Summary
Kommersiella smartklockor utrustade med bärbara sensorer används alltmer i befolkningsstudier. Men deras användbarhet begränsas ofta av deras begränsade batteritid, minneskapacitet och datakvalitet. Denna rapport ger exempel på kostnadseffektiva lösningar på verkliga tekniska utmaningar som uppstår under studier med astmatiska barn och äldre hjärtpatienter.
Abstract
Bärbara sensorer, som ofta är inbäddade i kommersiella smartklockor, möjliggör kontinuerliga och icke-invasiva hälsomätningar och exponeringsbedömningar i kliniska studier. Den verkliga tillämpningen av dessa tekniker i studier som involverar ett stort antal deltagare under en betydande observationsperiod kan dock hindras av flera praktiska utmaningar.
I denna studie presenterar vi ett modifierat protokoll från en tidigare interventionsstudie för att mildra hälsoeffekter från ökendammstormar. Studien omfattade två olika befolkningsgrupper: astmatiska barn i åldern 6-11 år och äldre patienter med förmaksflimmer (AF). Båda grupperna var utrustade med en smartklocka för bedömning av fysisk aktivitet (med hjälp av en pulsmätare, stegräknare och accelerometer) och plats (med hjälp av GPS-signaler för att lokalisera individer i inomhus "hemma" eller utomhus mikromiljöer). Deltagarna var tvungna att bära smartklockan utrustad med en datainsamlingsapplikation dagligen, och data överfördes via ett trådlöst nätverk till en centralt administrerad datainsamlingsplattform för bedömning av efterlevnad i nära realtid.
Under en period av 26 månader deltog mer än 250 barn och 50 patienter med AF i ovannämnda studie. De viktigaste tekniska utmaningarna som identifierades inkluderade att begränsa åtkomsten till vanliga smartwatch-funktioner, såsom spel, webbläsare, kamera och ljudinspelningsapplikationer, tekniska problem, såsom förlust av GPS-signal, särskilt i inomhusmiljöer, och de interna smartwatch-inställningarna som stör datainsamlingsapplikationen.
Syftet med detta protokoll är att visa hur användningen av offentligt tillgängliga applikationsskåp och applikationer för automatisering av enheter gjorde det möjligt att hantera de flesta av dessa utmaningar på ett enkelt och kostnadseffektivt sätt. Dessutom förbättrade införandet av en Wi-Fi-mottagen signalstyrkaindikator avsevärt inomhuslokalisering och minimerade till stor del felklassificering av GPS-signaler. Implementeringen av dessa protokoll under utrullningen av denna interventionsstudie våren 2020 ledde till avsevärt förbättrade resultat när det gäller datafullständighet och datakvalitet.
Introduction
Digitala hälsotekniska applikationer och bärbara sensorer möjliggör icke-invasiv och kostnadseffektiv patientövervakning både inom hälso- och sjukvård och i hemmet1. Samtidigt möjliggör den stora mängden data som samlas in och tillgången till bärbara analysplattformar utvecklingen av algoritmer för automatiserad förutsägelse, förebyggande och intervention av hälsohändelser för ett brett spektrum av akuta och kroniska sjukdomar2. Kommersiellt tillgängliga bärbara sensorer, som främst används för fitnessspårning, används också i allt högre grad av medicinsk personal inom folkhälsoforskning och utgör ett lovande verktyg för multimodal och kontinuerlig datainsamling under verkliga förhållanden3. Ännu viktigare är dock att opartisk datainsamling från bärbara sensorer gör det möjligt för forskare att övervinna utmaningarna med återkallelsebias som kännetecknar traditionella datainsamlingsmetoder som intervjuer och dagböcker4.
För kliniska prövningar eller andra befolkningsstudier är dock datanoggrannhet, tillförlitlighet och integritet avgörande. Dessutom kan de insamlade uppgifternas trovärdighet också påverkas av flera andra parametrar, såsom åldersgruppens tillämplighet samt enhetens minneskapacitet och energieffektivitet5. Nya systematiska översikter av laboratorie- och fältbaserade studier med begränsat antal deltagare har i allmänhet bekräftat tillämpligheten av kommersiella smartklockor för aktivitet, hjärtfrekvens, anfall och beteendeövervakning, även om recensionerna också har visat dålig lämplighet för äldre användare, samt begränsningar av batteri, minne och datakvalitet 6,7 . Dessa begränsningar kan förstärkas ytterligare i större befolkningsstudier under verkliga förhållanden där ytterligare parametrar som inkonsekvent internetanslutning, enhetskomfort och felaktig smartwatch-användning spelar in8. Specifikt är utseende och besvär betydande hinder för att bära sensorer dagligen9, medan oro för integritets- och sekretessfrågor kan påverka rekryteringen i studier som involverar bärbara sensorer10. När det gäller tillämpligheten av kommersiella smartklockor och fitnessspårare för att mäta fysisk aktivitet i forskningsstudier föreslog en nyligen genomförd studie av Henriksen et al. att valet av en lämplig enhet för en viss studie inte bara bör baseras på tillgängliga inbyggda sensorer utan snarare också ta hänsyn till validering och tidigare användning i forskning, utseende, batteritid, robusthet, vattentålighet, anslutning och användbarhet11.
I denna studie presenterar vi ett protokoll för att förbättra de utmaningar som uppstått under LIFE Medea-projektet, en interventionsstudie för att mildra hälsoeffekterna av ökendammstormar12. Studien omfattade två olika befolkningsgrupper: astmatiska barn i åldern 6-11 år och äldre patienter med förmaksflimmer (AF). Båda grupperna var utrustade med en kommersiell smartklocka för bedömning av fysisk aktivitet (med hjälp av en pulsmätare, stegräknare och accelerometer) och plats (med hjälp av GPS-signaler för att lokalisera individer inomhus "hemma" eller utomhus mikromiljöer). Deltagarna var tvungna att bära smartwatchen dagligen, och data överfördes via ett trådlöst nätverk till en centralt administrerad datainsamlingsplattform via datainsamlingsapplikationen för bedömning av efterlevnad i nära realtid. Ytterligare information om smartwatchen och systeminställningen finns i en tidigare studie13. Under det första året av projektets genomförande uppstod flera tekniska och verkliga utmaningar relaterade till enheten, vilket påverkade rekryteringen, deltagarnas efterlevnad av att bära enheten dagligen och fullständigheten av de insamlade uppgifterna. Vissa utmaningar var befolkningsspecifika, till exempel kravet från skoladministratörer och många föräldrar att barnen som bär smartklockorna inte ska ha tillgång till vanliga smartwatch-funktioner, såsom spel, webbläsare, kamera och ljudinspelningsapplikationer. Andra utmaningar var tekniska till sin natur, såsom förlust av GPS-signal, särskilt i inomhusmiljöer, och interna smartwatch-inställningar som stör datainsamlingsapplikationen. En detaljerad översikt över de viktigaste identifierade utmaningarna samt en kort beskrivning av deras konsekvenser och lösningar presenteras i tabell 1.
I den här studien föreslår vi enkla, kostnadseffektiva och färdiga lösningar för att förbättra användaröverensstämmelse, datakvalitet och datafullständighet i befolkningsstudier som använder bärbara sensorer och tillhandahåller relevanta protokoll. Dessutom visar vi förbättringarna av datafullständigheten från implementeringen av sådana protokoll med hjälp av representativa resultat från studien13.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Administrativa och etiska godkännanden erhölls från Cyperns hälsoministerium (YY5.34.01.7.6E) och Cyperns nationella bioetiska kommitté (ΕΕΒΚ/ΕΠ/2016.01.23). Patienter med förmaksflimmer och vårdnadshavarna till de astmatiska barnen gav skriftligt informerat samtycke innan de deltog i studien.
1. Applikationsskåp och enhetsautomatiseringsapplikationer
OBS: Fritt tillgängliga applikationsskåp och enhetsautomatiseringsapplikationer (taskers) finns för både Android-enheter och IOS-enheter. De specifika tillämpningar som används i denna studie listas i materialförteckningen.
- Använd en smartphone-enhet som helst är utrustad med samma Android-version som smartwatchen.
- Från Play Store laddar du ner och installerar datainsamlingsprogrammet, applikationsskåpet och uppgiftslämnaren.
- Ladda ner en fritt tillgänglig applikation som kan extrahera Android-applikationspaketet (APK) för de nedladdade applikationerna som redan är installerade på smarttelefonen.
OBS: Applikationen skapar en mapp med namnet Extracted-Apks i smarttelefonens interna lagring och lagrar de exporterade APK-filerna. Spara APK-filerna istället för att ladda ner applikationsskåpet och uppgiftslämnaren under installationen av varje smartwatch-enhet för att säkerställa att samma versioner av applikationerna används på alla enheter.
2. Utveckling av de automatiserade förfarandena med hjälp av uppgiftslämnaren
OBS: En tasker möjliggör steg-för-steg-utveckling av automatiserade processer. Dessa kan variera beroende på projektets krav. Tidigare kodnings- eller programmeringserfarenhet krävs inte. I följande steg används följande termer och definitioner: utlösare (ett starttillstånd som, när det uppfylls, gör att uppgiftslämnaren kan initiera processen), villkor (ett villkor som, när det uppfylls, gör att processen kan fortsätta till nästa steg) och åtgärd (processresultatet). I de angivna figurerna betecknar parallellogrammet en utlösare, diamanten betecknar ett tillstånd och rektangeln betecknar en åtgärd. Varje process kan resultera i mer än en åtgärd, och dessa är märkta som åtgärder a, b, c, (...) under varje process. En separat process sattes upp för varje enskilt problem som identifierades under projektets genomförande på fältet. Detta tillvägagångssätt säkerställde att det inte fanns någon överlappning mellan de fastställda villkoren och möjliggjorde en smidig drift av den automatiserade processen som helhet.
- Starta enhetsautomatiseringsprogrammet och navigera till gränssnittet för att skapa uppgifter.
OBS: Gränssnittet skiljer sig mellan olika enhetsautomatiseringsapplikationer. Stegen som beskrivs nedan är baserade på uppgiftslämnaren som används i studien som presenteras här12, men liknande steg gäller för alla applikationer av detta slag. Enhetsautomatiseringsapplikationer möjliggör utveckling av olika processer (även kallade makron). Alla makron som beskrivs i detta protokoll finns i tilläggsfil 1.- Om du vill skapa en process väljer du Makron.
- Skapa en process som systematiskt aktiverar datainsamlingsprogrammet (Figur 1). Gör det genom att följa stegen nedan.
- Lägg till ett makro eller en uppgift genom att klicka på plustecknet. Lägg till en utlösare för att skapa en startpunkt för processen. Klicka på plustecknet på triggerfliken.
- Välj Datum och tid och välj fliken Regelbundet intervall . Använd inte en referenstid utan ställ in ett regelbundet intervall.
- Ange ett fast tidsintervall som ska fungera som en utlösare för att initiera en procedur. Ställ in intervallet på 7,5 min och klicka på OK.
OBS: Detta villkor skapar en vanlig utlösare som körs var 7.5: e minut. Valet av utlösningsintervall baseras på enhetens batterikapacitet och andra förhållanden som påverkar den smidiga driften av datainsamlingsapplikationen. - För att lägga till en åtgärd, klicka på plustecknet på åtgärdsfliken. Välj fliken Villkor/loopar . Välj IF-satsen.
- Lägg till ett villkor genom att klicka på plustecknet. Välj fliken Datum och tid . Välj Stoppur. Klicka på Ok.
- Ange en fast varaktighet som ska läggas till som ett villkor. Som en del av proceduren är villkoret som testas om ett stoppurvärde är antingen >29 min eller <1 s.
OBS: Den förra återspeglar preferensen att systematiskt aktivera datainsamlingsprogrammet var 30: e minut, och den senare representerar preferensen att aktivera datainsamlingsprogrammet även i fall då stoppuret inte fungerar eller har slutat. - Ändra OCH genom att klicka på triangeln. Välj ELLER.
OBS: När ett av villkoren är uppfyllt kan processen fortsätta. - Om du vill lägga till en åtgärd mellan IF-satsen klickar du på Avsluta om. Välj Lägg till åtgärd ovan.
- Navigera för att hitta fliken Skärm. Välj åtgärden Screen On och klicka på Ok.
OBS: När villkoren är uppfyllda aktiverar uppgiftslämnaren skärmen. - Genom att följa liknande steg lägger du till en andra åtgärd som minskar skärmens ljusstyrka till den lägsta procentsatsen.
- Lägg till ytterligare en åtgärd som återställer och startar om stoppuret som används i den här automatiserade processen. Detta skapar en loop.
- Följ liknande steg och lägg till en åtgärd som aktiverar datainsamlingsprogrammet. Välj Program.
- Välj Starta program. Hitta och välj datainsamlingsprogrammet. Välj Force NEW och klicka på OK.
OBS: Processen är klar. Utlösaren, villkoren och åtgärderna anges. Den här processen gör det systematiskt möjligt för datainsamlingsprogrammet i frekventa tidsintervall att motverka slumpmässiga programkrascher. Åtgärden Screen On är utformad för att förhindra vilolägesinställningar för kommersiella enheter, och åtgärden Ljusstyrka till 0% används för att minska batteriförbrukningen. Åtgärden Stoppur (återställ och starta om) skapar en slinga till vår övergripande process. Om villkoret är uppfyllt utförs följande åtgärder av uppgiftslämnaren: (a) starta datainsamlingsprogrammet, (b) aktivera smartwatch-skärmen, (c) minska skärmens ljusstyrka till 0% och (d) återställa och starta om stoppuret för att skapa en slinga. Åtgärd b och åtgärd c är utformade för att motverka standardinställningarna för viloläge för kommersiella enheter. Vilolägesinställningar kan störa den normala driften av smartwatch-applikationer (inklusive datainsamlingsprogrammet). Viloläge löses genom att systematiskt aktivera skärmen (åtgärd b), och för att minska batteriförbrukningen är skärmaktiveringen kopplad till att skärmens ljusstyrka minskar (åtgärd C). - Ge den här processen ett namn och välj Spara.
- Skapa en process som systematiskt aktiverar smartwatchens Wi-Fi (bild 2).
- Lägg till en utlösare för att skapa en startpunkt för processen. Klicka på plustecknet på fliken Trigger . Välj Enhetshändelser och välj Skärm på/Av. Välj Screen On och klicka på Ok.
- Lägg till en åtgärd genom att klicka på plustecknet på fliken Åtgärd . Välj fliken Villkor/loopar . Välj IF-satsen. Lägg till ett villkor genom att klicka på plustecknet. Välj fliken Anslutning . Välj Wi-Fi-tillstånd. Välj Wi-Fi inaktiverat och klicka på Ok.
- Klicka på Avsluta om. Välj Lägg till åtgärd ovan. Välj fliken Anslutning . Klicka på fliken Wi-Fi-konfiguration . Välj Aktivera Wi-Fi och klicka på Ok. Detta är åtgärd a i processen i steg 2.3.
OBS: Vid skärmaktivering och om Wi-Fi är inaktiverat aktiverar uppgiftslämnaren Wi-Fi. - Lägg till ytterligare en åtgärd mellan IF-satsen som återställer och startar om Stopwatch_2. Detta är åtgärd b i processen i steg 2.3.
OBS: Stoppuret är viktigt för att inaktivera Wi-Fi efter några minuter, vilket är en åtgärd som utförs av en annan process i protokollet (steg 2.5). Smartwatchen behöver inte ständigt anslutas till Wi-Fi eftersom detta ökar batteriförbrukningen. - Ge den här processen ett namn och välj Spara.
- Skapa en process som systematiskt optimerar batteriförbrukningen (bild 3).
OBS: Smartwatch-enheter har vanligtvis standardinställningar för att inaktivera skärmen efter en period på några sekunder. För den enhet som användes i vår studie var denna period 15 s. Testningen presenteras i steg 2.7.- Använd standardskärmavaktiveringen som en utlösare.
- Ställ in ett villkor som testar kombinationen av om smartwatchen inte laddas och inte är ansluten till ett nätverk. Om båda gäller inaktiverar processen Wi-Fi-anslutningen för att minska batteriförbrukningen. Detta är åtgärd a i processen i steg 2.4.
OBS: Om smartwatchen laddas måste Wi-Fi hållas aktiverat, så att all data som samlas in under dagen kan skickas via Wi-Fi-anslutningen till vår onlineserver. Vanligtvis sker laddning över natten. - Ställ in ett villkor som testar om Bluetooth är aktiverat. Om så är fallet är Bluetooth inaktiverat för att minska batteriförbrukningen. Detta är åtgärd b i processen i steg 2.4.
- Ställ in ytterligare en åtgärd som aktiveras automatiskt efter utlösaren. Den här åtgärden ställer in skärmens ljusstyrka till 50% (åtgärd c i processen i steg 2.4).
Användarinteraktioner kan ändra ljusstyrkan. Högre nivåer av skärmens ljusstyrka tömmer batteriet snabbare, och som en kombination är skärmens ljusstyrka inställd på 50% som den optimala nivån som gör att användaren enkelt kan interagera med smartwatchen samtidigt som batteriet sparas.
- Skapa en process som systematiskt loggar händelseinformation (bild 4).
- Lägg till en utlösare för att skapa en startpunkt för processen. Klicka på plustecknet på fliken Trigger . Välj Datum och tid. Välj fliken Regelbundet intervall . Använd inte en referenstid.
- Ställ in det vanliga intervallet. Ange ett fast tidsintervall så att det fungerar som en utlösare för att initiera proceduren. Ställ in intervallet på 5 minuter och klicka på Ok.
OBS: Detta skapar en oändlig utlösare som körs var 5: e minut; Valet av intervallet baseras på enhetens batterikapacitet och andra förhållanden beroende på forskarens krav. - Om du vill lägga till en åtgärd klickar du på plustecknet på fliken Åtgärd. Klicka på Logga händelse.
- Klicka på fliken Ellipspunkter . Hitta och välj Wi-Fi SSID (Wi-Fi-nätverksnamn ) och välj Ok.
- Genom att klicka igen på fliken Ellipsis Points och följa exakt samma steg, lägg till ytterligare Wi-Fi-signalstyrka, enhetens serienummer, GPS-latitud, GPS-longitud, GPS-signalens noggrannhet, samt om smartwatchen laddas eller inte (åtgärd a av processen i steg 2.5).
Den här åtgärden skapar en logghändelse med fördefinierade variabler som är relevanta för projektet. - Ge den här processen ett namn och välj Spara.
- Klicka på fliken Loggning och ställ in ett villkor som testar kombinationen av om smartwatchen inte laddas, skärmen är avstängd och stoppuret som beskrivs i punkt
2.3.3 är >4 min och inaktiverar Wi-Fi när alla dessa villkor är uppfyllda (åtgärd B i processen i steg 2.5).
- Skapa en process som ger användarmeddelanden om GPS-signalen är inaktiverad (bild 5)
- Ställ in anslutningen till ett Wi-Fi-nätverk som utlösare.
- Ställ in en åtgärd som aktiveras automatiskt efter utlösaren. Den här åtgärden skapar en logghändelsepunkt som liknar den i steg 2.5.2 (åtgärd a i processen i steg 2.6).
OBS: Denna ytterligare logghändelse ger information om den exakta tiden smartwatchen var ansluten till Wi-Fi-nätverket hemma. - Ställ in ett villkor som testar om GPS-sensorn har inaktiverats, eller om dess noggrannhetsstatus har ändrats eller om flygplansläge har aktiverats. Lägg till en åtgärd mellan IF-satsen som visar meddelandefelet "ERROR!!! Kontrollera inställningarna" (åtgärd b i processen i steg 2.6).
- Testa varje process som skapats.
- Klicka på fliken Process .
- Klicka på fliken Trigger .
- Välj Testutlösare.
Testutlösaren initierar åtgärderna för den valda processen. Om resultatet är det avsedda sparas processen.
3. Exportera de skapade processerna (steg 2.1-2.6)
- Exportera och spara filerna i de skapade processerna (steg 2.1-2.6) i mdr-format (mdr-fil) i samma smartphone-katalog som i steg 1.1.3.
4. Överföra och installera filerna som skapats till smartwatchen
- Överför filerna från smarttelefonen till en bärbar dator / PC.
- Anslut smarttelefonen till den bärbara datorn / datorn.
- Hitta katalogen med de extraherade APK- och mdr-filerna (tasker-tilläggsfiler) som skapats med enhetsautomatiseringsprogrammet.
- Kopiera och klistra in alla filer i en katalog i den bärbara datorn / datorn.
- Överför filerna från den bärbara datorn / datorn till smartwatch-enheten.
OBS: I studien var smartwatchen också utrustad med en magnetisk laddarkabel som också möjliggjorde överföring av data / filer.- Anslut smartklockan med magnetladdaren till den bärbara datorn/datorn.
- Välj alternativet för att överföra filer på smartwatch-meddelandepanelen.
- På den bärbara datorn / datorn navigerar du till katalogen med de sparade filerna från steg 4.1.2.
- Kopiera alla filer och klistra in dem i en katalog i smartklockan.
5. Ställa in smartwatchen för fältanvändning
- Installera applikationerna såväl som processerna på smarttelefonen till smartwatchen.
- Navigera till destinationen med de klistrade filerna och installera alla APK-filer. Dessa inkluderar programskåpet, uppgiftslämnaren och datainsamlingsprogrammet (se Materialförteckning).
- Installera mdr-filen som innehåller de processer som skapades i steg 2.
- Acceptera alla behörigheter som behövs för att driva processerna.
Behörigheterna kan variera beroende på vilken typ av processer som skapas.
- Ställ in eller ändra enhetens viktiga standardinställningar.
OBS: Innan smartwatchen ges till en deltagare måste flera viktiga inställningar ändras.- Svep smartwatch-skärmen åt vänster och navigera till smartwatch-inställningsfunktionen. Klicka på Inställningar.
- Välj Ljud och inaktivera alla ljud genom att minimera volymnivåerna för alla enskilda ljudinställningar. Svep skärmen åt höger för att återgå till huvudinställningsskärmen.
OBS: Distraktioner och onödiga meddelanden från smartwatchen rekommenderas inte eftersom detta kommer att skapa onödigt krångel för deltagarna, särskilt under skol- och arbetstid. - Bläddra ner och välj funktionen Anslut . Bläddra ner och välj GPS. Klicka på Läge och ställ in GPS-inställningarna på Hög noggrannhet.
- Svep skärmen åt höger för att återgå till huvudinställningsskärmen.
- Bläddra ner, välj energisparfunktionen , inaktivera ströminställningen för standby-intelligens och kontrollera att batterisparfunktionen alltid är avstängd. Svep skärmen åt höger för att återgå till huvudinställningsskärmen.
OBS: Även om batteriförbrukningen måste beaktas kan det störa applikationernas smidiga funktion och påverka datakvaliteten och fullständigheten negativt. - Bläddra ner och välj funktionen Datum och tid . Inaktivera fliken Automatisk tidszon . Bläddra ner, klicka på Välj tidszon, välj rätt tidszon och aktivera 24-timmarsformatet.
- Rulla uppåt, aktivera den automatiska tidszonen och kontrollera att det automatiska datum- och tidsläget är inställt på Använd tid som tillhandahålls av nätverket.
OBS: Detta är viktigt för att säkerställa att varje sensormätning åtföljs av rätt tidsstämpel. - Svep skärmen åt höger för att återgå till huvudinställningsskärmen. Bläddra ner, välj Mer, öppna alternativet Bakgrundsrensare och inaktivera batterispararen.
OBS: Alla inställningar som stör den smidiga driften av applikationer i bakgrunden måste inaktiveras. I det här fallet är en sådan inställning bakgrundsrensaren, och om den förblir aktiverad kommer dessa applikationer inte att kunna fungera i bakgrunden, vilket påverkar den allmänna inställningen av smartwatchen och stör datainsamlingsmetoden. - Svep skärmen åt höger för att återgå till skärmen Fler inställningar , bläddra ner, välj appfrysningsfunktionen , klicka på Nästa, bläddra ner, klicka på Google Play Store och välj Frys; Programmet inaktiveras automatiskt.
OBS: Om den lämnas aktiverad kommer Play Store sannolikt att utföra uppdateringar. Sådana uppdateringar kan störa de skapade processerna. Dessutom kan vissa uppdateringar ske på olika dagar för de olika studiedeltagarna, och därmed kommer data under en tid inte att samlas in på samma sätt från alla deltagare. - Svep skärmen åt höger för att återgå till skärmen Fler inställningar , välj meddelandefunktionen , välj Google och blockera alla aviseringar från den här applikationen.
Beroende på enhet och operativsystem kan andra program också visa meddelanden. Distraktioner och onödiga meddelanden från smartwatchen rekommenderas inte eftersom detta kommer att skapa onödigt krångel för deltagarna, särskilt under skol- och arbetstid. - Svep skärmen åt höger för att återgå till skärmen Fler inställningar , bläddra ner, välj funktionen Datasparare och inaktivera dataspararen . Svep skärmen åt höger för att återgå till skärmen Fler inställningar .
Inaktivera alla inställningar eller funktioner som kan påverka uppladdning eller mottagning av data. - Välj funktionen Appinställningar , bläddra ner, välj funktionen Särskild åtkomst och klicka på Inställningar för batterioptimering . Klicka på triangeln och välj Alla appar.
- Bläddra ner för att hitta applikationsskåpet, välj applikationsskåpet, välj Optimera inte och klicka på Klar. Hitta alla relevanta program som används i smartwatch-konfigurationen (programskåp, tasker, datainsamlingsprogram) och välj Optimera inte.
OBS: De viktigaste applikationerna som utför eller stöder datainsamling måste fungera utan batteribegränsningar. - När du har avslutat installationen utför du en kontroll av inställningarna som implementerades i det här steget.
OBS: Pekskärmens lyhördhet kan saknas, och viktiga ändringar av inställningarna kanske inte har gjorts korrekt, så kör en kontroll för att se till att varje steg gjordes korrekt. Kontrollera igen att alla ljud och vibrationer minimeras, GPS: n är i högnoggrannhetsläge och datum- och tidsinställningarna är korrekta. Se också till att inaktivera alla inställningar som stör den smidiga driften av applikationerna i bakgrunden. Kontrollera dessutom att alla andra program som kan utföra uppdateringar är frysta. Inaktivera alla inställningar eller funktioner som kan påverka uppladdning eller mottagning av data. Se till att de viktigaste applikationerna som utför eller stöder datainsamlingen kan fungera utan batteribegränsningar.
- Ställ in applikationsskåpet.
- Från startskärmen navigerar du för att hitta de installerade applikationerna.
- Välj App Locker.
- Välj hur du vill att App Locker ska låsa programmen (möjligheterna inkluderar användning av en PIN-kod eller mönsterkod).
- Välj de program du vill låsa. Bland annat kan kameran, röstinspelning, webbläsare och spelapplikationer låsas. Aktivera App Locker.
- Anslut smartklockan till deltagarens Wi-Fi-nätverk hemma.
OBS: Installationen är klar. Smartklockan är redo att ges till en deltagare.
- Låt deltagaren använda smartklockan.
- Instruera deltagarna att bära smartklockan dagligen och ladda enheten varje natt under sömnen.
OBS: Under dagen kunde deltagarna använda smartwatchen som en vanlig digital klocka och bedöma sina aktivitetsnivåer genom smartwatch-stegräknarindikatorn. Deltagarna var inte skyldiga att utföra några specifika uppgifter för att smartwatchen skulle kunna samla in och överföra data. Konfigurationen av enheterna som beskrivs i protokollet i kombination med de automatiserade processerna som utvecklats med uppgiftslämnaren minimerade besväret för deltagarna.
- Instruera deltagarna att bära smartklockan dagligen och ladda enheten varje natt under sömnen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Protokollet beskriver enkla och kostnadseffektiva lösningar på verkliga utmaningar som påverkar rekrytering, efterlevnad och datakvalitet i befolkningsstudier med bärbara sensorer. Stegen som beskrivs här möjliggjorde en framgångsrik installation av en konsumentbärbar enhet för exponering och hälsoövervakning i en stor befolkningsstudie med barn med astma och vuxna med förmaksflimmer. Figur 6 ger en grafisk översikt över de tillhandahållna protokollen och illustrerar de viktigaste stegen som vidtagits för att ta itu med de viktigaste underliggande problem som identifierats.
Här presenterar vi de representativa resultaten från en delmängd av 17 deltagare (astmatiska barn i åldern 6-11 år) som deltog i LIFE Medea-studien våren 202013. De 17 deltagarna var utrustade med en smartklocka som gav tidsstämplade data om fysisk aktivitet (stegräknare, accelerometer, hjärtfrekvens) och GPS-platser före och efter implementeringen av protokollet. Dessa data samlades in via datainsamlingsapplikationen och synkroniserades automatiskt med en molnbaserad databas när smartwatchen var i kontakt med Wi-Fi-nätverket i varje deltagares hem, som beskrivits tidigare13. Genom tillämpningen av det beskrivna protokollet gjordes emellertid information om Wi-Fi-anslutning, Wi-Fi-signalstyrka, batterikapacitet och om enheten laddades eller inte också tillgänglig. Data om dessa ytterligare variabler synkroniserades inte automatiskt med den molnbaserade databasen utan måste laddas ner manuellt från varje smartwatch via Bluetooth efter studieperiodens slut. Genom att jämföra de data som samlats in under en varaktighet av 2 veckor före och 2 veckor efter protokollimplementeringen utvärderade vi effekten av dessa lösningar för att förbättra datafullständigheten, definierad som procentandelen tid med insamlade data per dag. Figur 7A visar procentandelen tid med data före och efter protokollimplementering för varje deltagare separat, medan figur 7B visar motsvarande fördelningar av procentandelen tid med data för hela gruppen före och efter protokollimplementeringen. Intressant nog ledde protokollimplementeringen till en statiskt signifikant ökning av datafullständigheten, med andelen tid med data som ökade från en median på 36,5% (min: 9,3%, max: 68,1%) till en median på 48,9% (IQR: 18,4%, 77,8%, p = 0,013).
Vidare presenterar vi i figur 8 ett extremt fall av dålig GPS-data som samlats in under 24 timmar från en enda patient med AF som deltar i studien. Även om patienten hade på sig klockan enligt instruktionerna, var den faktiska råa GPS-signalen som samlades in utspridd över 24 timmar (figur 8A), och uppskattningen av tiden inomhus och tiden utomhus var svår. Implementeringen av en GPS-datafyllningsalgoritm (kompletterande figur 1) gör det möjligt att ersätta saknade data med uppskattade värden (figur 8B). Bekräftelse på att den beräknade tiden inomhus och den beräknade tiden utomhus var korrekta gavs av den loggade smartwatch-anslutningen med Wi-Fi-nätverkssignalen (figur 8C). För samma patient visar vi också upp ett annat extremfall av en dag med dåliga GPS-data insamlade (figur 9A). Men i det här fallet uppskattade implementeringen av GPS-datafyllningsalgoritmen ensam inte exakt alla saknade data. Karaktäristiskt uppskattade algoritmen korrekt att deltagaren mestadels var utanför sin bostad mellan cirka 09:00 och 21:00 den dagen och att de återvände hem under en kort period runt 18:00, men det lyckades inte fånga att deltagaren också återvände hem under en period av cirka 90 min cirka 13:30 (Figur 9B). Ändå missades inte denna händelse när data om smartwatch-anslutning med Wi-Fi-nätverkssignalen också beaktades (figur 9C).
Efter framgångsrika pilotförsök genomfördes protokollet slutligen i hela kohorten av Medea-deltagare under våren 2020 i både Cypern och Grekland (n = 108 astmatiska barn). Men några veckor efter att smartklockorna distribuerades till barnen och datainsamlingen började, verkställde hälsomyndigheterna på Cypern och Grekland en rad folkhälsoinsatser av ökande intensitet för att kontrollera COVID-19-pandemin i sina respektive länder. Folkhälsoinsatserna kännetecknades ursprungligen av sociala distansåtgärder och ett förbud mot stora offentliga evenemang men eskalerade snabbt till strikta nationella lockdowns under månaderna mars och april. Med tanke på de oöverträffade störningarna i befolkningens dagliga rutin och beteende togs beslutet att fortsätta spåra platsen och aktiviteten hos astmatiska barn som använder smartklockorna under låsningstiden för att objektivt kvantifiera deras överensstämmelse med folkhälsointerventionsåtgärderna och övergripande förändringar i fysisk aktivitet. De insamlade uppgifterna användes för att beräkna individuella profiler av daglig "bråktid hemma" och "totala steg / dag" och analyserades statistiskt för att bedöma förändringar i dessa parametrar över de eskalerande nivåerna av COVID-19-låsningsåtgärderna. Tidslinjen och beskrivningen av de eskalerande nivåerna av covid-19-nedstängningsåtgärderna i de två länderna presenteras i figur 10 och beskrivs i detalj av Kouis m.fl. i en tidigare publikation13. Sammanfattningsvis indikerade resultaten en statistiskt signifikant genomsnittlig ökning av "bråkdelen av tiden hemma" i båda länderna över de ökande interventionsnivåerna. Den genomsnittliga ökningen av "bråkdelen av den tid som tillbringas hemma" var lika med 41,4 % och 14,3 % (på nivå 1), 48,7 % och 23,1 % (på nivå 2) och 45,2 % och 32,0 % (på nivå 3) för Cypern respektive Grekland. Fysisk aktivitet i Cypern och Grekland uppvisade signifikanta genomsnittliga minskningar på −2 531 och −1 191 steg/dag (på nivå 1), −3 638 och −2 337 steg/dag (på nivå 2) och −3 644 och −1 961 steg/dag (på nivå 3) i Cypern respektiveGrekland 13. Veckogenomsnitten för "bråkdel av tiden hemma" och "totalt antal steg/dag" hos astmatiska barn före covid-19 och under de tre nivåerna av covid-19-nedstängningsåtgärder visas i figur 11 13.
MEDDELANDE OM DATATILLGÄNGLIGHET:
Den anonymiserade datauppsättningen har skickats till Figshare online open-access repository (https://doi.org/10.6084/m9.figshare.21601371.v3).
Tabell 1: Verkliga utmaningar som identifierats i samband med användningen av smartwatch-enheter och de lösningar som används. Klicka här för att ladda ner den här tabellen.
Bild 1: Aktivera datainsamlingsprogrammet. Schematiskt diagram över processen för att systematiskt aktivera datainsamlingsprogrammet. Parallellogrammet betecknar en utlösare, diamanten betecknar ett villkor och rektangeln betecknar en åtgärd. Klicka här för att se en större version av denna figur.
Bild 2: Aktivera Wi-Fi-anslutning. Schematiskt diagram över processen för att systematiskt aktivera Wi-Fi-anslutning. Parallellogrammet betecknar en utlösare, diamanten betecknar ett villkor och rektangeln betecknar en åtgärd. Klicka här för att se en större version av denna figur.
Bild 3: Optimera batteriförbrukningen. Schematiskt diagram över de processer som leder till åtgärder som systematiskt optimerar batteriförbrukningen. Parallellogrammet betecknar en utlösare, diamanten betecknar ett villkor och rektangeln betecknar en åtgärd. Klicka här för att se en större version av denna figur.
Bild 4: Loggning av händelseinformation. Schematiskt diagram över de processer som systematiskt loggar händelseinformation som är relevant för projektet. Parallellogrammet betecknar en utlösare, diamanten betecknar ett villkor och rektangeln betecknar en åtgärd. Klicka här för att se en större version av denna figur.
Bild 5: Användarmeddelande om GPS-signalen är inaktiverad. Schematiskt diagram över de processer som systematiskt kontrollerar GPS-signalstatusen och ger meddelanden för att varna användare om problem. Parallellogrammet betecknar en utlösare, diamanten betecknar ett villkor och rektangeln betecknar en åtgärd. Klicka här för att se en större version av denna figur.
Bild 6: Schematisk översikt över protokollen. Schematisk översikt över de underliggande utmaningar som identifierats och de tillhandahållna protokollen med en illustration av de viktigaste stegen i processerna. Klicka här för att se en större version av denna siffra.
Figur 7: Datafullständighet före och efter genomförandet av protokollet. Datafullständighet för en representativ grupp deltagare (n = 17) under en period av 2 veckor före och efter genomförandet av protokollet. (A) Procentandelen tid med data före och efter protokollets genomförande för varje deltagare separat. (B) Motsvarande fördelningar för hela gruppen. Klicka här för att se en större version av denna siffra.
Figur 8: Implementering av GPS-datafyllningsalgoritmen (extremfall 1). (A) Exempel på en dag med dåliga råa GPS-signaldata och (B) implementeringen av GPS-datafyllningsalgoritmen för att ersätta saknade data med uppskattade värden. (C) Bekräftelse av inomhus- och utomhusklassificeringar baserat på den wi-fi-mottagningssignalindikatorn. Klicka här för att se en större version av denna siffra.
Figur 9: Implementering av GPS-datafyllningsalgoritm (extremfall 2). (A) Exempel på en dag med dåliga råa GPS-signaldata och (B) implementeringen av GPS-datafyllningsalgoritmen för att ersätta saknade data med uppskattade värden. (C) GPS-datafyllningsalgoritmen ledde till viss felklassificering inomhus och utomhus, vilket löstes med hjälp av den Wi-Fi-mottagna signalindikatorn. Klicka här för att se en större version av denna siffra.
Figur 10: Tidslinje för folkhälsoinsatser i Cypern och Grekland. Tidslinje för studieinspelningarna i samband med införandet av folkhälsointerventioner i (A) Cypern och (B) Grekland under mars och april 2020.Bilden återges under licens CC BY 4.0, utan några ändringar, från den ursprungliga studien av Kouis et al., först publicerad i Scientific Reports Journal13. Klicka här för att se en större version av denna siffra.
Figur 11: Förändringar i rörlighet som svar på folkhälsoinsatser bland astmatiska barn. Veckogenomsnitt för den bråkdel av tiden som tillbringas hemma och steg/dag för astmatiska barn före och under de tre nivåerna av folkhälsoinsatser i A) Cypern och B) Grekland. Bilden återges under licens CC BY 4.0, utan några ändringar, från den ursprungliga studien av Kouis et al., först publicerad i Scientific Reports Journal13. Klicka här för att se en större version av denna siffra.
Kompletterande figur 1: Implementeringen av en GPS-datafyllningsalgoritm. Klicka här för att ladda ner den här filen.
Kompletterande fil 1: De makron som beskrivs i det här protokollet. Klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bärbara sensorer är användbara verktyg som möjliggör kontinuerlig och icke-invasiv övervakning av hälsoparametrar och patientbeteende. Kommersiella smartklockor, som är utrustade med en mängd olika sensorer, ger ett lovande alternativ till traditionella datainsamlingsmetoder, och deras användning i klinisk forskning och folkhälsoforskning förväntas bara öka till följd av ökad variation och kvalitet på inbyggda sensorer, starkare partnerskap mellan den akademiska industrin och sänkta detaljhandelspriser14 . I denna studie belyser vi verkliga utmaningar som kan påverka rekrytering, användarefterlevnad och datakvalitet i befolkningsstudier och ger exempel på enkla och kostnadseffektiva lösningar för att övervinna dem på fältet. Implementeringen av detta protokoll under utrullningen av studien13 ledde till avsevärt förbättrade resultat när det gäller datafullständighet och datakvalitet. De mest kritiska stegen i protokollet är steg 2.2 (som säkerställer systematisk aktivering av datainsamlingsprogrammet med jämna tidsintervall), steg 2.5 (som ger en separat logg över viktiga händelser om smartwatch-status) och steg 5.2.8 (som möjliggör oavbruten drift av smartwatch-bakgrundsprocesserna).
Tidigare har flera studier behandlat giltigheten av konsumentbärbara enheter för en mängd olika hälso- och aktivitetsslutpunkter, och resultaten syntetiserades nyligen i en stor systematisk genomgång och metaanalys15. Av de totalt 169 studier som identifierades i den systematiska översikten involverade dock endast 48 populationer i en fri livsmiljö, medan endast 36 studier involverade populationer med någon form av rörelsebegränsning eller en kronisk sjukdom. Även om författarna drog slutsatsen att de kommersiella enheterna totalt sett är korrekta för att mäta steg och hjärtfrekvens, särskilt i laboratoriebaserade miljöer, betonade de risken för överskattning eller underskattning i fria livsmiljöer, medan skillnader i användbarhet och validitet av mätningar mellan friska kontroller och kroniska patienter inte undersöktes15 . Båda punkterna är särskilt viktiga eftersom ett av huvudargumenten för att övergå till digital hälsa är att möjliggöra övervakning av patienter med kroniska sjukdomar utanför vårdmiljöer16.
Ändå har vissa tidigare studier fokuserat på och kvantifierat problem som deltagare och forskare stött på under lanseringen av kliniska studier i fria livsmiljöer med konsumentbärbara enheter17,18,19. I en väl genomförd genomförbarhetsstudie som involverade ett litet antal deltagare (n = 26) men observerade dem under en betydande tidsperiod (3 månader) rapporterade Beukenhorst et al. att patienterna i genomsnitt bar klockan på 73% av dagarna och att tillfällig och permanent icke-användning ökade under studieveckorna17.
rapporterade att av totalt 230 individer som rekryterades i studien och försågs med en smartklocka använde endast 130 (57%) den minst en gång och överförde framgångsrikt vissa data18. Dessutom har vissa studier också belyst det faktum att det under genomförandefasen krävs intensivt tekniskt stöd18,19. Karaktäristiskt nog, i Parkinson@Home-studien, rapporterade författarna en 88% datafullständighet men betonade också att nästan alla deltagare krävde minst ett supportsamtal för felsökning av enheter under 3 månaders studieperiod19. Vi rapporterade en liknande upplevelse i vår studie13, även om officiella register över felsökningssamtal och hembesök inte fördes.
I vår studie fokuserade vi också på datakvalitetsfrågor relaterade till GPS-signaler. Vi var tvungna att konstruera individuella deltagarexponeringar i mikromiljöer utomhus och inomhus (hemma), en uppgift som kompliceras av den frekventa och ihållande signalförlusten, särskilt i inomhusmiljöer, och av denna anledning utvecklade vi en datafyllningsalgoritm, som föreslagits i tidigare studier20,21. Även om algoritmen fungerade ganska bra, förbättrade införandet av en Wi-Fi-mottagen signalstyrkaindikator, som samlats in av tasker-applikationen, algoritmens prestanda avsevärt och minimerade i stor utsträckning felklassificering. Användningen av denna Wi-Fi-mottagningssignalstyrkaindikator har också visats i tidigare studier med fokus på inomhuslokalisering22,23, och i kombination med GPS-mätningar kan denna indikator ge en giltig mätning av 24 timmars individuell exponering för mikromiljöer utomhus och inomhus.
Slutligen implementerades och testades protokollet som föreslås här under verkliga förhållanden våren 2020 både hos barn och äldre individer. Även om varje lösning som föreslås är enkel och inte kräver tidigare programmeringskunskaper, tog alla lösningar tillsammans upp alla de viktigaste problemen som identifierats, särskilt genom att förbättra och systematisera datainsamlingen, minska batteriförbrukningen, blockera oönskade applikationer och smartwatch-inställningar och förbättra GPS-signalen. Processerna, som beskrivs i protokollet, testades dock endast med en smartwatch-enhet med Android version 7.1.1. Även om det är möjligt att den direkta replikeringen av dessa processer kommer att vara möjlig med andra Android-versioner, kan vi inte utesluta möjligheten att vissa justeringar kan krävas, och som ett resultat kan protokollets direkta generaliserbarhet vara begränsad. Dessutom kan protokollet behöva ändras för att återspegla variationer i de tekniska specifikationerna för andra smarttelefonenheter. Till exempel kan tidsutlösaren för datainsamling ställas in enligt smartwatch-enhetens batterikapacitet eller beroende på den tidsupplösning som krävs för de insamlade variablerna. Ändå, även om tillämpningen av detta protokoll på en annan smartphone-enhet eller en annan Android-version kan kräva felsökning och modifiering av några av de enskilda stegen, måste totalt sett liknande steg vidtas (eller det måste bekräftas att vissa steg inte krävs) under installationen av någon smartwatch innan den ges till en studiedeltagare. Detaljnivån i protokollet möjliggör enkel anpassning av dessa lösningar till alla smartwatch-enheter. Dessutom syftade detta arbete inte till och var ursprungligen inte utformat för att bedöma orsakerna som kan påverka användarnas efterlevnad av bärbara enheter under utförandet av befolkningsstudier. Framtida studier med lämpliga verktyg och metoder krävs för att ytterligare undersöka detta ämne. Sådana studier kan ge de ytterligare bevis som behövs för att effektivt förbättra de befintliga metoderna för att integrera bärbara enheter i forskningsstudier, särskilt under verkliga förhållanden.
För närvarande är de befintliga metoderna ganska begränsade och omfattar främst utvecklingen av ett utökat stödsystem (grundutbildning, en användarmanual, en hjälplinje och besök på plats)19. Dessutom belyste en tidigare studie att i digitaliserade kliniska prövningar bör en betydande avhoppsfrekvens förväntas och a priori beredskapsplaner, såsom tillgång till en bredare deltagarrekryteringspool, krävs18. Införlivandet av de lösningar som presenteras i denna studie kan komplettera och, mer kritiskt, minska belastningen på det utökade stödsystemet samtidigt som datafullständigheten och datakvaliteten ökar. Dessutom, baserat på observationer från Galarnyk et al., kan det ytterligare säkerställa efterlevnad och minska antalet avhopp18 genom att göra initieringen av enhetsanvändning så enkel som möjligt. Slutligen omfattar framtida tillämpningar av vissa av dessa lösningar, särskilt användningen av applikationer för enhetsautomatisering, ytterligare anpassning av kommersiella enheter för att stödja rörlighet hos äldre eller personer med funktionsnedsättning24,25, stödja system för tidig varning 26 och säkerställa Bluetooth- och Wi-Fi-anslutning i IoB-applikationer (Internet of Bodies)27.
Sammanfattningsvis tillhandahåller detta arbete ett protokoll som innehåller enkla och kostnadseffektiva lösningar på verkliga utmaningar som påverkar rekrytering, efterlevnad och datakvalitet i befolkningsstudier som använder bärbara konsumentenheter. Protokollet förlitar sig på fritt tillgängliga programvaruverktyg och kräver inga tidigare programmeringskunskaper. Detta tillvägagångssätt kan enkelt replikeras eller anpassas av hälsoforskare som arbetar med bärbara enheter inom klinisk forskning och folkhälsa.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inga intressekonflikter att deklarera.
Acknowledgments
Författarna är tacksamma mot alla deltagare och deras familjer, liksom mot den undervisande och administrativa personalen på de deltagande grundskolorna på Cypern och Grekland. Studien finansierades av Europeiska unionens Life-projekt MEDEA (LIFE16 CCA/CY/000041).
Materials
| Name | Company | Catalog Number | Comments |
| APK Extractor | Meher | Version 4.21.08 | Application |
| Charger/Adaptor with data cable | Jiangsu Chenyang Electron Co. Ltd | C-P17 | Charger |
| Embrace application | EmbraceTech LTD | Version 1.5.4 | Application |
| LEMFO LF25 Smartwatch | Shenzhen domino Times Technology Co. Ltd | DM368 Plus | Smartwatch |
| Lock App - Smart App Locker | ANUJ TENANI | Version 4.0 | Application |
| Macrodroid-Device Automation | ArloSoft | Version 5.5.2 | Application |
| Xiaomi Redmi 6A | Xiaomi | M1804C3CG | Smartphone |
References
- Alami, H., Gagnon, M. P., Fortin, J. P. Digital health and the challenge of health systems transformation. mHealth. 3, 31 (2017).
- Dunn, J., Runge, R., Snyder, M.
- Bietz, M. J., et al. Opportunities and challenges in the use of personal health data for health research. Journal of the American Medical Informatics Association. 23, 42-48 (2016).
- Coughlin, S. S.
- Munos, B., et al. Mobile health: The power of wearables, sensors, and apps to transform clinical trials. Annals of the New York Academy of Sciences. 1375 (1), 3-18 (2016).
- Reeder, B., David, A. Health at hand: A systematic review of smart watch uses for health and wellness. Journal of Biomedical Informatics. 63, 269-276 (2016).
- Trifan, A., Oliveira, M., Oliveira, J. L. Passive sensing of health outcomes through smartphones: Systematic review of current solutions and possible limitations. JMIR mHealth and uHealth. 7 (8), 12649 (2019).
- Rodgers, M. M., Alon, G., Pai, V. M., Conroy, R. S. Wearable technologies for active living and rehabilitation: current research challenges and future opportunities. Journal of Rehabilitation and Assistive Technologies Engineering. 6, 2055668319839607 (2019).
- Huberty, J., Ehlers, D. K., Kurka, J., Ainsworth, B., Buman, M. Feasibility of three wearable sensors for 24 hour monitoring in middle-aged women. BMC Women's Health. 15, 55 (2015).
- Schall, M. C., Sesek, R. F., Cavuoto, L. A. Barriers to the adoption of wearable sensors in the workplace: A survey of occupational safety and health professionals. Human Factors. 60 (3), 351-362 (2018).
- Henriksen, A., et al. Using fitness trackers and smartwatches to measure physical activity in research: Analysis of consumer wrist-worn wearables. Journal of Medical Internet Research. 20 (3), 9157 (2018).
- Kouis, P., et al. The MEDEA childhood asthma study design for mitigation of desert dust health effects: Implementation of novel methods for assessment of air pollution exposure and lessons learned. BMC Pediatrics. 21, 13 (2021).
- Kouis, P., et al. Use of wearable sensors to assess compliance of asthmatic children in response to lockdown measures for the COVID-19 epidemic. Scientific Reports. 11, 5895 (2021).
- Arigo, D., et al. The history and future of digital health in the field of behavioral medicine. Journal of Behavioral Medicine. 42 (1), 67-83 (2019).
- Fuller, D., et al. Reliability and validity of commercially available wearable devices for measuring steps, energy expenditure, and heart rate: Systematic review. JMIR mHealth and uHealth. 8 (9), 18694 (2020).
- Majumder, S., Mondal, T., Deen, M. J. Wearable sensors for remote health monitoring. Sensors. 17 (1), 130 (2017).
- Beukenhorst, A. L., et al. Engagement and participant experiences with consumer smartwatches for health research: Longitudinal, observational feasibility study. JMIR mHealth and uHealth. 8 (1), 14368 (2020).
- Galarnyk, M., Quer, G., McLaughlin, K., Ariniello, L., Steinhubl, S. R. Usability of a wrist-worn smartwatch in a direct-to-participant randomized pragmatic clinical trial. Digital Biomarkers. 3 (3), 176-184 (2019).
- de Lima, A. L. S., et al. Large-scale wearable sensor deployment in Parkinson's patients: The Parkinson@ home study protocol. JMIR Research Protocols. 5 (3), 5990 (2016).
- Steinle, S., Reis, S., Sabel, C. E. Quantifying human exposure to air pollution-Moving from static monitoring to spatio-temporally resolved personal exposure assessment. Science of the Total Environment. 443, 184-193 (2013).
- Dias, D., Tchepel, O. Modelling of human exposure to air pollution in the urban environment: a GPS-based approach. Environmental Science and Pollution Research. 21 (5), 3558-3571 (2014).
- Chen, W., Kao, K., Chang, Y., Chang, C. An RSSI-based distributed real-time indoor positioning framework. 2018 IEEE International Conference on Applied System Invention (ICASI). , 1288-1291 (2018).
- Nagah Amr, M., El Attar, H. M., Abd El Azeem, M. H., El Badawy, H. An enhanced indoor positioning technique based on a novel received signal strength indicator distance prediction and correction model. Sensors. 21 (3), 719 (2021).
- Lancioni, G. E., et al. An upgraded smartphone-based program for leisure and communication of people with intellectual and other disabilities. Frontiers in Public Health. 6, 234 (2018).
- Lancioni, G. E., et al. People with intellectual and visual disabilities manage functional occupation via basic technology providing spatial cues and timely repetition of response-related instructions. Advances in Neurodevelopmental Disorders. 6 (1), 11-19 (2022).
- Rao, S. IoT enabled wearable device for COVID safety and emergencies. International Journal of Interactive Mobile Technologies. 3 (3), 146-154 (2021).
- Brunschwiler, T., et al. Internet of the body-Wearable monitoring and coaching. 2019 Global IoT Summit (GIoTS). , 1-6 (2019).
