Yöntem makalesi

Gerçek Dünya M3-BREATHE: Tedavi ve Sağlık Değerlendirmesi için Davranış, Soluum ve Maruziyetlerin Çok Modlu Mobil İzlemesine Doğru

207 görüntülenme

⸱

DOI:

10.3791/69900

⸱

5 Haziran 2026

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

Bu makalede

Özet

M3-BREATHE, gerçek dünyada kişiselleştirilmiş tedavi ve sağlık değerlendirmesi için solunum, davranış ve çevresel maruziyetleri izlemek amacıyla giyilebilir sensörleri entegre eden mobil sağlık (mHealth) sistemidir.

Özet

Fizyolojik ve davranışsal sinyallerin sürekli ve gerçek zamanlı izlenmesi için mobil sağlık (mHealth) teknolojilerinin entegrasyonu, çevresel maruziyetlerin detaylı ölçümüyle birlikte, kişiselleştirilmiş sağlık risk değerlendirmesini ilerletmek ve daha etkili tedavi ile müdahale mümkün kılmak için dönüştürücü potansiyele sahiptir. Bu protokolde, bireysel davranış (günlük aktiviteler ve seyahat), solunum fonksiyonu, fizyolojik parametreler ve çevresel maruziyetler hakkında verileri yakalamak ve entegre etmek için özel olarak tasarlanmış çok modlu mobil izleme sistemi sunuyorum. Sistem, mobil sağlık cihazlarını ve taşınabilir çevresel sensörleri GPS destekli akıllı telefon tabanlı uygulamalarla birleştirerek senkronize ve yüksek çözünürlüklü veri akışları üretiyor. Bu veriler, fizyolojik parametre hesaplamaları (örneğin, fiziksel aktivite yoğunluğu, solunum hızı) ve dış kentsel çevre verileri (örneğin, kentsel yeşil alanlar, sokak görünüm haritaları) dahil edilerek akıllı bir cep telefonu uygulaması aracılığıyla işlenir; ardından solunum sağlığı, günlük aktiviteler ve hareketlilik kalıpları ile risk faktörlerine maruz kalma hakkında uygulanabilir içgörüler sağlamak için makine öğrenimi tabanlı uyarı sistemi devreye alınır. Protokol, hem kontrollü klinik deneylerde hem de gerçek dünya bağlamlarında Tedavi ve Sağlık Değerlendirmesi (M3-BREATHE) için Multimodal Mobil Davranış, Solunum ve Maruziyetlerin (hava kirliliği, gürültü, ışık, ısı, yeşillik vb.) uygulanması için gerekli donanım kurulumu, yazılım yapılandırması, veri toplama prosedürleri ve analitik iş akışları hakkında kapsamlı ve ayrıntılı rehberlik sağlar. Bu ileriye dönük M3-BREATHE platformu, günlük yaşamda bireysel düzeyde hassas sağlığı popülasyon ölçeğinde uzun vadeli sağlık zekası ile ilişkilendirerek, uzunlamasına çevre-hareketlilik-sağlık (E-M-H) izleme için ölçeklenebilir, invaziv olmayan ve maliyet etkin bir yaklaşım kurar.

Giriş

Çevre ve sağlık arasındaki nüfus düzeyinde ve bölge bazlı ilişkileri vurgulayan geleneksel mekansal epidemiyolojinin ötesine geçerek, odak şimdi bireysel düzeyde ve hareketlilik temelli ilişkiler ve süreçler 1,2,3,4 incelemeye kaymaktadır. Bu değişim, birbirleriyle bağlantılı birkaç temel metodolojik sorunun yanı sıra daha kesin ve bağlam duyarlı yaklaşımlar için ortaya çıkan fırsatlar tarafından yönlendirilmektedir.

İlk olarak, değiştirilebilir alan birim problemi (MAUP), alan veya bölge tabanlı verilerin analizinde, verilerin bildirildiği alan birimlerinin tanımından etkilenebileceğisorunu ifade eder 5,6. Bu, mekansal veri analiziyle ilgili iki ayrı ama birbiriyle ilişkili soruna uygulanır. İlki, aynı alan veri setinin daha büyük alan birimlerinden oluşan birkaç kümeye toplandığı "ölçek problemi"dir; her kombinasyon farklı veri değerleri ve çıkarımlara yol açar. MAUP'nin ikinci yönü ise "imar problemi"dir; burada belirli bir alan birimi kümesi aynı büyüklükte ancak farklı konumlanmış bölgelere yeniden birleştirilir; bu da veri değerlerinde farklılıklara ve dolayısıyla farklı sonuçlara yolaçar 7,8. Çalışmanın alan veya bölge tabanlı verilerin ilerletilmesine katkısı üzerine sorgulamaları ele almak için, MAUP'un etkisini en aza indirmek için iki yöntem durmaksızın tartışılmaktadır. Bunlardan biri, alan içi homojenliğin maksimize edilmesidir. Doğru alan biriminin seçilmesi, çevresel maruziyet ve farklılık göstermeyen maruziyet yanlış sınıflandırma ölçüm hatasını sağlık üzerindeki bağlamsal etki tahmin ederken en azaindirecektir 9,10,11. Ancak, mekânsal birimler içindeki hava kirliliğine maruz kalma heterojenliği yine de hatalara yol açabilir. Bu nedenle, başka bir yöntem çerçeveden bağımsız uzamsal veri temsili ve analizibiçimlerine doğru ilerlemekte 12,13. Bağlamların geleneksel alan temelli anlayışının ötesine geçerek, bireysel ölçümler bağlamsal faktörlerin öznitelik homojenliğini ve mekansal yakınlığını hesaba katır ve çevresel maruziyetlerin sağlık üzerindeki etkilerini incelerken, ölçekten bağımsız veya ölçeksiz sağlam bir analitik ölçümsunabilir. 14,15,16.

İkinci olarak, Belirsiz Coğrafi Bağlam Problemi (UGCoP), alan tabanlı bağlamsal değişkenlerin bireysel davranışlar veya sonuçlar üzerindeki etkilerine ilişkin bulguların, bağlamsal birimlerin (örneğin, mahalleler) coğrafi olarak nasıl tanımlandığı ve bu alan birimlerin gerçek coğrafi bağlamdan ne ölçüde saptığı ile ilgili olarak etkilenebileceğisorununu ifade eder 17,18. Tipik bir örnek olarak, bireylerin hava kirliliğine maruz kalma maruziyetinin değerlendirilmesi, evlerinden çok zaman ayıran kişilerin iş, boş zaman vb. için konut alanlarının kullanılması yanlış olabilir; bu durum "gerçek nedensel olarak ilgili" coğrafi bağlamdan çok uzaktır 18,19. İnsanların çevresel maruziyetlerinin ve sağlık etkilerinin doğru değerlendirilmesini etkileyen bağlamsal belirsizlikleri azaltmak için, belirli sabit konumların (örneğin, konut konumu, işyeri) kullanılmasına dayanan bağlamsal etkiler kavramlarının ötesine geçen hareketlilik temelli ölçümlerin benimsenmesi gereklidir.16,20. Hava kirliliği ve insan hareketliliğindeki uzaylı-zaman değişkenliğinin ihmal edilmesi, bireysel maruziyettahminlerinde (21,22,23,24) ve çevresel adaletindeğerlendirilmesinde (25,26) önemli hatalara yol açabileceği için, çevresel maruziyetler ile sağlık sonuçları arasındaki ilişkiyi anlamak için hareketlilik temelli yüksek çözünürlüklü uzay-zaman verilerinin toplanması gereklidir. Bir diğer zorluk ise, çevresel veri setleri ile vücut üzerindeki sensörde toplanan bireysel düzeyde biyometrik ölçümler arasındaki mekansal uyumsuzluktur. Sokak görünümü görüntüleri, insan görsel ölçeğinde ince taneli çevresel karakterizasyon sağlarken, uydu kaynaklı bitki örtüsleri (örneğin NDVI) daha kaba çözünürlüklerde (10–250 m) daha geniş kapsama sunarken, her ikisi de hareketlilik yörüngelerini fizyolojik ve davranışsal verilerin kaydedildiği tam olarak çevresel maruziyetlerle ilişkilendiren açık mekansal hizalama stratejileri gerektirir. Bu ölçek uyumsuzluğunu ele almak, hareketlilik yörüngelerini fizyolojik ve davranışsal verilerin kaydedildiği tam olarak çevresel maruziyetlerle ilişkilendiren açık mekansal hizalama stratejileri gerektirir.

MAUP ve UGCoP'ın yarattığı zorluklara yanıt olarak, çevre sağlığıyla ilgili birçok disiplinden araştırmacılar, çevresel maruziyetler ile sağlık sonuçları arasındaki davranışsal süreçler üzerine çalışmalara giderek daha fazla katılarak, bireysel düzeyde hareketlilik temelli çerçevelere (1,27,28,29) geçmektedir . Çevre-hareketlilik-sağlık (E-M-H) bağlantısına artan ilgiyle birlikte, mevcut literatür ağırlıklı olarak ya öncül (çevre-hareketlilik)alanı 17,30,31,32 ya da sonuç olarak (hareketlilik-sağlık) alanı 33,34,35 üzerine yoğunlaşmıştır , oysa üç alanı kapsayan bütünleşik çalışmalar sınırlı kalır. Buna rağmen, bireylerin günlük aktiviteleri ve seyahatleri, çevresel maruziyetlerin sağlık sonuçları üzerindeki doz-tepki etkilerini önemli ölçüde şekillendirmiştir. Bireylerin 24 saat boyunca faaliyetlerini nerede, ne zaman ve nasıl projeksiyon, planlama ve yürütmeleri, çevresel risklere maruz kalmaları ve bunun sonucunda ortaya çıkan sağlık sonuçlarıyla yakındanilişkilidir 17,18,36. Ayrıca, bir diğer kritik boşluk ise, sağlık sonuçlarının gerçek zamanlı izleme ve uzunlamasına takibi arasında bağlantılı uygulanabilir analitik çerçeve sunan çok az çalışmanın tedavi ve müdahaleler için sağlam ve uygulanabilir kanıt üretme yeteneğini sınırlamasıdır. Bununla birlikte, bu boşlukların giderilmesi sadece çevre-sağlık değerlendirmelerinin doğruluğunu artırmakla kalmaz, aynı zamanda günlük aktivitelerin ve seyahatin aracı rolünü ve karmaşık E-M-H37 bağlantısında altta yatan davranışsal süreçleri ortaya çıkarır; böylece kişiselleştirilmiş, hareket kabiliyeti odaklı tedavi ve müdahaleler için güçlü bir gerekçe sağlar; bu, maruz kalma risklerini azaltmaya ve sağlık sonuçlarını teşvik etmeye yönelik müdahaleler için güçlü bir gerekçe sağlar.

Mobil ve giyilebilirteknolojilerin (38,39) özellikle mobil sağlık (mHealth)cihazları 40,41,42 ve taşınabilir çevreselsensörlerin (43,44,45) yükselişi, bireylerin davranışlarını, çevresel maruziyetlerini ve fizyolojik metriklerini eşzamanlı olarak izlemek için yeni yaklaşımlar mümkün kıldı. Akıllı telefon uygulamalarıyla entegrasyon sayesinde, katılımcılar sağlık durumlarını, tıbbi geçmişlerini (örneğin solunum ve kardiyovasküler hastalıklar), öznel fizyolojik deneyimleri ve çevresel risk algılarını belgeleyebilir; böylece makine öğrenimi tabanlı veya kural tabanlı yaklaşımlarla daha hassas ve kişiselleştirilmiş risk değerlendirmesi ve uyarı yapılmasını sağlar. Burada, Tedavi ve Sağlık Değerlendirmesi için Gerçek Dünya Çok Modal Mobil Davranış, Solunum ve Maruziyetler (hava kirliliği, gürültü, ışık, ısı, yeşillik vb.) izleme (M3-BREATHE) yöntemini tanıtıyorum. Uçtan uca protokol, M3-BREATHE'nin kurulumu için donanım kurulumu, yazılım yapılandırması, veri toplama prosedürleri ve analitik iş akışları hakkında kapsamlı rehberlik sağlar. Bu protokol, çevresel sağlık, ulaşım coğrafyası ve kişiselleştirilmiş tıp alanlarında kontrollü klinik deneyler (kısa vadeli, yüksek isabetli izleme) veya gerçek dünya uzunlamasına çalışmaları (uzun vadeli, göze çarpmayan izleme) yapan araştırmacılar için uygundur, ancak ultra yüksek hassasiyetli laboratuvar düzeyinde solunum ölçümü gerektiren çalışmalar (örneğin, invaziv akciğer fonksiyon testi) için önerilmez.

Protokol

Bu protokolün araştırma amaçları için, ister kontrollü klinik deneylerde ister gerçek dünya bağlamında, önceden onay alınarak ve araştırmacıların kurumsal insan araştırmaları etik komitesinin yönergelerine uygun olarak yürütülmelidir. Anket başlamadan önce katılımcıdan bilgilendirilmiş onay alınmalıdır. Bu makalenin ampirik araştırması, Pekin Üniversitesi İnsan Araştırmaları Etik Komitesi'nin yönergelerini takip etmektedir. Bu protokolü kullanan tüm katılımcı tabanlı araştırmalar, araştırmacının kurumsal araştırma etik komitesinden önceden etik onay almalıdır. Tüm katılımcılar, herhangi bir veri toplama prosedüründen önce yazılı bilgilendirilmiş onay sunmalıdır. Önerilen ekipman ayarları Malzemeler Tablosu'nda listelenmiştir.

1. Giyilebilir mobil sağlık cihazları kurulumu

  1. Göğüste aşınan solunum sensörü sistemi
    1. Katılımcıya, elektrofizyolojik sinyal alımı için en uygun cilt temasını sağlamak amacıyla sensörle entegre gömlek veya göğüs kayışını doğrudan cildine, kıyafetlerinin altına takmasını talimatlayın.
    2. Gömlek veya askı ayarlayın, böylece doğal nefes alma veya hareketi kısıtlamamasını sağlamak için rahat ve rahat olsun. Sensör deriyle sabit temas kurduğunda ve derin solumda kaydılmadığında ve kaydılmadığında doğru uyum doğrulanır.
    3. Sensörün tam şarj olduğundan ve Bluetooth üzerinden akıllı telefonla başarılı şekilde eşleştirildiğinden emin olun; böylece solunum hızı (dakikada nefes, dakika/nefes), gelgit hacmi (mililitre, mL) ve kalp atış hızı (dakikada vuruş cinsinden, BPM) gerçek zamanlı izleme ve kaydı sağlanabilir. Cihaz saatinin akıllı telefonun sistem zamanıyla senkronize edildiğini doğrulayın, böylece çoklu modal veri akışları arasında doğru zamansal hizalanma sağlanabilir.
      NOT: Solunum hızı ve kalp atış hızı, özellikle uzun vadeli izleme için giyilebilir bileklik cihazları kullanılarak da türetilebilir (bkz. adım 1.2). Solunum hızı, fotopletismografi (PPG) veya kalp atış hızı değişkenliği (HRV) sinyallerindeki solunum kaynaklı varyasyonlara dolaylı olarak hesaplanır (bkz. adım 5.2). Bu alternatif yaklaşım, göğüste taşınan solunum sensörünün uzun süreli kullanımıyla ilgili katılımcı rahatsızlığını ve yükünü azaltmaya yardımcı olabilir.
  2. Akıllı bileklik cihazı kurulumu
    1. Cihaz yerleştirme için birincil yer olarak dominant olmayan bileği seçin ve bilekliği bileğe sıkıca sabitleyin, ulnar stiloid sürecine proksimal olarak sabitleyin.
    2. Çevresel dolaşımı bozmadan optimal fotopletismografi (PPG) sensörü-cilt temasını sağlamak için kayışı ayarlayın. Kayışı sıkı olduğunda uyumu doğrudur ancak bir parmak ucu takılabilir.
    3. Akıllı telefonda eşlik eden uygulamayı açın ve cihazın Bluetooth üzerinden başarılı bağlandığından emin olun.
    4. Uygulamadaki gerçek zamanlı ekrana gidin ve uygulama ayarlarının kalp atış hızı (HR, birimler: dakikada vuruş, BPM), kalp atış hızı değişkenliği (HRV, birimler: milisaniye, ms), tansiyon (BP, birimler: milimetre cıva, mmHg) ve elektrokardiyogram (EKG, birimler: milivolt, mV); algoritmik olarak tahmin edilen solunum hızı (RR, birimler: dakikada nefes, nefes/dakika), kan oksijen doygunluğu (SpO₂, birim: yüzde %, %) ve metabolik eşdeğerler (METs, oran) gibi solunum ve metabolik ölçümler; çevresel cilt sıcaklığı (birimler: derece Celsius, °C); Hızlanma metresinden alınan hareket verileri (ACC, birimler: yerçekimi ivmelenmesi, g).
      NOT: Cihazın arkasındaki PPG sensörü, ciltle sürekli ve düzgün temas kurmalıdır. Zamanla gevşeerse kayışı tekrar sık.

2. Çevresel sensörlerin kurulumu

  1. Çevresel algılama cihazlarını, uygun USB kablolarıyla taşınabilir güç bankasına (10.000 mAh kapasite) bağlayarak 24 saat çalışmayı güvence altına alın. Tüm bağlantıların sağlam olduğundan ve kabloların düzgün yerleştirildiğinden emin olun, böylece hareket sırasında yanlışlıkla bağlantı kesilmesini önleyin.
  2. Çok hava kirletici monitörünü (partikül PM2.5 ve PM10'u μg/m 3'te, karbon monoksit CO'yu ppm, azot dioksit NO2, kükürt dioksit SO₂ ve uçucu organik bileşikleri VOC'leri ppb'de ölçüyor), gürültü sensörü (dB cinsinden) ve sıcaklık sensörü (°C derecede) katılımcının sırt çantasının balık ağı yan cebine yerleştirin. Işık pozlama izleyicisini takın (aydınlatma, lüks, lx; Circadian Light A, CLA, 0-1) sırt çantasının omuz kayışının öne bakan tarafına sıkıca yerleştirilir, böylece sırt çantası engelsiz ileri/dışa doğru konumlandırılır.
  3. Katılımcıya günlük aktiviteleriyle birlikte sırt çantasını taşımasını ve 24 saat seyahat etmesini, ayrıca her gece güç bankasını şarj etmesini söyle. Herhangi bir sorun için bir iletişim numarasını verin.
  4. Tüm sensörlerin açık olduğunu ve gerçek zamanlı veri akışını başarıyla kurup verileri takip eden akıllı telefon uygulamasına iletmesini sağlayacağımızı doğrulayın.
    NOT: Tüm sensörler, katılımcılara teslim edilmeden önce üreticilerinin spesifikasyonlarına göre titiz şekilde kalibre edilmelidir. Düşük maliyetli hava kirliliği sensörlerinin, sensöre özgü düzeltme faktörleri çıkarmak için iki hafta boyunca temsilci bir sitede araştırma düzeyinde bir referans cihazına karşı kollokasyon kalibrasyon testinden geçmeleri önerilir. Ortak yerleştirme prosedürü, düşük maliyetli sensörün referans cihazın yanına (aynı yükseklikte 1 m içinde) yerleştirilmesini ve her ikisinin de en az 14 gün boyunca aynı anda çalışmasını içerir ve çeşitli çevresel koşulları yakalar. Eşleştirilmiş veriler, regresyon analiziyle doğrusal veya doğrusal olmayan düzeltme modelleri (örneğin, Cdüzeltilmiş = (Cham - b)/a) türetilmek için kullanılır. Referans aletlere erişimi olmayan sensörler için, temel kaymayı düzeltmek için HEPA filtreli temiz hava ile sıfır kalibrasyon önerilir. Temel değerlerin kaydedilmesi için temiz hava koşullarında 10–15 dakikalık bir stabilizasyon süresi gereklidir. Her dağıtımdan önce, sensör tepkisi ve veri iletim kararlılığını doğrulamak için önceden bir doğrulama kontrolü yapılmalıdır. Veri toplama sırasında, herhangi bir anormallik, sensör kayması veya bağlantı kesintilerini belgelemek için günlük kalite güvence (QA kayıtları) tutulmalıdır. Sıcaklık ve göreli nem sensörleri (sağlık, birim: yüzde %, %) genellikle hava kirliliği algılama cihazlarında bileşen olarak entegre edilir. Sürekli gürültü maruziyeti, akıllı telefonun dahili mikrofonu ile özel uygulama aracılığıyla alternatif olarak ölçülebilir. Akıllı bileklik ve cep telefonuyla toplanan ışık ve ısı maruziyeti, yüksek tıkanma ve kıyafet ile yerleşim gibi karıştırıcı faktörlere karşı duyarlılık nedeniyle tavsiye edilmez. Uzunlamasına bir çalışma veya uygulama için, çok kirletici izleme için küçük boyutlu entegre modüler bir cihaz önerilir.

3. Akıllı telefon uygulama yapılandırması

  1. Katılımcının akıllı telefonuna M3-BREATHE mobil uygulamasını (Android/iOS için özel olarak geliştirilmiş) yükleyin.
  2. GPS, Bluetooth ve arka plan veri senkronizasyonunu etkinleştirin.
  3. Uygulamayı GPS konum verilerini 1 dakikalık aralıklarla kaydedecek şekilde ayarlayın ve her 5 dakikada bir senkronize olun.
  4. Yüksek zamanlı çözünürlüklü veri yakalamayı sağlamak için her bağlı cihaz için (giyilebilir fizyolojik monitörler ve taşınabilir çevresel sensörler) veri örnekleme hızını 1 Hz (yani saniyede bir örnek) olarak ayarlayın.
  5. Veri kaydını başlatmadan önce tüm ayarların kaydedildiğini doğrulayın.
    NOT: Yapılandırmadan sonra kısa (örneğin, 5 dakikalık) test kaydı yapmak iyi bir uygulamadır. Test veri dosyasını inceleyerek tüm beklenen veri akışlarının (GPS koordinatları, HRV, EKG, hava kirliliği, gürültü vb.) kaydedildiğini, doğru zaman damgası ile belirlendiğini ve tam çalışma sürecine başlamadan önce makul değerler içerdiğini doğrulayın. Yeşillik maruziyetinin, yüksek uzaylı-zamanlı-çözünürlüklü GPS yörünge verilerinin OpenStreetMap gibi coğrafi veri setleri veya uydu kaynaklı bitki örtüsleri (örneğin, bitki örtüsü için NDVI) ile entegre edilmesiyle dolaylı olarak ölçüldüğünü belirtmekte fayda var. Kaba çözünürlüklü çevresel katmanlar (örneğin, 10–250 m arası NDVI) ile bireysel biyometrik ölçümler arasındaki mekansal ölçek uyumsuzluğunu gidermek için, protokol her GPS noktasına en yakın komşu veya tampon ortalaması çıkarma yöntemlerine göre çevresel maruziyet değerleri atar; böylece her fizyolojik ölçümün konumu ve zamanı mekansal hizalanmayı sağlar.

4. Veri Toplama Prosedürleri

  1. Katılımcı katılımı
    1. Katılımcıları hedef popülasyonun temsilini sağlamak için stratifikasyona dayalı örnekleme yöntemiyle arayışın.
    2. Katılımcılara, sensörlerin takılması ve kullanımı ile birlikte gelen akıllı telefon uygulamasının işletilmesiyle ilgili ayrıntılı bir kullanım kılavuzu, bir kılavuz ve tercihen bir eğitim videosu dahil olmak üzere kapsamlı rehberlik materyalleri sunmak.
    3. Uygulama içinde demografik veriler (örneğin, cinsiyet, yaş, boy, kilo, medey durumu), tıbbi geçmiş (örneğin, bulaşıcı olmayan hastalıklar, NCD), solunum sağlığı durumu (ör. sigara içen paket yılları, kronik öksürük veya nefes nefesi) ve diğer kendi rapor edilen sağlık bilgileri (örneğin, genel fiziksel ve zihinsel sağlık, alkol tüketimi, diyet alışkanlıkları, fiziksel aktivite seviyeleri, uyku kalitesi) toplamak için temel sağlık anketi yapın.
      NOT: Genel sağlık için 12 Maddelik Kısa Form Anketi (SF-12)46, Alkol Kullanım Bozuklukları Tanımlama Testi-Tüketim (AUDIT-C)47, Uluslararası Fiziksel Aktivite Anketi-Kısa Form (IPAQ-SF)48 ve Pittsburgh Uyku Kalite Endeksi (PSQI)49 dahil olmak üzere, kendi kendini bildiren sağlık bilgisi toplama için standartlaştırılmış araçlar öneriliyor. Alternatif olarak, kolaylık amacıyla 7 maddelik Likert ölçekleri uygulanabilir.
  2. Günlük İzleme Rutini
    1. Katılımcıya, mobil sağlık fizyolojik sensörlerini takmasını ve portatif çevre izleme cihazlarını (balık ağı cepli sırt çantası) sürekli 24 saat boyunca taşımasını öğretin. Uyku sırasında, çevresel sensörler yatak odasında konumlandırılmalı, özellikle ışık sensörüne dikkat edilerek poz değerlendirmesini sürdürmeli.
    2. Katılımcıya her akşam güç bankasını şarj etmeyi ve kesintisiz çalışma ve veri sağlamak için çevresel sensörlere bağlı kalmasını hatırlatın.
    3. Veri akışı, araştırma ekibi tarafından her 4 saatte bir manuel kontrollerle veya tercihen uygulama içindeki arka uç sisteminden 30 dakikalık veri senkronizasyonu kesintisinden sonra tetiklenen otomatik bir uyarı ile izlenecektir. 30 dakikadan fazla bağlantı kesilirse, katılımcı ile iletişime geçilerek sorun ele alınır.
    4. Katılımcıyı, başvuru içinde her gün akşam bir aktivite-seyahat günlüğü anketi tamamlamaya teşvik edin (şablon Tablo 1'de verilmiştir) böylece günlük aktivite ve hareketlilik bağlamının doğruluğunu artırmak için daha etkili ve hedefli tedavi ve müdahale sağlanır. Her akşam saat 20:00'de otomatik bir hatırlatma (başvuru/SMS) gönderilerek tutarlı uyumu teşvik eder.
      NOT: Zaman damgalarıyla birlikte yörünge haritası içeren etkileşimli bir arayüz, GPS verilerine dayalı makine öğrenimi tabanlı etkinlikler ve yolculuklar tanımlanabilir. İdeal olarak, tavsiye veya hatırlatıcılar başvuru üzerinden katılımcıya otomatik olarak gönderilerek bir sonraki aktivite/gezi olayının gerçekleşmesine yakın bir aktivite veya gezi kaydedilebilir; böylece gün sonu hatırlama yanlılığını azaltabilir. Günlük kaydı pekiştirmek için yatmadan önce son bir inceleme önerilir. Ayrıca, ekolojik anlık değerlendirme (EMA), günde üç kez (örneğin, 8:00, 12:00 ve 16:00) subjektif deneyimleri (örneğin nefes darlığı, yorgunluk, çevresel kirlilik algıları) push bildirimleri yoluyla yakalamak için kullanılabilir.
  3. Veri Senkronizasyonu ve Yedekleme
    1. Toplanan tüm gerçek zamanlı ve etkinlik seyahati günlüğü verileri otomatik olarak Wi-Fi veya hücresel ağ üzerinden güvenli, şifrelenmiş bir bulut sunucusuna senkronize edilir. Bulut veritabanı, veri kaybını önlemek için düzenli otomatik yedeklemelerle yapılandırılmıştır.
    2. Tüm veriler önce akıllı telefonun dahili belleğinde saklanır. Senkronize edilmiş veriler, bulut sunucusunun başarılı doğrulamasından sonra her gün cihazdan otomatik olarak silinir.
    3. Tüm veriler toplanma noktasında anonimleştirilir ve kurumsal sunucularda güvenli bir şekilde saklanır. Verilerin saklanması, iletimi ve bertaraf edilmesi, ev sahibi kurumun veri güvenliği ve gizlilik politikalarına sıkı bir şekilde uygun olarak yönetilir.
      Verilerin özeti ve kaynak Tablo 2'de sunulmaktadır.
Katılımcı KimliğiTarihStartTimeEndTimeAktivite(A)/Trip(T)Etkinlik Türü/Yolculuk Modu
113/08/20250:007:00AUyu
113/08/20257:007:30AKahvaltı
113/08/20257:308:00TToplu taşıma
113/08/20258:0011:30AÇalışmaları
113/08/202511:3011:45TYürüyüş
113/08/202511:4512:45AÖğle Yemeği
113/08/202512:4513:00TYürüyüş
113/08/202513:0017:00AÇalışmaları
113/08/202517:0017:15TBisiklet
113/08/202517:1518:00AYemek Pişirme
113/08/202518:0019:00AAkşam Yemeği
113/08/202519:0021:00ABoş Zaman
113/08/202521:0021:30ABanyo
113/08/202521:3023:59AUyu
114/08/20250:006:30AUyu
114/08/2025…………

Tablo 1: M3-BREATHE izleme için aktivite-seyahat günlüğü şablonu. Tablo, davranışsal verilerin nasıl kaydedildiğini ve maruz kalma ve sağlık analizleriyle entegrasyon için nasıl organize edildiğini göstermektedir.

Giyilebilir mobil sağlık cihazlarıAkıllı telefon uygulamasıTaşınabilir çevresel sensörler
Solunum Hızı (RR)GPS koordinatlarıPartikül Madde (PM2.5, PM10)
Gelgit Seviyesi (TV)Aktivite-seyahat günlüğüKarbon Monoksit (CO)
Kalp Atış Hızı (HR)Ekolojik anlık değerlendirme (EMA)Azot Dioksit (NO2)
Kalp Atış Hızı Değişkenliği (HRV)Temel sağlık bilgileriKükürt Dioksit (SO₂)
Elektrokardiyogram (EKG)Yaş, cinsiyet vb.Uçucu Organik Bileşikler (VOC)
Kan Basıncı (BP)Vücut Kütle İndeksi (BMI)Gürültü (N)
Kan Oksijen Doygunluğu (SpO₂)Sosyoekonomik durum (SES)Sıcaklık (T)
Metabolik Eşdeğerler (MET'ler)Tıbbi geçmişGöreli Nem (RH)
Cilt Sıcaklığı (ST)Solunum sağlığı durumuAydınlanma (lx)
Hızlanma ölçer (ACC)Kendi bildirimde bulunan sağlık bilgileriSirkadiyen Işık A (CLA)

Tablo 2: Verilerin özeti ve cihazların kaynağı. Tablo, temel ölçütleri (örneğin, kalp atış hızı, solunum hızı, partikül madde, sıcaklık) ve bunlara karşılık gelen ölçüm modalitelerini listeler.

5. Veri İşleme ve Analiz

  1. Cihaz kalibrasyonu ve kalite güvencesi
    Dağıtımdan önce, tüm cihazlar üretici spesifikasyonlarına göre temel kalibrasyon kontrollerinden geçecektir. Çevresel sensörler için (örneğin PM2.5 monitörleri) bu, sıfır kalibrasyon veya referans cihazlarla karşılaştırma gerektirebilir. Veri işleme sırasında, hem çevresel hem de biyometrik veri akışlarına kalite güvencesi ve kalite kontrolü (QA/QC) prosedürleri uygulanacaktır. Tüm QA/QC adımları şeffaflık ve tekrarlanabilirliği sağlamak için belgelenecektir.
    1. Fizyolojik veya fiziksel olarak inanılmaz değerleri (örneğin, aşırı kalp atış hızı veya kirletici konsantrasyonları) çıkarmak için aralık kontrolleri.
    2. Sinyal artefaktlarının (örneğin, giyilebilir verilerdeki hareketle ilgili gürültü) tespit edilmesi ve dışlanması. Uygun olduğunda düzgünleştirme veya filtreleme prosedürleri (örneğin, hareketli ortalamalar).
    3. Eksik veya seyrek veri segmentlerinin tanımlanması ve işlenmesi.
  2. Ön işleme
    1. Ham sensör verileri temizlenir (GPS kayması Kalman filtresi aracılığıyla düzeltilir) ve Python tabanlı ön işleme paketleri (örneğin, Pandas, GeoPandas, Tsfresh, Pyo3) aracılığıyla Multimodal Zamansal Hizalama yaklaşımı kullanılarak aktivite-seyahat günlükleriyle senkronize edilir. İşlenen tüm veriler daha sonra M3-BREATHE veritabanına entegre edilir.
    2. Çevresel maruziyetler ile biyometrik ölçümler arasında zamansal uyumu sağlamak için, tüm veri akışlarını birleşik bir zaman damgası çerçevesine senkronize edin. Ağ tabanlı zaman protokolleriyle dağıtımdan önce cihaz saatlerini standartlaştırın. Veri işleme sırasında, farklı cihazlardan alınan zaman damgalarını ortak bir referans zamanına (örneğin UTC) hizalamak ve saat kaymasını doğrusal interpolasyon veya zaman ofseti ayarlaması ile düzeltin.
    3. Çevresel ölçümlerin çözünürlüğüyle eşleşecek şekilde yüksek frekanslı verileri (örneğin, giyilebilir cihazdan türetilen kalp hızı) toplamak veya analiz hedefine bağlı olarak çevresel verileri daha yüksek frekanslı verilere göre ayarlamak. Eksik zaman damgalarını veya düzensiz örnekleme aralıklarını önceden tanımlanmış kalite kriterlerine göre interpolasyon veya veri hariç tutarak ele alın.
    4. GPS verilerini, yapı ve doğal ortamları karakterize eden harici coğrafi veri setleriyle birlikte işleyerek bireysel maruziyetleri bağlamsallaştırın. Yeşillik maruziyetini, GPS kayıtlarını OpenStreetMap verileri ve uydu kaynaklı bitki örtüsleri (örneğin, NDVI) ile entegre ederek hesaplayın. Yüksek frekanslı GPS yörüngeleri ile düşük çözünürlüklü uydu tabanlı çevresel katmanlar arasındaki ölçek farklılıklarını, en yakın komşu veya tampon tabanlı mekânsal hizalama yöntemleri uygulayarak ele almak.
    5. Her GPS sabiti için, kesişen veya en yakın pikselden ilgili çevresel maruziyet değerini atanabilir veya tipik GPS mekansal belirsizliğini yansıtan belirli bir tampon yarıçapı içinde (örneğin 10 m, 30 m) ağırlıklı bir piksel ortalaması hesaplayın. Çevresel maruziyetlerin, aynı anda toplanan fizyolojik ve davranışsal verilerle uyumlu uzaylı-zaman çözünürlükte atfedildiğinden emin olun.
  3. Özellik Çıkarımı
    1. Çevresel ve mobil sağlık izleme verilerini temel metrikler kullanarak özetleyin; bunlar arasında merkezi eğilim ölçümleri (ortalama, medyan, ağırlıklı ortalama), aşırı değerler (maksimum, minimum, yüzde yüzdelikler), değişkenlik (standart sapma, varyans, varyasyon katsayısı, çeyrekler arası aralık) ve zamansal kalıplar (tepe sıklığı, eşik üzerindeki süre, değişim hızı, gündüz, haftalık veya mevsimsel varyasyon) ölçümleri yer almaktadır.
    2. Toplam maruz kalma metrikleri (ortalama konsantrasyon ve solunma dozu) ve eğri altındaki alan (AUC) kullanılarak kümülatif hava kirleticisi maruziyeti hesaplanın. Aşağıdaki ilişkiyi kullanarak bir maruziyet süresi (t) boyunca solunan kirletici dozunu (D) hesaplayın.
      figure-protocol-1
      Küçük havalandırma şu şekilde tanımlanır:
      figure-protocol-2
      burada C, solunan havadaki kirletici konsantrasyonudur (birim konvensiyonuna bağlı olarak μg/m 3, ppb veya ppm); figure-protocol-3 dakikalık havalandırmadır, yani dakikada solunan toplam hava hacmi (L/d.); RR, solunum hızıdır (nefes/dakika); VT, gelgit hacmi, nefes başına salınan hava hacmi (L/nefes); ve t , maruz kalma süresi (minimum) anlamına gelir.
      D dozunun μg cinsinden hesaplandığını, ancak figure-protocol-4 birim tutarlılığını korumak için m3/daq'ya dönüştürülmesi (yani 1000'e bölünmesi) şartılıdır.
    3. Göğüsle aşınan solunum sensörlerinin genellikle pahalı ve gerçek dünyada uzun süre sürekli takılması zor olduğundan, kontrollü klinik deneylerde birkaç saatten birkaç güne kadar süren süreleri izlemeye kıyasla, akıllı bileklikten elde edilen hız ve jiroskop verileriyle solunum hızını makine öğrenimi algoritmalarıuygulayarak değerlendirin 50,51. Değerlendirmenin doğruluğunu artırmak için, rastgele orman modeli genellikle bir filtre görevi görür ve yanlış solunum hızı ölçümüne yol açan verileri reddeder; ardından Konvolüsyon Sinir Ağı (CNN) modeli kullanılarak solunumhızı 52,53 çıkarılabilir.
    4. GPS verilerinden, akıllı telefon tabanlı seyahat aktivite günlüklerinden ve bileklik ivmeölçerlerinden hareket verilerinden davranışsal özellikler çıkarın. Çevresel maruziyet, davranış ve sağlık sonuçları arasındaki ilişkileri analiz etmek için bireysel davranışsal göstergeler seti oluşturun. Tablo 3 , davranışsal, çevresel maruziyet ve sağlık alanlarında çok ölçekli profilleri özetlemektedir.
      NOT: Oklar, profillerin davranış, çevresel maruziyet ve sağlık alanları arasında sıralı hizalanmasını gösterir.
  4. Veri Analizi
    1. Betimleyici ve keşif analizleri
      1. Tüm değişkenlerin dağılımı, merkezi eğilimi ve değişkenliğini karakterize etmek için ilk tanımlayıcı istatistikler yürütün.
      2. Korelasyon analizi ve varyans enflasyon faktörü (VIF) testleri yapın.
      3. Zaman serileri, kutu grafikleri ve coğrafi ısı haritaları kullanarak maruziyet ve sağlık verilerini görselleştirin.
    2. Akut ilişkiler ve zaman gecikmeleri
      1. Dağıtık gecikme modelleri (DLM'ler) kullanın.
      2. Maruz kalma verilerini zaman bloklarına bin.
      3. Duyarlılık analizleri yapın.
      4. Zaman serisi yöntemlerini (ARIMA, VAR) uygulayın.
    3. Kronik ilişkiler ve birikimli maruziyetler
      1. Toplu maruziyet metrikleri.
      2. Maruziyeti tekrarlanan sağlık değerlendirmeleriyle ilişkilendirin.
      3. Karma etkili regresyon modelleri kullanın.
      4. Boylamasına veya hayatta kalma analizi uygulayın.
        NOT: Zaman aralığı stratejilerini değerlendirmek gereklidir. Tablo 4 , farklı zaman aralığı seçeneklerini karşılaştırır.
    4. Davranışsal arabuluculuk ve moderasyon analizleri
      1. SEM veya nedensel analiz kullanarak arabuluculuğu keşfedin.
      2. Ölçülü etkileri inceleyin.
    5. Maruziyet-yanıt fonksiyonları ve doz-yanıt eğrileri
      1. Maruz kalma-yanıt ilişkilerini nicelikle ölçemek.
      2. Solunma doz-yanıt fonksiyonlarını tahmin edin.
      3. Doğrusal olmayan ilişkileri araştırın.
    6. Boylamasına ve yaşam yolu analizleri
      1. Kronik etkileri değerlendirin.
      2. Yaşam akışını keşfedin.
    7. Kişiselleştirilmiş tedavi ve müdahale
      1. Kişiselleştirilmiş profiller oluşturun.
      2. Yüksek riskli atakları belirleyin.
      3. Tıbbi değerlendirmeler önerin.
    8. Nüfus sağlığı zekası
      1. Pozlama haritaları oluşturun.
      2. Davranışsal eğilimleri analiz edin.
      3. Sağlık eşitsizliklerini değerlendirin.
      4. Makine öğrenimi modelleri kullanın.
Davranışsal AlanÇevresel Maruziyet AlanıSağlık Alanı
Geçici/anlık özelliklerAnlık poz profilleriKısa vadeli sağlık profilleri
Ivmeölçer vektör büyüklüğüGerçek zamanlı pozlamaKardiyorrespiratuar stres yanıtları
Anlık aktivite yoğunluğuAkut maruziyetHR, BP, HRV, SpO₂ vb. gibi akut değişiklikler.
Bölüm seviyesi/maç seviyesi özelliklerBölüm düzeyinde poz profilleriEKG aritmik olayları
Başlangıç zamanı, bitiş zamanı, süresiOrtalama kirletici konsantrasyonuSolunum semptomları ve fonksiyonu
Etkinlik türüKümülatif kirletici maruziyet dozuEpizoda özgü ventilasyon hızı dalgalanmaları
Konum türüZirve maruziyetKendi kendine bildirdiği öksürük ve nefes darlığı
İçeri/dış mekanYüzde tabanlı maruziyetPsikolojik ve refah durumları
Ulaşım moduPoz değişkenliğiEMA ruh hali, stres, yorgunluk vb.
Yolculuk mesafesiEşik Üstü Maruz Kalma SüresiEpizod düzeyinde bilişsel ve duygusal gerilim
Ortalama yolculuk hızıAUC maruziyetiAkut maruziyet yükü
Yolculuk amacıİç mekan ve dış maruz kalmaOrta vadeli sağlık profilleri
Fiziksel aktivite yoğunluğuTaşıma mikro ortam maruziyetiSubklinik kardiyovasküler belirteçler
Solunum deseniİşyeri/ev/eğlence amaçlı maruz kalmakDinlenme kalp atışı veya tansiyonda sürekli artışlar
Segmentler arası ve günlük seviye özelliklerGünlük düzeyde maruz kalma profilleriErken hipertansiyon risk puanları
Hareketsiz molalar ve aktivite durumları arasında geçişlerGünlük ortalama maruziyetSolunum sağlığı trendleri
İç ve dış ortamlar arasındaki geçişlerGünlük kümülatif maruziyet dozuSolunum semptom ataklarının sıklığı
Taşıma mikro ortamları arasındaki geçişlerGünlük zirve maruziyetiAkciğer fonksiyonunda düşüş (RR, SpO₂ vb.)
Aktivite–trip zincirleriGünlük zirvelerin sıklığı/süresiMetabolik ve fiziksel aktivite durumu
Aktivite/tur karmaşıklığıGünlük minimum maruziyetHaftada Kümülatif MET-min-i
Aktivite-seyahat ZinciriGünlük yüzde tabanlı maruziyetAktivite yoğunluğu dağılımı
Zaman kullanımı yapısıGünlük eşik üzerindeki maruziyet süresiUyku ve iyileşme sağlığı
Aktivite uzayı, dönme yarıçapı, mekânsal entropiGünlük AUC maruziyetiGünlük varyasyonun ötesinde yorgunluk kalıcılığı
Genel seyahat yönüGünlük maruziyet değişkenliğiRuh sağlığı ve iyilik hali
Orta ve Şiddetli Fiziksel Aktivite Süresi (MVPA)Günlük maruziyet eğimi (değişim hızı)Stres tepkisi, anksiyete puanları vb.
Sirkadiyen ritimGünlük tepe-ortalama oranıKümülatif maruziyet riskleri
Alışkanlık rutin kalıplarıBoylamasına poz profilleriOrtalama kirletici konsantrasyonu ve dozu
Rutin günlük aktivite-seyahat kalıplarıUzun vadeli ortalama maruziyetUzun vadeli sağlık profilleri
Günlük aktivite-seyahat kalıplarındaki değişkenlikUzun vadeli kümülatif maruziyet dozuKardiyovasküler hastalık riski ve ilerlemesi
Sirkadiyen ritmin kronotipiZirve maruziyetSolunum ve akciğer sonuçları
Hafta sonu/hafta içi sirkadiyen ritimdeki tutarsızlıklarYoğun etkinliklerin sıklığı/süresiMetabolik ve obeziteyle ilgili sonuçlar
Hareketliliğin Düzenliliği (yörünge, işe gidip gelme, mod vb.)Yüzde tabanlı maruziyetRuh sağlığı sonuçları
Fiziksel aktivitede uzun vadeli eğilimlerEşik üzerindeki zamanSistemik sağlık ve biyolojik yaşlanma
Hareketsiz ve aktif davranış döngüleriAUC maruziyetiFonksiyonel ve yaşam kalitesi sonuçları
Diyet zamanlaması ve düzenliliğiGünlük/haftalık/aylık/mevsimsel değişkenlikYaşam yolu sağlık yörüngeleri
Çevresel aşırılıklar altında adaptif davranışPozlama zaman serisi madenciliğiNüfus sağlığı zekası

Tablo 3: M3-BREATHE'nin çok ölçekli veri profilleri. Tablo, davranışsal metriklerin kısa, orta ve uzun vadeli sağlık sonuçlarıyla nasıl ilişkili olduğunu vurguluyor.

PencereKullanım DurumuModelleme YaklaşımıArtılarıEksiler
1 saatÇok akut etkilerLME veya zaman serisinde 1 saatlik hareketli ortalamayı kovaryat olarak dahil edin; ya da saatlik gecikmeli DLNM kullanınHemen zirveleri ele geçirir; Minimum seyrelmeYüksek gürültü; yüksek çözünürlüklü veri gerektirir; sınırlı kronik içgörü
24 saatGünlük (kısa süreli)24 saat hareketli ortalama karışık modelde; DLNM veya 1 günlük gecikmeli DLMGürültüyü azaltır; düzenleyici metriklerle uyumludurZirve etkinliklerini yumuşatabilir
7 günHaftalık (sub-akut)7 günlük ortalama kovariat; DLM ve 7 güne kadar gecikme varBirikmiş kısa vadeli maruziyeti yakalarGünlük değişkenliği bulanıklaştırır; Orta Düzey Yumuşatma
30 günAylık (orta vadeli)30 günlük ortalama; Aylık gecikme yapısına sahip DLNMSon maruziyet yükünü yansıtır; daha yumuşakGünlük artışları kaçırıyor; doğrusal kümülyasyonu varsayar.
90 günMevsimsel (uzun vadeli)~90d arasında 90 günlük ortalama veya dağıtılmış gecikmeMevsimsel eğilimi yakalarAşırı yumuşatıyor; mevsimsel faktörlerle karıştırmalar
365 günYıllık (uzun vadeli)LME veya Cox modelinde 1 yıllık ortalamaKronik risk için faydalıdır; sezon kontrolleriKeskin varyasyonu görmezden gelir; yaşlanma eğilimleriyle şaşırtmak

Tablo 4: Zaman penceresi stratejileri ve analitik yaklaşımlar. Çevresel maruziyetleri farklı zaman ölçeklerinde değerlendirmek için kullanılan zaman aralığı stratejileri ve ilgili analitik yaklaşımların özeti, uygulanabilirliklerini, güçlü yönlerini ve sınırlamalarını vurgular.

Sonuçlar

Aşağıdaki temsilci sonuçlar, taşınabilir hava kirliliği sensörleri, aktivite-seyahat günlükleri ve bölüm düzeyinde kendi bildirimli öznel refah (SWB) içeren bir pilot çalışmadan alınmıştır. Katılımcılar, günlük aktiviteleri sırasında taşınabilir hava kirliliği sensörleri taşımaları ve sürekli 48 saat (Cuma–Cumartesi veya Pazar-Pazartesi) boyunca taşınabilir hava kirliliği sensörleri taşımaları ve eşlik eden aktivite-seyahat günlüklerini tamamlamaları gerekiyordu. Analize, Aralık 2017'den Şubat 2018'e kadar Pekin'deki Meiheyuan yerleşim alanındaki toplam 112 geçerli katılımcıdan alınan veriler dahil edildi. Bu ön analiz, PM2.5 maruziyeti (çevresel alan), günlük aktiviteler (davranışsal alan) ve bilişsel SWB (sağlık alanı) arasındaki etkileşimlere odaklanır. Bu pilot aşama, özellikle fizyolojik sinyallerin (örneğin, HRV, solunum hızı) ve gerçek zamanlı maruz kalma uyarılarının entegrasyonunu henüz tam M3-BREATHE boru hattını doğrulamamış olsa da, analitik yaklaşımın örnek bir örneği olarak hizmet vermektedir. Gelecekteki çalışmalar için tam çoklu modal sistemin uçtan uca doğrulanması gereklidir.

M3-BREATHE boru hattını uçtan uca doğrulamak için veri bütünlüğünü (%99,3 GPS veri yakalama oranı ve %93,2 hava kirliliği monitörü yakalama oranı), senkronizasyon doğruluğunu (çok modal veriler ≤arasında 1 saniyelik zaman asenkronizmi) ve kalibrasyon geçerliliğini (düşük maliyetli sensörlerden alınan PM2.5 ölçümlerinde, kollokasyon kalibrasyonundan sonra araştırma düzeyindeki referans cihazlarla Pearson korelasyonu r=0,86 olarak değerlendirildi). Boru hattı, GPS yörünge verilerini, çevresel maruziyet verilerini ve kendi kendine bildirilen günlük verilerini entegre ederek aktiviteye özgü maruz kalma kalıplarının ve maruziyet-sağlık ilişkilerinin tanımlanmasını mümkün kıldı. Bu sonuçlar, gerçek dünya E-M-H izleme için M3-BREATHE protokolünün tekrarlanabilirliğini ve güvenilirliğini doğrulamaktadır.

Şekil 1 , günlük aktiviteler ve seyahatler arasında ortalama PM2.5 maruz kalma konsantrasyonunu (mavi çubuklar, sol eksen) ve bilişsel SWB puanlarını (turuncu çizgi, sağ eksen) temsil etmektedir. Sonuçlar, PM2.5 maruziyet yoğunluklarının aktivite türlerine göre belirgin şekilde farklılık gösterdiğini göstermektedir. En yüksek ortalama maruziyet uyku sırasında gözlemlendi; bu da evde kapalı hava kirliliği yoğunluğunun yüksek olduğunu gösteriyor. Bunun nedeni, çalışma alanının Pekin'in diğer bölgelerine kıyasla nispeten yüksek derecede kirli bir bölge olmasıdır. Sürekli yüksek maruziyete sahip diğer aktiviteler arasında internette gezinmek, eğlence, ders çalışmak ve yürüyüş yapmak yer alıyordu ve bunların hepsi 20 μg/m3'ü aşıyordu. İş, fiziksel aktivite, bakım ve geziler gibi aktiviteler için orta aralık maruz kalma konsantrasyonları bulundu (15–20 μg/m 3). En düşük maruziyetler kişisel işlerde, doktora gitmede, yemek yemesinde ve kişisel bakımda kaydedildi (5–15 μg/m 3). Bu pilot çalışmaya dayanan bu farklılıklar, faaliyetlerin gerçekleştiği özel çevresel bağlamları yansıtmaktadır (kapalı mekan ve dış mekan, hareketsiz ve hareketsiz vs. aktif). Buna karşılık, bilişsel SWB puanları faaliyetler arasında daha az değişkenlik gösterdi ve 1.7 ile 2.3 arasında (1–5 memnuniyetsizlik ölçeğinde) dar bir şekilde değişti. En düşük memnuniyet puanları doktora gitmek ve gezilerle ilişkilendirildi, ardından kişisel işler ve iş geldi; en yüksek memnuniyet puanları ise fiziksel aktivite, eğlence ve sosyal aktiviteyle bağlantılıydı; bunlar genellikle içsel olarak ödüllendirici aktivitelerdir.

Daha yüksek PM2.5 maruziyet konsantrasyonlarıyla ilişkili aktivite türlerinin her zaman daha düşük bilişsel SWB ile örtüşmediği bulunmuştur; bu da PM2.5 maruziyeti ile kendi bildiren bilişsel SWB arasında ayrışma kalıplarını önermektedir. Örneğin, fiziksel aktivite ve eğlence, yüksek maruziyet ve yüksek bilişsel SWB puanlarıyla birleşir. Bu, PM2.5'e maruz kalmanın sağlık riskinin göz ardı edilmiş veya bilinçli olarak bilişsel SWB ile bağlantılı olmayabileceğini yansıtabilir; muhtemelen PM2.5'in görünmez doğası nedeniyle bu durum çevrede daha sinsi ve tespit edilmesini zorlaştırır. Buna karşılık, SO2, NOx ve O3 gibi kirleticiler daha kolay tespit edilebilir özelliklere sahiptir. Örneğin, SO2'nin kendine özgü bir kükürtlü koku vardır ve NOx genellikle endüstriyel süreçler ve araç egzozundan kaynaklanan görünür emisyonlarla ilişkilendirilir. Bu gaz halindeki kirleticiler, gözlerde, boğazda ve solunum sisteminde anında tahrişe neden olabilir; bu da özel ekipmana ihtiyaç duymadan tespit edilmesini ve yanıt vermesini kolaylaştırır. Ancak PM2.5 en tehlikeli kirleticidir çünkü akciğerin gaz değişim bölgelerine (alveol) nüfuz edebilir ve çok küçük parçacıklar akciğerlerden geçip diğer organlara zarar verebilir ve dolayısıyla dolaşım sisteminezarar verebilir. Bu bulgu, PM2.5'in belirsiz doğası ve ciddi sağlık etkileri, onu çeşitli günlük aktivitelerde kritik ancak çoğu zaman az görülen çevresel bir risk haline getiren benzersiz zorluğu ortaya koyuyor.

figure-results-1

Şekil 1: PM2.5 maruz kalma konsantrasyonu ve günlük aktivite tipine göre bilişsel öznel iyi oluş (SWB). Bilişsel öznel iyi oluş (SWB), 1 (çok tatminli) ile 5 (çok tatmin olunmamış) arasında değişen bir Likert ölçeğiyle ölçülür. Şekil, ince partikül madde (PM2.5, μg/m 3) maruziyet seviyelerindeki farklılıkları ve buna karşılık gelen iyilik skorlarındaki aktiviteler arasında farklılıkları göstermektedir. Veri noktaları gözlemlenen değerleri temsil eder. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Hava kirliliğine maruz kalma ile öznel iyilik hali (SWB) arasındaki ilişkiyi incelemek için, bu pilot çalışma esnek, doğrusal olmayan etkiler sağlayan Genelleştirilmiş Ek Model (GAM) kullanmaktadır. Hem çağdaş hava kirliliği maruziyeti (AAP) hem de önceki faaliyetten (AAP_1) gecikmeli maruziyet akıcı fonksiyonlarla modellenirken, sosyo-demografik özellikler (cinsiyet, yaş, hukou, eğitim, medeni durum ve gelir) kontrol değişkenleri olarak dahil edilmiştir. Sonuçlar, ne AAP ne de AAP_1'nin SWB üzerinde istatistiksel olarak anlamlı bir etkisi olmadığını göstermektedir; p-değerleri sırasıyla 0.234 ve 0.266'dır. Tahmini düzgün terimler bazı doğrusal olmayan kalıpları ima etse de, bu etkiler sağlam değildir (Şekil 2). Buna karşılık, bazı bireysel özellikler SWB ile daha güçlü ilişkiler gösterir.

Bu bulgular, kısa süreli hava kirliliğine maruz kalmanın, ister çağdaş olsun ister bir aktivite olayıyla geride kalsın, SWB'yi anlamlı şekilde etkilemediğini göstermektedir. Olası bir açıklama, bireylerin hava kalitesindeki kısa vadeli dalgalanmalara hemen yanıt veremeyebileceği veya bu etkilerin tespit edilebilmek için daha uzun veya birikimli maruziyet gerektirmesidir. Gelecekteki araştırmalar, bu analizi çoklu gecikme yapılarını (örneğin, önceki birkaç aktivite epizodundan alınan maruziyetler) dahil ederek, zaman temelli ölçümler (örneğin, dakika düzeyinde maruz kalma süresi) kullanarak veya dağıtılmış gecikme modelleri veya makine öğrenimi yöntemleri gibi alternatif modelleme yaklaşımlarını uygulayarak hava kirliliğinin iyi oluş üzerindeki dinamik ve birikimli etkilerini daha iyi yakalayabilir.

figure-results-2
Şekil 2: Mevcut ve gecikmeli hava kirliliğine maruz kalmanın öznel iyi oluş üzerindeki doğrusal olmayan etkileri. Eğriler, model kaynaklı etki tahminlerini zaman içinde temsil eder ve kısa vadeli dalgalanmaları ile gecikmeli yanıtları vurgular. AAP aynı dönemde maruz kalmayı ifade ederken, AAP₁ ise bir zaman birimi (örneğin, 1 gün) gecikmeyi temsil eder. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Tartışma

M3-BREATHE protokolünün uygulanmasında kritik bir adım, çok modlu cihazların güvenilir şekilde kurulması ve senkronize edilmesidir; çünkü veri bütünlüğü büyük ölçüde giyilebilir sensörler, taşınabilir çevre monitörleri ve akıllı telefon uygulaması arasındaki stabil bağlantılara bağlıdır. Ayrıca, incelemeye başlamadan önce tüm sensörlerin üreticilerin standartlarına uygun kalibre edilmesinden emin olmak önemlidir. İdeal olarak, taşınabilir çevresel cihazlar, özellikle hava kirliliği monitörü, dağıtımdan önce araştırma düzeyindeki referans cihazlarla birlikte konumlandırılmalı ve ölçümlerin doğruluğunu ve doğruluğunu sağlamak için ayarlanmalıdır.

Kontrollü klinik deneylerde veya kısa süreli, küçük ölçekli anketlerde, göğüs solunum kemeri kullanımı, bilek tabanlı sensörlerden daha yüksek doğrulukta solunum parametreleri (solunum hızı, gelgit hacmi, EKG) sağlar ve algoritmik tahminlerin doğrulanması için üçgenleme temeli oluşturur. Buna karşılık, doğal ortamlarda, gönüllü tüketici kullanımı da dahil olmak üzere uzunlamasına izleme için, akıllı bileklik ve akıllı telefon uygulamasının birleşimi tercih edilir; çünkü bu cihazlar daha az göze batıcı ve katılımcı uyumunu teşvik eder. Sınırlı kaynaklar veya katılımcı yükü endişeleri olan çalışmalar için, akıllı bileklik, akıllı telefon uygulaması ve tek bir kirletici monitörden oluşan minimum kit önerilmektedir. Ek sensörler (örneğin, göğse takılan solunum kemeri, özel ışık takıcı) belirli araştırma hedefleri ve bütçeye göre değerlendirilmelidir. M3-BREATHE protokolünün kontrollü klinik deneylerde ve gerçek dünyada uzunlamasına çalışma/uygulamada uyarlanmasına dair ayrıntılı öneriler Tablo 5'te sunulmaktadır.

Veri AlanıMetrik (Kısaltma)Kontrollü klinik deneyGerçek dünya uzunlamasına çalışma/uygulama
Göğüsle Aşınan SensörAkıllı BileklikTaşınabilir Çevresel MonitörAkıllı telefon uygulamasıAkıllı BileklikTaşınabilir Çevresel MonitörAkıllı telefon uygulaması
FizyolojikKalp Atış Hızı (HR)ΟΟΟΟΟΟΟΟ
Kalp Atış Hızı Değişkenliği (HRV)ΟΟΟΟΟΟΟΟ
Solunum Hızı (RR)ΟΟΟΟΟΟΟ
Gelgit Seviyesi (TV)ΟΟΟΟΟ
Elektrokardiyogram (EKG)ΟΟΟΟΟΟΟΟ
Kan Basıncı (BP)ΟΟΟΟΟ
Kan Oksijen Doygunluğu (SpO₂)ΟΟΟΟΟ
Metabolik Eşdeğerler (MET'ler)ΟΟΟΟΟ
Cilt Sıcaklığı (ST)ΟΟΟ
Hızlanma ölçer (ACC)ΟΟΟΟΟ
ÇevreselPartikül Madde (PM2.5, PM10)ΟΟΟΟΟΟ
Karbon Monoksit (CO)ΟΟΟΟΟ
Azot Dioksit (NO2)ΟΟΟΟΟ
Kükürt Dioksit (SO₂)ΟΟΟ
Uçucu Organik
Bileşikler (VOC)		ΟΟΟΟ
Gürültü (N)ΟΟΟΟΟΟΟ
Sıcaklık (T)ΟΟΟΟΟ
Göreli Nem (RH)ΟΟΟ
Işık Pozlama (aydınlatma)ΟΟΟΟΟ
Işık Poziyeti (Sirkadiyen Işık A)ΟΟΟ
YeşillikΟΟΟΟ
Davranışsal ve BağlamsalGPS Konumu / YörüngeΟΟΟΟΟΟ
Aktivite-Seyahat Günlüğü (ATD)ΟΟΟΟ
Ekolojik Anlık
Değerlendirme (EMA)		ΟΟΟ
Temel Özellikler (BC)ΟΟΟΟΟΟ
Notlar: ΟΟΟ, minimum kit; ΟΟ, standart kit; Ο, alternatif

Tablo 5: M3-BREATHE protokolünün uyarlanması için öneriler. Çalışma ortamları boyunca ölçüm alanları ve enstrümantasyon seviyelerinin özeti (ΟΟΟ minimum; ΟΟ standard; Ο alternatif).

Bu protokolü farklı ayarlarda uygularken çeşitli değişiklikler ve sorun giderme stratejileri gereklidir. İlk olarak, izleme cihazları ile akıllı telefon arasında bağlantı kopması veya 30 dakikadan fazla sürede geçersiz veya geçersiz veriler (örneğin, sensör arızası veya cilt temasının olmaması nedeniyle sağlık parametreleri veri kaybı), katılımcıların sorunu çözmek için hızlıca iletişime geçilmesi için araştırmacılara otomatik raporlar oluşturulmalıdır. Araştırmacılar ayrıca düzenli veri bütünlüğü kontrolleri yapabilir. İkincisi, protokolün uzunlamasına dağıtımlarında cihaz uyumu ve pil yönetimi daha büyük zorluklar yaratabilir. Katılımcılar bazen akıllı bilekliği takmayı, güç bankalarını şarj etmeyi veya aktivite-seyahat günlüklerini doldurmayı unutabilirler. Otomatik uygulama içi hatırlatmalar, arka uç izleme ve günlük günlük uyarıları etkili azaltma araçlarıdır.

Avantajlarına rağmen, M3-BREATHE'nin birkaç sınırlaması vardır. Akıllı göğüs kemerler hassas solunum ölçümleri sağlarken, katılımcı burde60 nedeniyle genellikle uzun vadeli gerçek dünya izleme için pratik değildir. Bu nedenle, bileklik tabanlı ölçümler ve solunum değerlendirmesi algoritmaları önerilir; ancak gelgit hacmini tahmin etme veya ince aritmileri tespit etme doğruluğunu azaltmış ve performansları hareket artefaktlarındanetkilenebilir. Ayrıca, birden fazla çevresel izleme cihazının kullanılması, potansiyel bağlantı arızaları, senkron olmayan saatler veya sensör arızaları olasılığını artırır. Çok kirletici izleme veya alternatif yaklaşımlar (örneğin, akıllı telefon tabanlı gürültü izleme) için entegre modüler bir cihaz geliştirilmelidir; bu cihaz ölçüm doğruluğunu koruyarak cihaz boyutunu en aza indirmek ve taşınabilirliği maksimize etmekamaçlanmalıdır 62. Ayrıca, uygulama içi kendi raporlu sistemlere (örneğin, faaliyet-seyahat günlükleri, tıbbi kayıtlar) bağımlılık hatırlama yanlılığına yol açabilir ve uzun vadeli uyum yükünü artırabilir63. Makine öğrenimi tabanlı etkinlikler ve geziler tanımlanabilir64, sağlık hizmeti sağlayıcılarından gelen tıbbi tedavi kayıtlarını takip etmek ise basit bir tek tıklama arayüzü üzerinden akıllı telefon uygulamasına sorunsuz bağlanabilir.

Bu vizyoner gerçek dünya M3-BREATHE, uzunlamasına çevre-hareketlilik-sağlık (E-M-H) bağlantı araştırma ve uygulaması için ölçeklenebilir, invaziv olmayan ve maliyet etkin bir platform oluşturarak mevcut yaklaşımları ilerletiyor. Geleneksel mekansal epidemiyoloji, maruziyet değerlendirmesi için genellikle sabit alan izleme veya konut vekillerine dayanır; bu da değiştirilebilir alan birim problemi (MAUP) ve belirsiz coğrafi bağlam problemi (UGCoP)21,65 karşısında savunmasız hale getirir. Multimodal yüksek uzay-zaman çözünürlüklü davranışsal, fizyolojik ve çevresel maruziyet verilerini entegre ederek, bu sistem çerçeveden bağımsız bireysel maruziyet değerlendirmelerine doğru ilerler ve çevre-sağlık ilişkisindeki davranışsal "kara kutu"nunçözülmesini kolaylaştırır 66,67. Doz-yanıt dinamiklerinin hem bireysel hem de popülasyon temelli derinlemesine yorumlanmasını destekler; gerçek zamanlı çoklu kirletici maruziyetleri fizyolojik tepkitelik ve sağlık sonuçlarına bağlayır, kişiselleştirilmiş tedavi ve müdahaleyi mümkün kılar, halk sağlığı gözetimi ve çevresel maruziyet, günlük aktiviteler ile hareketlilik ve sağlık sonuçlarını ilişkilendiren translasyonel araştırmalarile bireylerin sağlık öz-yönetim ve çevresel maruziyetler için risk azaltma sürecini kolaylaştırır69 (örneğin, yüksek riskli maruziyete dayalı kişisel tarihsel E-M-H profillerinden kaçınmak için günlük aktivite planlayıcısı).

M3-BREATHE'nin gelecekteki uygulamaları arasında (1) kişiselleştirilmiş maruziyet uyarılarının uyarlanabilir davranış önerilerini tetiklediği yapay zeka odaklı gerçek zamanlı müdahale sistemleriyle entegrasyon (örneğin, PM2.5 maruziyeti zirvesi sırasında işe gidip gelme yönlendirmeleri); (2) hastalığa özgü maruz kalma-sağlık ilişkilerini değerlendirmek ve hassas tıbbı desteklemek için hassas popülasyonlarda (örneğin, yaşlı yetişkinler, astimliler) kullanım; (3) kronik hastalık gelişiminde gen-ortam etkileşimlerini ortaya çıkarmak için genomik verilerle birleştirilmek; (4) katılımcı yükünü azaltmak ve uzun vadeli bağlılığı artırmak için entegre modüler çevresel sensörlerin küçültülmesi; (5) karşılaştırmalı çevre sağlığı araştırmaları için küresel E-M-H veri setleri oluşturmak amacıyla şehirler arası ve ülke çapı ölçeklendirme. Ayrıca, protokol ilgili taşınabilir sensörlerin değiştirilmesiyle diğer çevresel risklerin izlenmesi için uyarlanabilir.

Açıklamalar

Yazar, rekabet eden bir çıkar olmadığını belirtir.

Malzemeler

```html
Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
AirBeamHabitatMapAirBeam-3PM1, PM2.5, PM10, sıcaklık, nem
AirVisual ProIQAirProAQI,  PM2.5, CO2, sıcaklık, nem. 
Atmotube ProAtmotubeProPM1, PM2.5, PM10,TVOC, sıcaklık, nem, barometrik basınç
BioNomadix BioShirtBioPacBN-BIOSHIRT-FxKablosuz akıllı gömlek, dahili kumaş elektrotları ve solunum sensörleri ile, EKG ve nefes sinyallerini kaydedebilir.
Extech SL355 Personal Noise DosimeterExtechSL355SPL, Leq, Peak, vb. kaydeder
Fitbit SenseFitbit2Kalp hızı, EKG, SpO2, stres seviyeleri, uyku, GPS
FITVII GT5 Pro MaxFITVIIhttps://fitvii.com/products/gt5-pro-chargerKalp hızı, Kan basıncı, EKG, kan şekeri, SpO2, uyku, spor modları
GAOTek Compact Personal Noise DosimeterGAO TekASLM-341SPL, Leq, Peak, vb. kaydeder
Go Direct Respiration BeltVernierGDX-RBGöğüs kayışlı solunum monitörü, torasik genişleme veya daralmayı tespit etmek için gerinim veya genleşme sensörleri kullanır
Hexoskin Smart ShirtHexoskinN/ASürekli solunum hızı, kalp hızı, havalandırma, aktivite, uyku vb. izlemek için gömme tekstil sensörleri olan akıllı giysi
Huawei BandHuawei9Kalp hızı, SpO2, uyku aşamaları, solunum hızı, aritmi tespiti
Inkbird Air Quality MonitorInkbirdN/APM2.5, PM10, HCHO, TVOC, CO, CO2, sıcaklık, nem
La Roche-Posay My Skin Track UVLa Roche-PosayMy Skin Track UVkıyafetlere takılır; UVA ve UVB ölçer; güneş enerjisiyle çalışır
Miniaturized Light DosimeterWearifiBLE Light Dosimeter8 kanala kadar spektral dozimetri (örn. UV → IR), kümülatif ışık dozunu ölçer; uzun süreli maruz kalma izleme için iyidir.
Moto Watch 120Motorolahttps://www.phonearena.com/news/motorola-moto-watch-120-us-release-price-specs-features-official_id161375Kalp hızı, uyku, SpO2, stres, 100+ spor modları
Personal Noise Dosimeter SV-104ASvantekSV 104ASPL, Leq, TWA, Peak, vb. kaydeder
Prana Air Pocket PM2.5 MonitorPranaAir N/APM1, PM2.5, PM10, AQI
Smart Health WristbandVIYIWOKhttps://www.ebay.com/itm/306538996133Kalp hızı, uyku, stres, spor modları
Smart Watch Fitness TrackerTYKOIThttps://www.tykoit.com/product/senior-friendly-smart-watch-no-phone-app-neededKalp hızı, SpO2, uyku, adımlar, kalori
SunSprite Personal Light TrackerGoodLux TechnologySunSpritekıyafetlere takılır; görünür ışığı ve UV'yi ölçer; güneş enerjisiyle çalışır
Temtop Air Station ‎ElitechP1,M2000PM2.5, PM10, AQI, sıcaklık, nem ve hava durumu
Xiaomi Smart BandXiaomi9Kalp hızı, SpO2, uyku aşamaları, stres seviyeleri
```

Kaynaklar

  1. Zhang, Y., Kwan, M. P. Considering human mobility is essential for accurate environmental exposure assessment. Sci. Bull. , (2025).
  2. Zinsstag, J., et al. Advancing one human-animal-environment health for global health security: what does the evidence say. Lancet. 401 (10376), 591-604 (2023).
  3. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  4. Tian, Y., Chen, C., Sagoe-Crentsil, K., Zhang, J., Duan, W. Intelligent robotic systems for structural health monitoring: Applications and future trends. Autom. Constr. 139, 104273(2022).
  5. Wong, D. W. The modifiable areal unit problem (MAUP). WorldMinds: Geographical Perspectives on 100 Problems: Commemorating the 100th Anniversary of the Association of American Geographers 1904-2004. , Springer Netherlands. Dordrecht. 571-575 (2004).
  6. Parenteau, M. P., Sawada, M. C. The modifiable areal unit problem (MAUP) in the relationship between exposure to NO₂ and respiratory health. Int. J. Health Geogr. 10 (1), 58(2011).
  7. Jelinski, D. E., Wu, J. The modifiable areal unit problem and implications for landscape ecology. Landsc. Ecol. 11 (3), 129-140 (1996).
  8. Cai, G., Hao, Y. Guiding geospatial analysis processes in dealing with modifiable areal unit problems. 13th Int. Conf. on Geographic Information Science (GIScience 2025), , Schloss Dagstuhl-Leibniz-Zentrum für Informatik. 14-1 (2025).
  9. Goodchild, M. F. Geographical information science. Int. J. Geogr. Inf. Syst. 6 (1), 31-45 (1992).
  10. Kwan, M. P., Schwanen, T. Geographies of mobility. Ann. Am. Assoc. Geogr. 106 (2), 243-256 (2016).
  11. Hayward, P. M. The modifiable areal unit problem (MAUP) and health disparities. , University of Connecticut. PhD thesis (2009).
  12. Tobler, W. R. Frame independent spatial analysis. Accuracy of Spatial Databases. , 115-122 (1989).
  13. Wong, D. Aggregation effects in geo-referenced data. Practical Handbook of Spatial Statistics. , CRC Press. 83-106 (2020).
  14. Kwan, M. P. From place-based to people-based exposure measures. Soc. Sci. Med. 69 (9), 1311-1313 (2009).
  15. Fang, T. B., Lu, Y. Personal real-time air pollution exposure assessment methods promoted by information technological advances. Ann. GIS. 18 (4), 279-288 (2012).
  16. Kwan, M. P. The limits of the neighborhood effect: contextual uncertainties in geographic, environmental health, and social science research. Ann. Am. Assoc. Geogr. 108 (6), 1482-1490 (2018).
  17. Liu, Y., Kwan, M. P., Yu, C. The uncertain geographic context problem (UGCoP) in measuring people’s exposure to green space using the integrated 3S approach. Urban For. Urban Green. 85, 127972(2023).
  18. Kwan, M. P. The uncertain geographic context problem. Ann. Assoc. Am. Geogr. 102 (5), 958-968 (2012).
  19. Fusco, G., Caglioni, M., Emsellem, K., Merad, M., Moreno, D., Voiron-Canicio, C. Questions of uncertainty in geography. Environ. Plan. A. 49 (10), 2261-2280 (2017).
  20. Kwan, M. P., Neutens, T. Space-time research in GIScience. Int. J. Geogr. Inf. Sci. 28 (5), 851-854 (2014).
  21. Park, Y. M., Kwan, M. P. Individual exposure estimates may be erroneous when spatiotemporal variability of air pollution and human mobility are ignored. Health Place. 43, 85-94 (2017).
  22. Ma, J., Tao, Y., Kwan, M. P., Chai, Y. Assessing mobility-based real-time air pollution exposure in space and time using smart sensors and GPS trajectories in Beijing. Smart Spaces and Places. , Routledge. 102-116 (2021).
  23. Thomas, D., Stram, D., Dwyer, J. Exposure measurement error: influence on exposure-disease relationships and methods of correction. Annu. Rev. Public Health. 14 (1), 69-93 (1993).
  24. Wu, Y., et al. Methods to account for uncertainties in exposure assessment in studies of environmental exposures. Environ. Health. 18 (1), 31(2019).
  25. Racz, L., Rish, W. Exposure monitoring toward environmental justice. Integr. Environ. Assess. Manag. 18 (4), 858-862 (2021).
  26. Vandenberg, L. N., et al. Addressing systemic problems with exposure assessments to protect the public’s health. Environ. Health. 21 (Suppl 1), 121(2023).
  27. Wei, L., et al. Validity of mobility-based exposure assessment of air pollution: A comparative analysis with home-based exposure assessment. Environ. Sci. Technol. 58 (24), 10685-10695 (2024).
  28. Schmitz, O., et al. A computational framework for agent-based assessment of multiple environmental exposures. J. Expo. Sci. Environ. Epidemiol. , 1-13 (2025).
  29. Tian, W., Cao, K., Feng, Q. The impact of environmental exposure on the health of older adults: A review from the GIScience perspective. Trans. GIS. 29 (3), e70056(2025).
  30. Reck, D. J., Martin, H., Axhausen, K. W. Mode choice, substitution patterns and environmental impacts of shared and personal micro-mobility. Transp. Res. D Transp. Environ. 102, 103134(2022).
  31. Brottrager, M., Crespo Cuaresma, J., Kniveton, D., Ali, S. H. Natural resources modulate the nexus between environmental shocks and human mobility. Nat. Commun. 14 (1), 1393(2023).
  32. Guo, W., He, J., Yang, W. Association between outdoor jogging behavior and PM₂.₅ exposure: Evidence from massive GPS trajectory data in Beijing. Sci. Total Environ. 947, 174759(2024).
  33. Cyriac, J., et al. Improvements in diet and physical activity–related psychosocial factors among African Americans using a mobile health lifestyle intervention to promote cardiovascular health: The FAITH! App pilot study. JMIR Mhealth Uhealth. 9 (11), e28024(2021).
  34. Rafiq, R., McNally, M. G., Uddin, Y. S., Ahmed, T. Impact of working from home on activity-travel behavior during the COVID-19 Pandemic: An aggregate structural analysis. Transp. Res. A Policy Pract. 159, 35-54 (2022).
  35. Farnham, A., et al. Travel behaviours and health outcomes during travel: profiling destination-specific risks in a prospective mHealth cohort of Swiss travellers. Travel Med. Infect. Dis. 47, 102294(2022).
  36. Fanning, J., Brooks, A. K., Irby, M. B., N’Dah, K. W., Rejeski, W. J. Associations between patterns of daily stepping behavior, health-related quality of life, and pain symptoms among older adults with chronic pain: A secondary analysis of two randomized controlled trials. Clin. Interv. Aging. , 459-470 (2024).
  37. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health and Place. 94, 103477(2025).
  38. Abernethy, A., et al. The promise of digital health: then, now, and the future. NAM Perspect. 2022, 10-31478 (2022).
  39. Kickbusch, I., et al. The Lancet and Financial Times Commission on governing health futures 2030: growing up in a digital world. Lancet. 398 (10312), 1727-1776 (2021).
  40. Poongodi, M., Sharma, A., Hamdi, M., Maode, M., Chilamkurti, N. Smart healthcare in smart cities: Wireless patient monitoring system using IoT. J. Supercomput. 77 (11), (2021).
  41. Steinhubl, S. R., Muse, E. D., Topol, E. J. The emerging field of mobile health. Sci. Transl. Med. 7 (283), 283rv3(2015).
  42. Almotiri, S. H., Khan, M. A., Alghamdi, M. A. Mobile health (m-health) system in the context of IoT. 2016 IEEE 4th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), , 39-42 (2016).
  43. Tiele, A., Esfahani, S., Covington, J. Design and development of a low-cost, portable monitoring device for indoor environment quality. J. Sens. 2018 (1), 5353816(2018).
  44. van Duijnhoven, J., et al. Measuring light exposure in daily life: A review of wearable light loggers. Build. Environ. , 112771(2025).
  45. Fischer, T., Schraivogel, S., Caversaccio, M., Wimmer, W. Are smartwatches a suitable tool to monitor noise exposure for public health awareness and otoprotection. Front. Neurol. 13, 856219(2022).
  46. Haddad, C., Sacre, H., Obeid, S., Salameh, P., Hallit, S. Validation of the Arabic version of the “12-item short-form health survey” (SF-12) in a sample of Lebanese adults. Arch. Public Health. 79 (1), 56(2021).
  47. Wade, D., Varker, T., Forbes, D., O'Donnell, M. The Alcohol Use Disorders Identification Test-Consumption (AUDIT-C) in the assessment of alcohol use disorders among acute injury patients. Alcohol. Clin. Exp. Res. 38 (1), 294-299 (2014).
  48. Lee, P. H., Macfarlane, D. J., Lam, T. H., Stewart, S. M. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int. J. Behav. Nutr. Phys. Act. 8 (1), 115(2011).
  49. Farrahi Moghaddam, J., Nakhaee, N., Sheibani, V., Garrusi, B., Amirkafi, A. Reliability and validity of the Persian version of the Pittsburgh Sleep Quality Index (PSQI-P). Sleep Breath. 16 (1), 79-82 (2012).
  50. Liaqat, D., et al. WearBreathing: Real world respiratory rate monitoring using smartwatches. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3 (2), 1-22 (2019).
  51. Takahashi, Y., et al. Accuracy of heart rate and respiratory rate measurements using two types of wearable devices. Prog. Rehabil. Med. 7, 20220016(2022).
  52. Hernandez, J., McDuff, D., Picard, R. W. Biowatch: estimation of heart and breathing rates from wrist motions. 2015 9th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth), , 169-176 (2015).
  53. Natarajan, A., Su, H. W., Heneghan, C., Blunt, L., O’Connor, C., et al. Measurement of respiratory rate using wearable devices and applications to COVID-19 detection. NPJ Digit. Med. 4 (1), 136(2021).
  54. Guo, W., Schwanen, T., Brand, C., Chai, Y. The associations of real-time and perceived air pollution exposure with episode-level subjective wellbeing: A case study of a suburban community in Beijing. Health Place. 94, 103477(2025).
  55. Yu, M., et al. Developing high-resolution PM2.5 exposure models by integrating low-cost sensors, automated machine learning, and big human mobility data. Front. Environ. Sci. 11, 1223160(2023).
  56. Xia, C., Yeh, A. G. Mobility as a response to environmental hazards in the urban context: A new perspective on mobility and inequality. Travel Behav. Soc. 27, 192-203 (2022).
  57. Guo, W., Chai, Y., Kwan, M. P. Travel-related exposure to air pollution and its socio-environmental inequalities: Evidence from a week-long GPS-based travel diary dataset. Spatiotemporal Analysis of Air Pollution and Its Application in Public Healt. , 293-309 (2020).
  58. Dritsas, E., Trigka, M. Efficient data-driven machine learning models for cardiovascular diseases risk prediction. Sensors. 23 (3), 1161(2023).
  59. Amini, H. WHO air quality guidelines need to be adopted. Int. J. Public Health. 66, 1604483(2021).
  60. Vitazkova, D., et al. Advances in respiratory monitoring: a comprehensive review of wearable and remote technologies. Biosensors. 14 (2), 90(2024).
  61. Mayorga-Vega, D., Casado-Robles, C., López-Fernández, I., Viciana, J. Activity wristband-based physical activity recommendations in young people. Sci. Sports. 37 (4), 303-315 (2022).
  62. Fanti, G., et al. Features and practicability of the next-generation sensors and monitors for exposure assessment to airborne pollutants: a systematic review. Sensors. 21 (13), 4513(2021).
  63. Möller, A., Kranz, M., Schmid, B., Roalter, L., Diewald, S. Investigating self-reporting behavior in long-term studies. Proc. SIGCHI Conf. Hum. Factors Comput. Syst, , 2931-2940 (2013).
  64. Koushik, A. N., Manoj, M., Nezamuddin, N. Machine learning applications in activity-travel behaviour research: a review. Transp. Rev. 40 (3), 288-311 (2020).
  65. Li, J., et al. Five-year lung cancer mortality risk analysis and topography in Xuan Wei: a spatiotemporal correlation analysis. BMC Public Health. 19 (1), 173(2019).
  66. Le, H. T., Poom, A. Advancing environmental exposure and health impact assessment research with travel behaviour studies. Transp. Rev. 44 (4), 733-742 (2024).
  67. Guo, W., Schwanen, T., Brand, C., Chai, Y. Exploring the complex relationships between air pollution, life satisfaction and mental health through the lens of daily activity-travel patterns: The case of a suburban residential community in Beijing. J. Transp. Geogr. 127, 104300(2025).
  68. Kaufman, J. D., Curl, C. L. Environmental health sciences in a translational research framework: more than benches and bedsides. Environ. Health Perspect. 127 (4), 045001(2019).
  69. Peerbolte, T. F., et al. Conversational agents supporting self-management in people with a chronic disease: systematic review. J. Med. Internet Res. 27, e72309(2025).

Yeniden basım ve izinler

Daha fazla makale keşfet

Mobil Sağlık İzlemeMultimodal İzlemeFizyolojik SinyallerÇevresel MaruziyetlerSolunum FonksiyonuGPS TakibiMakine Öğrenimi UyarılarıKişiselleştirilmiş Sağlık DeğerlendirmesiKentsel Çevresel VerilerBoylamsal Sağlık İzleme
Gerçek Dünya M3-BREATHE: Tedavi ve Sağlık Değerlendirmesi için Davranış, Soluum ve Maruziyetlerin Çok Modlu Mobil İzlemesine Doğru
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.