инструктировать участника носить мобильные физиологические датчики здоровья и носить портативные устройства для мониторинга окружающей среды (рюкзак с карманом для рыболовной сети) в течение непрерывного 24-часового периода. Во время сна датчики окружающей среды должны размещаться в спальне для оценки воздействия, с особым вниманием к световому датчику.
2. Напомните участнику заряжать пауэрбанк каждый вечер и поддерживать его подключением к датчикам окружающей среды для бесперебойной работы и поддержания данных.
3. Поток данных будет отслеживаться либо вручную исследовательской командой каждые 4 часа, либо, желательно, автоматическим оповещением из бэкенд-системы приложения, которое запускается после 30 минут прерывания синхронизации данных. В случае отключения на более 30 минут участник будет связан для решения проблемы.
4. Поощряйте участника ежедневно заполнять опрос по ежедневнику активности и путешествий в приложении (шаблон приведён в таблице 1) каждый день вечером, чтобы повысить точность ежедневной активности и контекстуализации мобильности ради более эффективного и целенаправленного лечения и вмешательства. Автоматическое напоминание (заявка/SMS) отправляется каждый вечер в 20:00 для обеспечения постоянного соблюдения требований.
  ПРИМЕЧАНИЕ: Интерактивный интерфейс с картой для визуализации траектории (с временными метками) может быть развернут с использованием машинного обучения для идентификации активностей и поездок на основе GPS-данных. В идеале советы или напоминания могут быть автоматически отправлены через приложение участнику для записи активности или поездки, непосредственно с наступлением следующей активности/эпизода трипа, чтобы снизить предвзятость при воспоминаниях в конце дня. Рекомендуется провести окончательный обзор перед сном для консолидации ежедневной записи. Кроме того, экологическая временная оценка (EMA) может использоваться для фиксации субъективных переживаний (например, одышка, усталость, восприятие загрязнения окружающей среды) три раза в день (например, 8:00, 12:00 и 16:00) с помощью push-уведомлений.
Синхронизация и резервное копирование данных
1. Все собранные данные в режиме реального времени и дневника путешествий автоматически синхронизируются с защищённым зашифрованным облачным сервером через Wi-Fi или сотовую сеть. Облачная база данных настроена с обычными автоматическими резервными копированиями для предотвращения потери данных.
2. Все данные сначала хранятся во внутренней памяти смартфона. Синхронизированные данные автоматически удаляются с устройства каждый день после успешной проверки облачным сервером.
3. Все данные анонимизируются на месте сбора и надёжно хранятся на институциональных серверах. Хранение, передача и утилизация данных осуществляются строго в соответствии с политикой безопасности и конфиденциальности принимающего учреждения.
  Сводка данных и источник приведены в Таблице 2.

ParticipantID	Дата	Время старта	EndTime	Активность(A)/Трип(T)	Тип активности/Режим поездки
1	13/08/2025	0:00	7:00	A	Сон
1	13/08/2025	7:00	7:30	A	Завтрак
1	13/08/2025	7:30	8:00	T	Общественный транспорт
1	13/08/2025	8:00	11:30	A	Творчество
1	13/08/2025	11:30	11:45	T	Прогулка
1	13/08/2025	11:45	12:45	A	Обед
1	13/08/2025	12:45	13:00	T	Прогулка
1	13/08/2025	13:00	17:00	A	Творчество
1	13/08/2025	17:00	17:15	T	Велосипед
1	13/08/2025	17:15	18:00	A	Кулинария
1	13/08/2025	18:00	19:00	A	Ужин
1	13/08/2025	19:00	21:00	A	Досуг
1	13/08/2025	21:00	21:30	A	Bath
1	13/08/2025	21:30	23:59	A	Сон
1	14/08/2025	0:00	6:30	A	Сон
1	14/08/2025	…	…	…	…

Таблица 1: Шаблон дневника активности и путешествий для мониторинга M3-BREATHE. Таблица иллюстрирует, как поведенческие данные записываются и организуются для интеграции с анализом воздействия и здоровья.

Носимые мобильные медицинские устройства	Приложение для смартфона	Портативные датчики окружающей среды
Частота дыхания (RR)	GPS-координаты	Твердые частицы (PM2.5, PM10)
Tidal Volume (ТВ)	Дневник активности и путешествий	Угарный газ (CO)
Частота сердечных сокращений (HR)	Экологическая временная оценка (EMA)	Диоксид азота (NO2)
Вариабельность сердечного ритма (HRV)	Исходная информация о здоровье	Диоксид серы (SO₂)
Электрокардиограмма (ЭКГ)	Возраст, пол и так далее.	Летучие органические соединения (ЛОС)
Артериальное давление (АД)	Индекс массы тела (ИМТ)	Шум (N)
Насыщение крови кислородом (SpO₂)	Социально-экономический статус (SES)	Температура (T)
Метаболические эквиваленты (METs)	Медицинская история	Относительная влажность (RH)
Температура кожи (ST)	Состояние респираторного здоровья	Освещение (lx)
Акселерометр (ACC)	Самоотчетная информация о здоровье	Циркадный свет A (CLA)

Таблица 2: Сводка данных и источник устройств.В таблице приведены ключевые показатели (например, частота сердечных сокращений, частота дыхания, частицы, температура) и соответствующие им методы измерения.

5. Обработка и анализ данных

Калибровка устройства и контроль качества
Перед развертыванием все устройства проходят базовые калибровочные проверки в соответствии с спецификациями производителя. Для датчиков окружающей среды (например, мониторов PM_2.5) это может включать отсутствие калибровки или сравнения с эталонными приборами, если они доступны. Во время обработки данных будут применяться процедуры обеспечения качества и контроля качества (QA/QC) как к экологическим, так и к биометрическим потокам данных. Все этапы QA/QC будут задокументированы для обеспечения прозрачности и воспроизводимости.
1. Проверки дальности для удаления физиологически или физически неправдоподобных значений (например, экстремальной частоты сердечных сокращений или концентрации загрязняющих веществ).
2. Обнаружение и исключение артефактов сигнала (например, шума, связанного с движением, в носимых данных). Процедуры сглаживания или фильтрации (например, скользящих средних) там, где это уместно.
3. Идентификация и обработка отсутствующих или редких сегментов данных.
Предварительная обработка
1. Сырые данные датчиков очищаются (дрейф GPS корректируется через фильтр Калмана) и синхронизируются с дневниками активности и путешествий с помощью подхода Multimodal Temporal Alignment через пакеты предварительной обработки на базе Python (например, Pandas, GeoPandas, Tsfresh, Pyo3). Все обработанные данные впоследствии интегрируются в базу данных M3-BREATHE.
2. Чтобы обеспечить временное согласование воздействия окружающей среды и биометрических измерений, синхронизируйте все потоки данных с единой временной меткой. Стандартизируйте частоты устройств перед развертыванием с помощью сетевых протоколов времени. Во время обработки данных выравнивайте временные метки разных устройств с общим эталонным временем (например, UTC) и корректируйте дрейф тактового сигнала с помощью линейной интерполяции или корректировки смещения времени.
3. Агрегировать данные о более высокой частоте (например, частоту сердечных сокращений, полученных в носимых устройствах) для соответствия разрешению экологических показателей или корректировать данные окружающей среды для соответствия более высокочастотным данным, в зависимости от цели анализа. Обрабатывайте отсутствующие временные метки или нерегулярные интервалы выборки, применяя интерполяцию или исключая данные на основе заранее заданных критериев качества.
4. Обрабатывайте GPS-данные вместе с внешними географическими наборами, характеризующими построенные и природные среды, чтобы контекстуализировать индивидуальные воздействия. Вычислять воздействие зелёности, интегрируя GPS-записи с данными OpenStreetMap и спутниковыми индексами растительности (например, NDVI). Устранять различия в масштабе между высокочастотными GPS-траекториями и более низко разрешенными спутниковыми экологическими слоями, применяя методы пространственного выравнивания на основе ближайших соседей или буферов.
5. Для каждого GPS-фикса назначайте соответствующее значение воздействия окружающей среды от пересекающегося или ближайшего пикселя, либо вычислите взвешенное среднее количество пикселей в пределах определённого буферного радиуса (например, 10 м, 30 м), отражающее типичную пространственную неопределённость GPS. Убедиться, что воздействие окружающей среды приписывается с пространственно-временным разрешением, совместимым с одновременно собранными физиологическими и поведенческими данными.
Извлечение признаков
1. Суммировать данные мониторинга здоровья окружающей среды и мобильных средств с использованием ключевых метрик, включая меры центральной тенденции (среднее, медианное, взвешенное среднее), экстремальных значений (максимум, минимум, процентилы), вариабельности (стандартное отклонение, дисперсия, коэффициент вариации, межквартильный диапазон) и временные закономерности (пиковая частота, длительность выше порога, скорость изменений, дневная, недельная или сезонная вариация).
2. Рассчитать накопленное воздействие загрязнителей воздуха с использованием метрик общего воздействия (средняя концентрация и вдыхаемая доза) и площади под кривой (AUC). Вычислите дозу вдыхаемого загрязнителя (D) за длительность воздействия (t), используя приведённое ниже соотношение.
  
  с минимальной вентиляцией, определяемой как:
  
  где C — концентрация загрязняющего вещества в вдыхаемом воздухе (^{мкг/м 3}, ppb или ppm, в зависимости от единичной конвенции); — это минутная вентиляция, то есть общий объём вдыхаемого воздуха в минуту (л/мин); RR — это частота дыхания (вдохи в минуту); _{V T} — это приливный объём, объём вдыхаемого воздуха за вдох (L/дыхание); а t — длительность экспозиции (минимум).
  Обратите внимание, что доза D рассчитывается в мкг при условии, что преобразовать в^{m 3}/мин (то есть делить на 1000) для поддержания единичности единицы.
3. Учитывая, что респираторные датчики, носящиеся на груди, обычно дорогие и обременительны для длительного ношения в реальных условиях, по сравнению с длительностью мониторинга от нескольких часов до нескольких дней в контролируемых клинических экспериментах, оценивайте частоту дыхания с помощью данных акселерометра и гироскопа, полученных с помощью умного браслета, применяя алгоритмы машинного^{обучения} ^50,51. Для повышения точности оценки случайная лесная модель обычно служит фильтром, отклоняя данные, приводящие к неточным показаниям частоты дыхания, после чего модель сверточной нейронной сети (CNN) может быть использована для извлечения частоты^{дыхания} ^52,53.
4. Извлекайте поведенческие особенности из GPS-данных, дневников путешествий на смартфонах и данных о движении с акселерометров на браслетах. Сгенерировать набор индивидуальных поведенческих индикаторов для анализа связей между воздействием окружающей среды, поведением и результатами для здоровья. Таблица 3 суммирует многомасштабные профили в области поведенческое, экологического воздействия и здоровья.
  ПРИМЕЧАНИЕ: Стрелки иллюстрируют последовательное выравнивание профилей в областях поведения, воздействия окружающей среды и здоровья.
Анализ данных
1. Описательные и исследовательские анализы
  1. Проведите начальную описательную статистику для характеристики распределения, центральной тенденции и изменчивости всех переменных.
  2. Проведите анализ корреляции и тесты на коэффициент инфляции дисперсии (VIF).
  3. Визуализируйте данные о воздействии и здоровье с помощью временных рядов, коробочных графиков и геопространственных тепловых карт.
2. Острые ассоциации и временные задержки
  1. Используйте распределённые модели задержки (DLM).
  2. Данные о воздействии контейнеров в временных блоках.
  3. Проведите анализ чувствительности.
  4. Применяйте методы временных рядов (ARIMA, VAR).
3. Хронические ассоциации и накопленные воздействия
  1. Агрегированные метрики экспозиции.
  2. Связывайте контакт с повторными обследованиями здоровья.
  3. Используйте модели регрессии со смешанными эффектами.
  4. Применяйте продольный или выживаемый анализ.
    ПРИМЕЧАНИЕ: Необходимо учитывать стратегии временного окна. Таблица 4 сравнивает разные варианты временного окна.
4. Анализ поведенческой медиации и модерации
  1. Изучите медиацию с помощью SEM или причинно-следственного анализа.
  2. Изучите эффекты умеренности.
5. Функции экспозиционно-ответного ответа и кривые доза-ответ
  1. Количественно оценить взаимосвязь воздействия и реакции.
  2. Оценить функции вдыхаемого доза-ответа.
  3. Исследуйте нелинейные ассоциации.
6. Лонгитюдный и жизненный анализ
  1. Оцените хронические эффекты.
  2. Исследуйте жизненные пути.
7. Персонализированное лечение и вмешательство
  1. Создайте персонализированные профили.
  2. Выявляйте эпизоды высокого риска.
  3. Рекомендую медицинские обследования.
8. Информация о здоровье населения
  1. Создайте карты экспозиции.
  2. Анализируйте поведенческие тенденции.
  3. Оценивайте неравенство в здравоохранении.
  4. Используйте модели машинного обучения.

Поведенческая область	Область воздействия окружающей среды	Сфера здравоохранения
Временные/временные признаки	Профили мгновенного воздействия	Краткосрочные профили здоровья
Векторная величина акселерометра	Экспозиция в реальном времени	Кардиореспираторные стрессовые реакции
Интенсивность мгновенной активности	Острое воздействие	Острые изменения в пульсе, давлении, ВРВ, SpO₂ и т.д.
Особенности на уровне эпизодов и боёв	Профили воздействия на уровне эпизодов	Аритмические события ЭКГ
Время начала, время окончания, продолжительность	Средняя концентрация загрязняющих веществ	Респираторные симптомы и функция
Тип деятельности	Накопленная доза воздействия загрязняющих веществ	Колебания частоты вентиляции, специфичные по эпизодам
Тип локации	Пиковое воздействие	Самосообщал о кашле и одышке
Внутри и на улице	Воздействие на основе процентиля	Психологические и благополучные состояния
Транспорт	Вариабельность экспозиции	Настроение EMA, стресс, усталость и так далее.
Расстояние путешествия	Продолжительность экспозиции выше порога	Когнитивное и аффективное напряжение на уровне эпизодов
Средняя скорость поездки	Воздействие AUC	Острые нагрузки на воздействие
Цель поездки	Экспозиция в помещении и на открытом воздухе	Среднесрочные профили здоровья
Интенсивность физической активности	Воздействие транспортной микросреды	Субклинические сердечно-сосудистые маркеры
Дыхательная схема	Взаимодействие на рабочем месте/дома/в отдыхе	Устойчивое повышение пульса или давления в состоянии покоя
Межсегментные и ежедневные рубрики	Профили воздействия на дневном уровне	Ранние показатели риска гипертонии
Сидячие перерывы и переходы между состояниями активности	Среднесуточный уровень воздействия	Тенденции в респираторном здоровье
Переходы между внутренними и внешними помещениями	Суточная накопленная доза воздействия	Частота эпизодов респираторных симптомов
Переходы между транспортными микросредами	Ежедневное пиковое воздействие	Снижение функции легких (RR, SpO₂ и др.)
Цепи активности–трипа	Частота/продолжительность ежедневных пиков	Метаболическое и физическое состояние
Сложность деятельности и тура	Суточная минимальная экспозиция	Накопленное количество MET-min/неделя
Цепочка активности и путешествий	Ежедневное воздействие в процентиле	Распределение интенсивности активности
Структура использования времени	Дневная продолжительность воздействия выше порога	Сон и восстановление здоровья
Пространство активности, радиус вращения, пространственная энтропия	Ежедневное воздействие AUC	Устойчивость усталости, выходящая за рамки ежедневных изменений
Общее направление движения	Вариабельность суточного воздействия	Психическое здоровье и благополучие
Время в умеренной и интенсивной физической активности (MVPA)	Дневной наклон экспозиции (скорость изменения)	Реактивность на стресс, показатели тревожности и так далее.
Циркадный ритм	Суточное соотношение пиков к среднему значения	Кумулятивные риски воздействия
Привычные рутинные модели	Продольные профили экспозиции	Средняя концентрация и доза загрязняющих веществ
Рутинные ежедневные активности и перемещения	Долгосрочное среднее воздействие	Долгосрочные профили здоровья
Вариабельность ежедневных паттернов активности и перемещений	Долгосрочная накопленная доза воздействия	Риск и прогрессирование сердечно-сосудистых заболеваний
Хронотип циркадного ритма	Пиковое воздействие	Респираторные и лёгочные исходы
Расхождения в циркадном ритме выходных и будних дней	Частота/продолжительность пиковых событий	Метаболические и связанные с ожирением исходы
Регулярность мобильности (траектория, дорога, режим и т.д.)	Воздействие на основе процентиля	Результаты психического здоровья
Долгосрочные тенденции физической активности	Время выше порога	Системное здоровье и биологическое старение
Циклы малоподвижного и активного поведения	Воздействие AUC	Функциональные и качественные результаты жизни
Время и регулярность питания	Ежедневная/еженедельная/ежемесячная/сезонная изменчивость	Жизненные траектории здоровья
Адаптивное поведение в экстремальных условиях окружающей среды	Добыча временных рядов экспозиции	Информация о здоровье населения

Таблица 3: Многомасштабные профили данных M3-BREATHE. Таблица показывает, как поведенческие метрики связаны с краткосрочными, средне- и долгосрочными результатами для здоровья.

Окно	Сценарии использования	Подход к моделированию	Плюсы	Минусы
1 час	Очень острые последствия	Включать 1-часовую скользящую среднюю как ковариат в LME или временных рядах; или использовать DLNM с часовыми задержками	Фиксирует мгновенные пики; минимальное разбавление	Высокий шум; нужны данные высокого разрешения; Ограниченное хроническое понимание
24 часа	Ежедневная (краткосрочная)	24-часовой движущийся средний в смешанной модели; DLNM или DLM с задержками в 1 день	Снижает шум; соответствует нормативным показателям	Это может сгладить пиковые события
7 дней	Еженедельная (подострая)	7-дневный средний ковариат; DLM с лагами до 7 дней	Зафиксированные краткосрочные экспозиции	Размывается ежедневная вариабельность; умеренное сглаживание
30 дней	Ежемесячный (среднесрочный период)	средний показатель — 30 дней; DLNM с ежемесячной задержкой	Отражает недавнюю нагрузку экспозиции; Более гладко	Пропускает ежедневные шипы; предполагает линейную кумуляцию
90 дней	Сезонные (долгосрочные)	90-дневный средний или распределённый лаг по ~90D	Отражает сезонные тенденции	Чрезмерно сглаживает; Путаница сезонными факторами
365 дней	Годовой (долгосрочный)	В среднем 1 год в моделях LME или Cox	Полезно при хроническом риске; Управление сезоном	Игнорирует острые вариации; Сбитые с толку стареющими тенденциями

Таблица 4: Стратегии временного окна и аналитические подходы. Сводка стратегий временного окна и соответствующих аналитических подходов, используемых для оценки воздействия окружающей среды на различных временных масштабах, с акцентом на их применимость, сильные стороны и ограничения.

Результаты

Следующие репрезентативные результаты взяты из пилотного исследования, в котором были интегрированы портативные датчики загрязнения воздуха, дневники активности и путешествий и самооценку субъективного благополучия на уровне эпизодов (SWB). Участники должны были носить с собой переносные датчики загрязнения воздуха во время повседневной деятельности и путешествовать непрерывно 48-часово (либо с пятницы по субботу или воскресенье по понедельник), а также заполнять сопровождающие дневники активности и путешествий. В анализ были включены данные от 112 действительных участников с декабря 2017 по февраль 2018 года в жилом сообществе Мэйхэюань в Пекине. Этот предварительный анализ сосредоточен на взаимосвязи между воздействием PM_2.5 (экологическая область), повседневной деятельностью (поведенческая область) и когнитивным SWB (область здоровья). Хотя этот пилотный проект пока не подтверждает полный конвейер M3-BREATHE, особенно интеграцию физиологических сигналов (например, HRV, частота дыхания) и оповещений о воздействии в реальном времени, он служит ярким примером аналитического подхода. Для будущих работ необходима полная сквозная валидация всей мультимодальной системы.

Для проверки сквозного конвейера M3-BREATHE мы оценили целостность данных (99,3% скорость захвата GPS-данных и 93,2% захвата мониторинга загрязнения воздуха), точность синхронизации (≤1 с временной асинхронности между мультимодальными данными) и валидность калибровки (измерения PM_2.5 с недорогих датчиков имели корреляцию Пирсона r=0,86 с исследовательскими эталонными приборами после калибровки колокации). Конвейер интегрировал данные о траектории GPS, данные о воздействии окружающей среды и данные о самоотчёте в дневнике, что позволило выявлять специфические по активности паттерны воздействия и ассоциации между воздействием и здоровьем. Эти результаты подтверждают воспроизводимость и надёжность протокола M3-BREATHE для реального мониторинга E-M-H.

Рисунок 1 показывает среднюю концентрацию воздействия PM_2,5 (синие полосы, левая ось) и когнитивные показатели SWB (оранжевая линия, правая ось) по различным видам повседневной деятельности и путешествий. Результаты показывают, что концентрации воздействия PM_2.5 значительно различались в зависимости от типов активности. Наибольшее среднее воздействие наблюдалось во время сна, что указывает на высокую концентрацию загрязнения воздуха в помещении дома. Возможно, это связано с тем, что исследуемая территория является сравнительно высоко загрязнённой по сравнению с другими частями Пекина. Другие занятия с постоянно высокой концентрацией воздействия включали серфинг в Интернете, развлечения, учёбу и прогулки, все они превышали 20 мкг/^м3. Среднечастотные концентрации воздействия были обнаружены для таких видов деятельности, как работа, физическая активность, уход и поездки (15–20 мкг/^{м 3}). Самые низкие воздействия были зафиксированы во время личных дел, посещения врача, питания и ухода за пациентами (5–15 мкг/^м³). Эти различия, основанные на данном пилотном исследовании, отражают специфические экологические условия, в которых происходят мероприятия (в помещении против улице, а также в сидячом состоянии против активного образа жизни). В отличие от этого, когнитивные баллы SWB показали меньшую вариабельность между видами деятельности, в узком диапазоне от 1,7 до 2,3 (по шкале неудовлетворённости 1–5). Самые низкие показатели удовлетворённости были связаны с визитом к врачу и поездками, за ними следовали личные дела и работа, а самые высокие показатели удовлетворённости были связаны с физической активностью, развлечениями и социальной активностью, которые часто являются по своей сути полезными занятиями.

Было установлено, что типы активности, связанные с более высокой концентрацией PM_2.5, не всегда соответствовали более низкому когнитивному SWB, что свидетельствует о разъединении между воздействием PM_2.5 и самосообщаемым когнитивным SWB. Например, физическая активность и развлечения в сочетании с повышенной экспозицией и высокими когнитивными показателями SWB. Это может отражать то, что риск для здоровья от воздействия PM_2.5может быть упущен или не сознательно связан с когнитивным SWB, вероятно, из-за невидимой природы PM_2.5, что делает его ещё более коварным и трудным для обнаружения в окружающей среде. Для сравнения, такие загрязнители, как_{SO 2}, NO_x и_O3 , обладают более легко обнаруживаемыми характеристиками. Например,_{SO 2} имеет характерный сернистый запах, а NO_xчасто ассоциируется с видимыми выбросами от промышленных процессов и выхлопных газов автомобилей. Эти газообразные загрязнители могут вызывать мгновенное раздражение глаз, горла и дыхательной системы, что облегчает их обнаружение и реагирование без необходимости специального оборудования. Однако PM_2.5 является самым опасным загрязнителем, так как он может проникать в газообменные области легких (альвеолу), и очень мелкие частицы могут проходить через лёгкие, воздействуя на другие органы и, тем самым нанося вред кровеносной^{системе 59}. Это открытие подчёркивает уникальную проблему, связанную с PM_{2.5, чья} незаметная природа и серьёзные последствия для здоровья делают его критичным, но часто недооценённым экологическим риском в различных повседневных действиях.

figure-results-1

Рисунок 1: Концентрация экспозиции PM_2.5и когнитивное субъективное благополучие (SWB) по типу ежедневной активности. Когнитивное субъективное благополучие (SWB) измеряется по шкале Ликерта от 1 (очень удовлетворённый) до 5 (очень неудовлетворённый). На рисунке показаны вариации уровней воздействия мелких твердых частиц (_{PM 2,5}, мкг/^м3) и соответствующих показателей благополучия в разных видах деятельности. Точки данных представляют наблюдаемые значения. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Для изучения связи между воздействием загрязнения воздуха и субъективным благополучием (SWB) в этом пилотном исследовании используется обобщённая аддитивная модель (GAM), позволяющая создавать гибкие нелинейные эффекты. Как современное воздействие загрязнения воздуха (AAP), так и задержка по сравнению с предыдущей деятельностью (AAP_1) моделируются с помощью гладких функций, а социально-демографические характеристики (пол, возраст, хукоу, образование, семейное положение и доход) включены в качестве контрольных переменных. Результаты показывают, что ни AAP, ни AAP_1 не оказывают статистически значимого влияния на SWB, при p-значениях 0,234 и 0,266 соответственно. Хотя оценочные гладкие члены указывают на некоторые нелинейные закономерности, эти эффекты не являются устойчивыми (рисунок 2). В отличие от этого, определённые индивидуальные характеристики имеют более сильные ассоциации с SWB.

Эти результаты свидетельствуют о том, что кратковременное воздействие загрязнения воздуха, будь то одновременное или задерживаемое одним эпизодом активности, не оказывает существенного влияния на SWB. Одно из возможных объяснений заключается в том, что люди могут не сразу реагировать на краткосрочные колебания качества воздуха, либо такие эффекты требуют более длительного или накопленного воздействия, чтобы стать заметными. Будущие исследования могут расширить этот анализ, включив несколько структур задержки (например, воздействия от нескольких предшествующих эпизодов активности), используя временные показатели (например, длительность воздействия на уровне минуты) или применяя альтернативные методы моделирования, такие как распределённые лаги или методы машинного обучения, чтобы лучше отразить динамические и накопительные эффекты загрязнения воздуха на благополучие.

figure-results-2
Рисунок 2: Нелинейное влияние текущего и запоздалого воздействия загрязнения воздуха на субъективное благополучие. Кривые представляют оценки эффектов, полученных на основе модели, с течением времени, выявляя краткосрочные колебания и задержку реакций. AAP обозначает одновременную экспозицию, а AAP₁ — экспозицию с отставанием на одну единицу времени (например, 1 день). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Обсуждение

Критическим этапом внедрения протокола M3-BREATHE является надёжная настройка и синхронизация мультимодальных устройств, поскольку целостность данных во многом зависит от стабильного соединения между носимыми датчиками, портативными экологическими мониторами и приложением для смартфонов. Также важно убедиться, что все датчики откалиброваны в соответствии с требованиями производителя перед началом обследования. В идеале переносные экологические устройства, особенно монитор загрязнения воздуха, должны быть согласованы и откалиброваны по исследовательским эталонным приборам перед развертыванием, чтобы обеспечить достоверность и точность измерений для исследовательских целей.

В контролируемых клинических экспериментах или краткосрочных, небольших опросах использование ремня, носящегося на груди, обеспечивает высокоточные респираторные параметры (частота дыхания, приливный объём, ЭКГ), обеспечивая большую точность по сравнению с датчиками на запястье и служит триангуляционной основой для валидации их алгоритмических оценок. В отличие от этого, для долгосрочного мониторинга в натуралистических условиях, включая добровольное использование потребителями, предпочтительнее сочетание умного браслета и приложения для смартфона, так как эти устройства менее навязчивы и способствуют устойчивому соблюдению требований участниками. Для исследований с ограниченными ресурсами или проблемами с нагрузкой участников рекомендуется использовать минимальный набор, включающий умный браслет, приложение для смартфона и один монитор загрязняющих веществ. Дополнительные датчики (например, ремень с респираторными ремнями на груди, специальный световой трекер) должны рассматриваться с учётом конкретных целей исследований и бюджета. Подробные рекомендации по адаптации протокола M3-BREATHE в контролируемых клинических экспериментах и реальных лонгитюдных исследованиях/практике приведены в таблице 5.

Домен данных	Метрика (аббревиатура)	Контролируемый клинический эксперимент				Реальные лонгитюдные исследования/практика
Домен данных	Метрика (аббревиатура)	Датчик, носящийся на груди	Умный браслет	Портативный экологический монитор	Приложение для смартфона	Умный браслет	Портативный экологический монитор	Приложение для смартфона
Физиологическая	Частота сердечных сокращений (HR)	ΟΟΟ	ΟΟ			ΟΟΟ
	Вариабельность сердечного ритма (HRV)	ΟΟΟ	ΟΟ			ΟΟΟ
	Частота дыхания (RR)	ΟΟΟ	Ο			ΟΟΟ
	Tidal Volume (ТВ)	ΟΟ	Ο			ΟΟ
	Электрокардиограмма (ЭКГ)	ΟΟΟ	ΟΟ			ΟΟΟ
	Артериальное давление (АД)		ΟΟΟ			ΟΟ
	Насыщение крови кислородом (SpO₂)		ΟΟΟ			ΟΟ
	Метаболические эквиваленты (METs)		ΟΟΟ			ΟΟ
	Температура кожи (ST)		ΟΟ			Ο
	Акселерометр (ACC)		ΟΟ			ΟΟΟ
Экологическая среда	Твердые частицы (PM2.5, PM10)			ΟΟΟ			ΟΟΟ
	Угарный газ (CO)			ΟΟΟ			ΟΟ
	Диоксид азота (NO2)			ΟΟΟ			ΟΟ
	Диоксид серы (SO₂)			ΟΟ			Ο
	Летучий органик Соединения (ЛОС)			ΟΟ			ΟΟ
	Шум (N)			ΟΟΟ	Ο		Ο	ΟΟ
	Температура (T)			ΟΟΟ			ΟΟ
	Относительная влажность (RH)			ΟΟ			Ο
	Экспозиция света (освещение)			ΟΟΟ			ΟΟ
	Экспозиция света (циркадный свет A)			ΟΟ			Ο
	Зелень				ΟΟΟ			Ο
Поведенческие и контекстуальные	Местоположение / траектория GPS				ΟΟΟ			ΟΟΟ
	Дневник активности и путешествий (ATD)				ΟΟΟ			Ο
	Экологический моментарный Оценка (EMA)				ΟΟ			Ο
	Исходные характеристики (BC)				ΟΟΟ			ΟΟΟ
Примечания: Минимальный комплект; ΟΟ — стандартное снаряжение; Ο, альтернатива

Таблица 5: Рекомендации по адаптации протокола M3-BREATHE. Сводка областей измерений и уровней инструментирования в разных условиях исследования (минимальный минимум; стандарт ΟΟ; альтернативный вариант).

При применении этого протокола в разных условиях требуется несколько модификаций и стратегий устранения неполадок. Во-первых, в случае отключения между мониторинговыми устройствами и смартфоном или периодов более 30 минут с недействительными или недействительными данными (например, потеря параметров здоровья из-за неисправности датчика или отсутствия контакта с кожей), следует подготовить автоматические отчёты следователям, чтобы участники могли оперативно связаться для решения проблемы. Следователи также могут регулярно проводить проверки целостности данных. Во-вторых, при продольных развертываниях протокола соблюдение устройств и управление аккумулятором могут представлять сложные задачи. Иногда участники могут забывать носить умный браслет, заряжать пауэрбанки или заполнять дневники активности и путешествий. Автоматические напоминания в приложении, бэкенд-мониторинг и ежедневные подсказки дневника — эффективные инструменты для смягчения последствий.

Несмотря на свои преимущества, у M3-BREATHE есть несколько ограничений. Хотя умные нагрудные ремни дают точные измерения дыхания, они обычно неудобны для долгосрочного реального мониторинга из-за участника^{Burde 60}. Поэтому рекомендуются измерения и алгоритмы дыхания на основе браслета, хотя они снижают точность для оценки приливного объёма или обнаружения тонких аритмий, а их эффективность может зависеть от артефактов движения⁶¹. Кроме того, использование нескольких устройств для мониторинга окружающей среды увеличивает вероятность возможных сбоев связи, несинхронных часов или неисправностей датчиков. Необходимо разработать интегрированное модульное устройство для мониторинга многозагрязняющих веществ или альтернативные подходы (например, мониторинг шума на базе смартфонов), с целью поддержания точности измерений, минимизируя размер устройства и максимизируя^{портативность 62}. Кроме того, зависимость от внутри приложения самоотчетных систем (например, дневники активности и путешествий, медицинские записи) может привести к смещению воспоминаний и увеличить долгосрочную нагрузку на^{соблюдение требований 63}. Идентификация деятельности и поездок на основе машинного обучения может быть^{внедрена 64}, а отслеживание медицинских записей от медицинских работников можно бесшовно подключить к приложению смартфона через простой интерфейс в один клик.

Этот дальновидный реальный M3-BREATHE создаёт масштабируемую, неинвазивную и экономичную платформу для исследований и практики в области долгосрочного взаимодействия экологической мобильности и здоровья (E-M-H), продвигая существующие подходы. Традиционная пространственная эпидемиология часто опирается на стационарный мониторинг или жилые прокси для оценки воздействия, что делает её уязвимой к проблеме модифицируемой площади (MAUP) и проблеме неопределённого географического контекста (UGCoP⁾^21,65. Интегрируя мультимодальные данные о поведенческом, физиологическом и окружающем воздействии с высоким пространственно-временным разрешением, эта система движется к индивидуализированным оценкам воздействия, независимым от кадра, облегчая выявление поведенческого «чёрного ящика» в отношениях между окружающей средой и^{здоровьем 66,67}. Он поддерживает как индивидуальную, так и популяционную глубинную интерпретацию динамики доза–ответ, связывая воздействие мультизагрязнителей в реальном времени с физиологической реактивностью и результатами для здоровья, обеспечивая персонализированное лечение и вмешательство, мониторинг общественного здравоохранения и трансляционные исследования, связывающие воздействие окружающей среды, повседневную деятельность, мобильность и результаты здоровья⁶⁸, а также способствует самоконтролю здоровья индивидов и снижению рисков воздействия окружающей среды⁶⁹ (например, ежедневный планировщик активности для предотвращения личных исторических профилей E-M-H, основанных на высокорисковом воздействии).

Будущие применения M3-BREATHE включают (1) интеграцию с системами реального времени на базе ИИ, где персонализированные предупреждения о воздействии запускают рекомендации по адаптивному поведению (например, перенаправление поездок на работу во время пикового воздействия_{PM 2.5}); (2) применение в уязвимых группах (например, пожилые люди, астматики) для оценки связей с воздействием и здоровьем, специфичных для заболевания, и поддержки прецизионной медицины; (3) сочетание с геномными данными для выявления взаимодействий генов и среды при развитии хронических заболеваний; (4) миниатюризация интегрированных модульных датчиков окружающей среды для снижения нагрузки на участников и улучшения долгосрочного соблюдения; (5) масштабирование по городам и по всей стране для генерации глобальных наборов данных E-M-H для сравнительных исследований в области экологического здоровья. Кроме того, протокол может быть адаптирован для мониторинга других экологических рисков путём замены соответствующих переносных датчиков.

Раскрытие информации

Автор заявляет, что нет конкурирующих интересов.

Благодарности

Ни одного.

Материалы

```html

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер	Комментарии
AirBeam	HabitatMap	AirBeam-3	PM1, PM2.5, PM10, температура, влажность
AirVisual Pro	IQAir	Pro	AQI, PM2.5, CO2, температура, влажность.
Atmotube Pro	Atmotube	Pro	PM1, PM2.5, PM10,TVOC, температура, влажность, барометрическое давление
BioNomadix BioShirt	BioPac	BN-BIOSHIRT-Fx	Беспроводная умная майка с встроенными тканевыми электродами и датчиками дыхания, способная записывать ЭКГ и сигналы дыхания.
Extech SL355 Personal Noise Dosimeter	Extech	SL355	записывает SPL, Leq, Peak и т.д.
Fitbit Sense	Fitbit	2	Частота сердечных сокращений, ЭКГ, SpO₂, уровень стресса, сон, GPS
FITVII GT5 Pro Max	FITVII	https://fitvii.com/products/gt5-pro-charger	Частота сердечных сокращений, артериальное давление, ЭКГ, глюкоза в крови, SpO₂, сон, спортивные режимы
GAOTek Compact Personal Noise Dosimeter	GAO Tek	ASLM-341	записывает SPL, Leq, Peak и т.д.
Go Direct Respiration Belt	Vernier	GDX-RB	Респираторная лямка для груди с использованием датчиков напряжения или расширения для обнаружения расширения или сжатия грудной клетки
Hexoskin Smart Shirt	Hexoskin	N/A	Умная одежда с встроенными текстильными датчиками для непрерывного мониторинга частоты дыхания, частоты сердечных сокращений, вентиляции, активности, сна и т.д.
Huawei Band	Huawei	9	Частота сердечных сокращений, SpO₂, фазы сна, частота дыхания, обнаружение аритмии
Inkbird Air Quality Monitor	Inkbird	N/A	PM2.5, PM10, HCHO, TVOC, CO, CO₂,температура, влажность
La Roche-Posay My Skin Track UV	La Roche-Posay	My Skin Track UV	закрепляется на одежде; измеряет UVA и UVB; работает от солнечной энергии
Miniaturized Light Dosimeter	Wearifi	BLE Light Dosimeter	до 8 каналов спектральной дозиметрии (например, UV → IR), измеряет накопленную дозу света; хорошо подходит для длительного отслеживания воздействия.
Moto Watch 120	Motorola	https://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375	Частота сердечных сокращений, сон, SpO₂, стресс, 100+ спортивных режимов
Personal Noise Dosimeter SV-104A	Svantek	SV 104A	записывает SPL, Leq, TWA, Peak и т.д.
Prana Air Pocket PM2.5 Monitor	PranaAir	N/A	PM1, PM2.5, PM10, AQI
Smart Health Wristband	VIYIWOK	https://www.ebay.com/itm/306538996133	Частота сердечных сокращений, сон, стресс, спортивные режимы
Smart Watch Fitness Tracker	TYKOIT	https://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-needed	Частота сердечных сокращений, SpO₂, сон, шаги, калории
SunSprite Personal Light Tracker	GoodLux Technology	SunSprite	закрепляется на одежде; измеряет видимый свет и УФ; работает от солнечной энергии
Temtop Air Station	‎Elitech	P1,M2000	PM2.5, PM10, AQI, температура, влажность и погода
Xiaomi Smart Band	Xiaomi	9	Частота сердечных сокращений, SpO₂, фазы сна, уровень стресса

```

Ссылки

Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
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).
Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
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).
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).
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).
Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
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).
Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
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).
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).
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).
Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
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).
Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
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).
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).
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).
Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
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).
Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
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).
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).
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).
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).
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).
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).
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).
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).
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).
Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
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).
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).
Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
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).
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).
van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
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).
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).
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).
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).
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).
Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
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).
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).
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).
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).
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).
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).
Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
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).
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).
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).
Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
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).
Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
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).
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).
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).

Перепечатки и разрешения

Больше статей

Мобильный мониторинг здоровья мультимодальный мониторинг физиологические сигналы воздействие факторов окружающей среды функция дыхания GPS-трекинг оповещения на основе машинного обучения персонализированная оценка состояния здоровья данные о городской среде лонгитюдный мониторинг здоровья

Реальный M3-BREATHE: К мультимодальному мобильному мониторингу поведения, дыхания и воздействий для лечения и оценки здоровья