《Sensors》:SensorW: Open-Source Wear Operating System Platform for Continuous Global Positioning System and Multimodal Sensor Data Collection in Real-World Settings
编辑推荐:
数字表型(digital phenotyping)需要在真实世界中连续采集多模态行为与生理数据。尽管已有若干基于智能手机的传感框架被开发并投入使用,但面向长期智能手表传感器数据采集的开源平台仍然有限。为弥补这一缺口,研究人员开发了SensorW,一个基于开源穿
数字表型(digital phenotyping)需要在真实世界中连续采集多模态行为与生理数据。尽管已有若干基于智能手机的传感框架被开发并投入使用,但面向长期智能手表传感器数据采集的开源平台仍然有限。为弥补这一缺口,研究人员开发了SensorW,一个基于开源穿戴操作系统(Wear OS)的框架,用于直接从智能手表采集生活日志数据,无需配对智能手机或依赖制造商云服务。SensorW包括一个用于传感器数据采集的前端Wear OS应用程序,以及一个用于应用程序初始化、安全数据提交与存储的后端服务器。前端应用程序采用电池管理策略,如混合全球定位系统(GPS)采样与唤醒锁管理,以连续采集多模态传感器输出,包括位置数据、身体活动相关指标、气压和佩戴状态,并将数据提交至后端服务器。研究人员对SensorW进行了初步技术评估,七名参与者连续佩戴启用SensorW的设备至少七天。技术评估表明,在17至42天的监测期间实现了多模态数据采集,各参与者的操作数据可用性介于0.73至1.00之间。这些发现支持SensorW作为使用消费级智能手表进行连续数字表型研究的实用且可扩展平台的技术可行性。
一、研究背景与问题
数字表型(digital phenotyping)已成为医学与健康科学领域的重要研究范式,旨在通过个人数字设备持续感知,获取个体健康与行为状态的客观、细粒度表征。该方法利用可穿戴和移动设备采集身体活动、生理信号、环境情境及行为指标等多模态数据流,实现超越传统临床与流行病学设置的真实世界纵向监测,减少对自我报告数据的依赖,并降低基于问卷调查方法可能引入的偏倚。可靠的数字表型研究需要能够维持日常使用中持续且节能的数据采集框架。
目前已有多个基于智能手机的开源传感框架,如Beiwe和AWARE,已在精神科、肿瘤学及神经退行性疾病等多项流行病学与临床研究中得到应用。然而,智能手机平台普遍缺乏心率监测等高级生理传感器,难以准确推断睡眠状态、代谢当量等健康相关指标,限制了其对细粒度生理状态的捕捉能力。
智能手表通常配备健康导向传感器,如心率监测器、离体检测传感器和皮肤温度传感器,可支持更精确的数字表型研究。然而,现有智能手表数据采集平台存在明显局限。第一种常用方法依赖设备制造商云服务,如Fitbit Web API,但不同品牌需不同提取工具,互操作性受限,且许多商用智能手表仅在体育锻炼期间记录GPS轨迹,无法实现连续日常GPS追踪。第二种方法通过配对智能手机间接提取数据,如NativeScript-WearOS-Sensors和RADAR-base,但要求参与者拥有兼容的Android智能手机,限制了部分人群的适用性。第三种方法直接从智能手表提取数据,如WEARDA,但该应用基于已不再广泛使用的Tizen OS,且数据仅存储在本地,需手动传输至研究者计算机,未实现自动远程传输。现有开源系统中,尚未有平台能同时提供原生Wear OS多模态传感、独立于配对智能手机和制造商云服务运行,以及从智能手表到研究者控制服务器的直接数据传输。
本研究受日本青森县Iwaki健康促进项目(IHPP)驱动,该项目自2005年起每年招募约1000名成年居民进行综合健康检查,计划将智能手表生活日志数据整合至未来健康检查中。研究目标是开发SensorW,一个面向智能手表传感器数据采集的开源框架,为IHPP生活日志计划提供可靠支撑,并作为更广泛可穿戴健康研究的灵活可扩展平台。
二、研究内容与结论
研究人员开发了SensorW框架(版本1.0.0),由前端客户端和后端服务器两部分组成。前端为Wear OS应用程序,以后台前台服务形式运行,实现连续传感器数据采集与传输;后端服务器部署于Rocky Linux 10系统,通过HTTPS提供应用程序初始化和接收客户端上传数据的服务。技术评估于2026年2月开始,七名研究团队成员连续佩戴运行SensorW的智能手表至少七天,实际监测持续17至42天。设备包括六台Google Pixel Watch 3 LTE和一台Google Pixel Watch 4 LTE,均运行Wear OS 6。结果表明,SensorW成功采集了位置、身体活动相关指标、气压和佩戴状态等多模态数据,各参与者操作数据可用性介于0.73至1.00之间,合并操作数据可用性为0.896。这些结果支持SensorW作为使用消费级智能手表进行连续数字表型研究的技术可行且可扩展的平台。
三、关键技术方法
SensorW框架采用前端-后端架构。前端Wear OS应用程序注册系统广播接收器以捕获设备启动完成事件,设备重启后自动重启前台服务恢复数据采集。位置数据采集依赖Google Play服务位置API,默认采样间隔为90秒,采用混合GPS采样与唤醒锁管理策略平衡数据分辨率与电池消耗。当系统唤醒锁持有时,应用以90秒固定间隔主动记录GPS数据;唤醒锁释放后切换至被动位置采集模式。唤醒锁在以下任一条件满足时释放:检测到用户睡眠、设备离体、连续六次GPS观测无运动或速度、或连续六次GPS请求返回空值。气压和佩戴状态通过硬件传感器获取。身体活动相关指标通过Android Health Services被动传感器事件监听器获取,包括累计步数、爬楼层数、行程距离、能量消耗、当前心率和活动状态。传感器数据暂存于内存缓冲区,每30分钟写入CSV文件,超过150 kB阈值时压缩为ZIP归档并通过HTTPS上传至后端服务器。后端采用分层架构,包括网络接入层、反向代理层、应用网关层和应用逻辑层,通过Cloudflare Tunnel实现网络地址转换穿越,Nginx作为反向代理,Gunicorn运行Flask后端应用,负责应用初始化、研究方案下发和接收存储上传数据。样本来源为七名研究团队成员,使用Google Pixel Watch 3和Pixel Watch 4设备。
四、研究结果
数据产量结果:位置数据在设备佩戴且参与者清醒时的观测产量为每小时24.23次,低于名义最大值每小时40次,与混合GPS采集策略一致。步数、距离、能量消耗、爬楼层数和心率的观测产量分别为每小时8.47、21.89、23.49、11.88和67.93次,这些变量通过被动Android Health Services监听器获取,观测间隔由系统决定且可能不规则。气压观测产量为每小时26.43次。活动和佩戴状态为事件触发式分类状态变化,未进行汇总。
参与者层面结果:七名参与者观测监测时长介于17.38至41.87天之间,长时间数据缺口数量为0至11个,总缺口时长介于0至8.23天,操作数据可用性介于0.73至1.00。一名参与者无长时间数据缺口,实现1.00操作数据可用性。合并操作数据可用性为0.896。敏感性分析中,将长时间数据缺口阈值设为1000、3600和7200秒时,合并操作数据可用性分别为0.895、0.896和0.899。
示例数据结果:图4展示了代表性生活日志数据。图4a、b显示24小时期间能量消耗、心率、步数和累计行程距离的时间序列,灰色和粉色阴影区域分别表示设备离体期间和Android Health Services将参与者分类为睡眠状态的期间。图4c展示了参与者在日本熊本市观光访问期间记录的GPS轨迹示例,该片段经过刻意选择,未披露参与者住所、工作场所、大学、日常通勤路线或常规日常活动模式。
五、讨论与结论
讨论部分指出,直接与Beiwe或AWARE等现有平台的采样产量进行比较需谨慎解读,因为采样性能取决于配置的采样协议、硬件和操作系统环境、电源管理策略、参与者依从性及合格监测时间定义。本研究存在多项局限:电池性能未进行客观量化;当前版本主要支持被动数据采集,不支持原始加速度计数据记录;技术评估仅在Google Pixel Watch 3和4上进行;系统级事件日志不可用,无法追溯具体应用崩溃及恢复结果;睡眠和活动状态分类直接来自Android Health Services,未与独立参考测量进行验证;评估仅涉及七名研究团队成员,为小型便利样本。未来工作将纳入连续电池水平记录、扩展跨品牌兼容性测试、加入系统级事件日志、验证睡眠分类与参考测量的一致性,并开发基于R Shiny的数据可视化和监测平台。
研究结论为:研究人员开发了SensorW,一个开源Wear OS可穿戴传感框架,旨在支持纵向数字表型研究。SensorW通过简化的部署流程使研究人员能够启动连续多模态数据采集,利用消费级可穿戴设备促进真实世界生活日志采集。每位参与者17至42天的初步真实世界技术评估证明了采集多模态生活日志数据的可行性,包括GPS位置、心率、睡眠状态、步数、楼层数、距离、卡路里消耗和气压。需要在更大、更多样化的人群和更长的观察期内进行进一步评估,以确定长期可靠性和稳健性。尽管存在某些技术和部署局限,研究人员计划通过纳入数据可视化和实时监测模块来扩展SensorW框架,并增强其可扩展性和可用性。研究人员将SensorW设想为一个灵活且可访问的平台,以支持全球研究团队开展大规模数字表型研究。