这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Aging上的原创作品。必须包括完整的书目信息,https://aging.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
可穿戴传感器技术的日益使用凸显了康复等远程医疗服务的潜力。结合可穿戴传感器的远程医疗服务最有可能吸引偏远和农村地区的老年人口,他们可能需要长途通勤去诊所。然而,这些系统的可用性往往使患者不愿意接受这些服务。
这项研究旨在了解影响老年人是否决定继续使用可穿戴设备的可用性因素。
来自4个不同地区(北爱尔兰、爱尔兰、瑞典和芬兰)的老年人在自由生活环境协议下佩戴了7天的活动追踪器。在试验开始前,研究人员总共进行了4次调查,并对生物特征进行了测量。在试验期结束时,研究人员进行了进一步的调查,以深入了解可穿戴设备的可用性。这些是标准化的系统可用性量表(SUS)和由研究团队设计的定制可用性问卷。研究人员进行了统计分析,以确定影响参与者未来继续使用可穿戴设备意愿的关键因素。机器学习分类器用于提供继续使用可穿戴设备的意图的早期预测。
研究对象为老年志愿者(N=65;平均年龄70.52岁,标准差5.65岁),在自由生活的环境中佩戴小米米Band 3活动追踪器7天。SUS调查的结果显示,在感知系统可用性方面,不受地域、性别或年龄的影响,没有显著差异,消除了可用性感知因地理位置、性别或参与者年龄偏差而不同的概念。在之前拥有可穿戴设备的参与者和在试验期间佩戴1或2个设备的参与者之间,SUS评分也没有统计学上的显著差异。定制可用性问卷确定,影响老年人继续使用设备的意愿的两个最重要因素是设备舒适度(τ=0.34)和设备是否适合用途(τ=0.34)。利用这两个特征开发了一个计算模型,提供了继续使用设备的意图的早期标识符。随机森林分类器被证明提供了最高的预测性能(80%的准确率)。在将定制问卷中排名前8的问题作为我们模型的特征后,准确率提高到88%。
这项研究得出的结论是,舒适性和准确性是持续使用可穿戴设备的两个主要影响因素。这项研究表明,所报道的影响可用性的因素可以转移到其他可穿戴传感器系统。未来的工作将致力于在使用其他可穿戴技术的队列中使用相同的方法来测试这一假设。
医疗保健的进步导致预期寿命的延长。因此,老年人在人口中所占的比例越来越大[
用于康复和互联健康的智能传感器设备项目侧重于监测老年人的身体能力。该项目评估了无线传感器系统及其远程康复的能力,特别关注最终用户的接受程度。技术辅助个人健康管理的最终目标是设备的持续长期使用和改善福祉[
了解影响设备持续使用的因素很重要,因为这将为未来的可穿戴设备设计提供信息,确保采用和采用的影响有最大的成功机会。这反过来又将有助于在未来成功推出远程保健服务,如远程康复,并在总体上增加改善福祉的可能性。
以前的工作已经表明,监测技术要为老年人所接受,就必须易于使用,而且不会损害老年人的行动能力和独立性[
老年人对提供日常生活功能的智能可穿戴设备感兴趣,如果兼容,他们更有可能考虑使用[
文献表明,必须解决可用性挑战,以增加设备继续使用的可能性。因此,技术的设计和实施必须是实用的、不引人注目的、受老年人欢迎的,并最终促进健康效益。
在文献中,平衡是用来评估老年人功能能力的关键特征之一。然而,尽管支持使用平衡评估技术的文章越来越多,但对该技术的全面理解仍存在很大差距。特别是,该领域的现有文献没有考虑可能影响可穿戴技术在现实条件下持续长期使用的因素。之前的一项研究调查了多种可穿戴传感器的真实使用情况,并指出参与者发现手腕上的传感器是最有利的,因为它们适应性强,用户友好。
关于长期设备可用性的定量研究有限,无法观察相关的影响因素[
我们进行了一项研究,旨在更好地了解影响老年人是否决定继续使用可穿戴设备的可用性因素。我们假设,与可穿戴传感器系统的人为因素相关的初始感知可以用作未来设备持续使用的预测因子。为了验证这一假设,研究人员设计了一项研究,分析老年人在使用7天后对可穿戴活动追踪器的感知相关数据。从65名年龄≥65岁的老年人队列中收集了与参与者对可穿戴设备人为因素的感知以及参与者功能状态、健康状态和可穿戴设备活动跟踪器测量相关的数据。该研究的目标之一是评估哪些具体因素可能会影响参与者在7天研究期后继续使用可穿戴设备的意愿。可用性评估有三种关键方法:(1)涉及专家观察的检查(例如,启发式评估),(2)涉及定性数据收集的询问(例如,调查),以及(3)涉及真实环境中定量数据收集的测试(例如,远程可用性测试)[
本节将介绍在数据收集过程中使用的协议,并描述所提出的每个问题以及它们与测量可用性的关系。还将提供参与者群体和用于捕获其活动数据的硬件的详细信息。本节建立用于处理和分析数据的方法,并最终预测设备的持续使用。
这是一项基于回顾性病例系列的研究。研究人员给一系列年龄≥65岁的老年人提供可穿戴设备,并对其进行为期一周的观察。然后,可穿戴设备的可用性数据在参与者系列中进行了表征。
这项研究基于一项为期7天的自由生活数据收集方案。自由生活数据收集协议是从参与者收集数据的常用方法,特别是在基于传感器的研究中。的
这项研究的参与者来自欧洲北部边缘地区和北极地区的4个不同国家。这些国家分别是北爱尔兰、爱尔兰、芬兰和瑞典。入选标准要求参与者年龄≥65岁,在没有他人帮助的情况下有步行20米的体力,并在认知上能够回答问卷。
参与者与执行试验的研究人员面对面见了两次,一次是在试验开始时,另一次是在7天后试验结束时。在第一次会议上,研究人员对参与者进行了身体测量(身高、体重和双手的握力),使用标准化的训练手册对他们进行设备使用培训,并要求他们完成4份与健康有关的问卷调查。然后要求参与者完成两项身体功能测试:(1)五次坐立测试(STS5)和(2)两项10米步行测试。对于STS5测试,记录完成5次从坐姿到站立姿势的总时间。在10米步行测试中,记录完成两次10米步行的时间(WT10M1和WT10M2)以及每次步行的步数(WS10M1和WS10M2)。
第二次会议的日期已经确定,与会者都获得了可穿戴设备,可以佩戴并带回家。在第二次会议上,参与者与研究人员见面并归还可穿戴设备。然后,参与者被要求完成两份试验后调查问卷,重点是可用性和人为因素。
在本研究中进行的标准测试(如从坐到站和定时步行)和措施被用于评估参与者的身体健康状况。虽然这项研究的重点是可用性和继续使用设备的意图,但来自标准测试的数据是一项更大研究的一部分,将进行进一步的数据分析,以备未来可能的发表。
研究方案流程图。
该试验使用了6份问卷来收集参与者的各种数据。试验开始前共发放4份问卷,试验结束后发放2份问卷。这四个
SF-36问卷用于了解参与者的一般健康状况。使用MMSE和GDS问卷来了解参与者的心理健康状况。MMSE得分<25表示一定程度的痴呆,而GDS得分为> - 4表示一定程度的抑郁症。这些数据被用来描述参与者群体的整体健康状况,并了解参与者与一般人群的相对健康状况。MDPQ被用来评估他们使用技术的熟悉程度和经验,以及这是否与之后继续使用设备有关。问卷的分数和统计数据在
这两个
SUS是一个标准化的、经过验证的10个问题的简短调查,用于帮助验证硬件、软件或可穿戴设备的可用性。然而,为了更好地了解参与者对可穿戴设备可用性的具体意见,设计了一份定制的可用性问卷,题为“老年人无线监测的准确性、可行性和可接受性”。调查问卷首先收集了参与者对可穿戴设备的熟悉程度以及他们是否喜欢这些设备的外观的二分数据。然后,一系列与可用性、准确性和可接受性相关的问题被问到,使用一个有序的5类量表,从
定制的可用性问卷是作为欧盟Interreg北部周边和北极智能传感器设备康复和连接健康项目的一部分而设计的。该项目的专家来自瑞典、芬兰、爱尔兰和北爱尔兰的临床、物理治疗和技术背景,他们在2019年5月在德里/伦敦德里郡举行的研讨会上共同合作,提出、同意并最终确定一套适合评估与可穿戴传感器系统相关的不同人为因素的问题。本研究首次采用定制问卷。
研究中的每位参与者都配备了一个小米米Band 3活动追踪器,并将其固定在他们非优势手的手腕上。此外,为参与者提供了华为Y6智能手机,以便与活动跟踪软件进行交互。匿名谷歌帐户被创建来捕获每个参与者的活动数据。大约一半(37/ 66,57%)的参与者还被要求在他们的惯用手上佩戴Axivity AX3腕戴式加速度计。最初的计划是让所有参与者佩戴2个追踪器,因为Axivity AX3的原始数据收集功能将有助于在潜在的新算法和小米小米Band 3之间进行基准测试。然而,在芬兰对少数参与者进行的初步可行性研究使用定制的可用性问卷得出的结论是,通常情况下,参与者报告的可用性问题是因为佩戴了两个追踪器。为了避免这成为一个问题,研究人员决定只允许一半的参与者佩戴两个追踪器。在所有站点中,佩戴2个追踪器和1个追踪器的比例约为50%(瑞典:9/ 20,45%;芬兰:13/23,57%;北爱尔兰:7/14,50%; Ireland: 8/8, 100%) except for the 100% (8/8) of participants at the site in Ireland who wore 2 trackers. Unfortunately, because of the unexpected impact of COVID-19 in March 2020, the trial in Ireland was interrupted midway, which resulted in 40% (8/20) of the participants receiving 2 trackers and the remaining 60% (12/20) of the participants being unable to take part.
总共有来自4个地区的65名参与者参与了这项研究。参与者的平均年龄为70.52岁(SD 5.65岁)。种群平均身高为169.43 cm(标准差9.05),平均体重为73.45 kg(标准差13.09)。该队列包括57%(37/65)女性和43%(28/65)男性。共有91%(59/65)的参与者是右撇子,9%(6/65)是左撇子。参与者是通过传单和海报招募的。招募的是想要体验在日常生活中使用活动追踪器等可穿戴技术的老年志愿者。他们应该在身体上能够独立行走20米,并在认知上能够回答问卷。参与者除了身体虚弱外,没有任何潜在的健康问题。定向招聘的重点是在以老年人为重点的社区中心(Eglinton社区中心、老图书馆信托健康生活中心和U3AFoyle,均在北爱尔兰)和诊所(爱尔兰、瑞典和芬兰)招募参与者。
对收集到的数据进行了分析,以了解最能影响老年人是否决定继续使用可穿戴设备的可用性因素。分析分为四个主要方面:(1)队列特征分析,(2)SUS分析,(3)定制可用性问卷分析,(4)预测建模。下面几节描述用于这些领域的方法。
对参与者的人口统计、健康状况和选定的可用性结果进行了统计分析,以提供关于在后续部分中分析的队列特征的信息。65人的队列包括来自北爱尔兰(n= 14,22%)、爱尔兰共和国(n= 8,12%)、芬兰(n= 23,35%)和瑞典(n= 20,31%)的志愿者。对于每个参与者,记录了一组69个特征。这些特征包括身体指标、功能测试指标、可穿戴设备数据和问卷结果。
数据分析采用SPSS (version 26;IBM公司)和Spyder Python集成开发环境(版本5.1.5)。适当时使用Kendall τb、Pearson或Spearman相关性进行统计分析。分析还涉及计算特征,如平均值、方差和SDs,以及探索频率、直方图、分布和统计检验。
参与者被要求回答SUS问卷,在设备平均使用7.12天(SD 1.53)后评估小米Mi Band 3活动跟踪器。参与者只考虑可穿戴设备的可用性。
研究人员分析了SUS评分,以调查地理位置、性别、使用可穿戴设备的数量或年龄是否会影响可用性评级。在我们的分析中,由于爱尔兰共和国的样本量相对较小(8/ 65,12 %),且地理位置接近,来自北爱尔兰和爱尔兰共和国的参与者被分为一个队列,每组22名参与者。对于年龄分析,我们创建了3个类别(<70岁,70 - 74岁之间,>74岁),并对参与者进行了相应的分类。
对SUS数据的分析旨在了解地理位置、年龄、性别或佩戴的设备数量是否对设备的感知可用性有影响。
对定制问卷数据的分析主要集中在理解对问题21的回答:“在试验结束后,你会继续使用该设备和应用程序吗?”针对这个问题进行了各种分析,以深入了解影响设备持续使用的因素。对两组参与者(表示将继续使用设备的参与者和表示不会继续使用设备的参与者)的统计分布进行了分析。独立2-tailed
预测模型经常用于统计和机器学习技术中,用于对当前数据建模并预测未来结果。对于这一部分的分析,我们评估了可以预测在监测期后继续使用设备的意图的模型。这些预测是基于可用性问卷,其中第21个问题的答案是基于其他问题的答案预测的。
可穿戴技术的一个重要标准是用户接受度。这增加了个人长期使用该设备的可能性,甚至超过了他们被积极监控的时间。影响用户接受可穿戴设备的潜在因素包括舒适、简单性和设备侵入性。例如,如果一个设备需要频繁的交互,那么它可能会成为一个太大的负担。
在有需要的情况下,该研究已获得各参与院校的批准。阿尔斯特大学研究治理伦理委员会根据参考文献REC/19/0026批准;科克教学医院科克大学临床研究伦理委员会根据参考文献ECM 4(a) 16/10/19批准;瑞典Umeå大学区域研究伦理审查委员会在参考文献07-031M下批准了该项研究。在芬兰卡累利阿应用科学大学,不需要机构审查委员会的伦理批准,因为该研究遵循芬兰国家研究诚信委员会TENK指南所规定的人类参与者研究的伦理原则[
4份健康问卷(SF-36、MMSE、GDS和MDPQ)的汇总统计数据载于
审前问卷调查结果。
|
值,平均值(SD) | 方差 |
SF-36一个一般健康 | 72.54 (18.96) | 359.471 |
患者的b | 28.49 (1.55) | 2.410 |
GDSc | 1.43 (2.11) | 4.468 |
MDPQd整体 | 3.53 (1.26) | 1.577 |
一个SF-36: 36项简表健康调查。
bMMSE:简易精神状态检查。
c老年抑郁症量表。
dMDPQ:移动设备熟练度问卷。
结果显示,该队列由SF-36结果定义的平均健康状况良好的参与者组成(平均72.54 / 100,SD 18.96)。结果显示,只有9%(6/65)的参与者在SF-36一般健康部分得分<50,这意味着该研究中的一小部分参与者认为他们正在与健康问题作斗争。所有参与者的平均MMSE值为28.49 (SD 1.55)。如前所述,MMSE得分<25表示一定程度的痴呆,而GDS得分为> - 4表示一定程度的抑郁症。只有2%(1/65)的参与者在MMSE上得分<25,得分为24。所有参与者的GDS平均得分为1.43 (SD为2.11),只有9%(6/65)的参与者报告GDS得分为> - 4。平均MDPQ值为3.53 (SD 1.26),介于3(“不太容易”)和4(“有点容易”)之间,表明我们的参与者在整体移动电话设备熟练程度方面处于中间状态。
受试者背景特征总结(N=65)。
背景特征和队列或子类别 | 参与者,n (%) | 值,平均值(SD) | |
|
|||
|
整个组 | 65 (100) | 70.5 (5.65) |
|
芬兰 | 23日(35) | 71.1 (5.98) |
|
北爱尔兰和爱尔兰 | 22日(34) | 70.4 (7.69) |
|
瑞典 | 20 (31) | 70 (0) |
|
|||
|
整个组 | 37 (57) | N/A一个 |
|
芬兰 | 13 (20) | N/A |
|
北爱尔兰和爱尔兰 | 14 (22) | N/A |
|
瑞典 | 10 (15) | N/A |
|
|||
|
整个组 | 28 (43) | N/A |
|
芬兰 | 10 (15) | N/A |
|
北爱尔兰和爱尔兰 | 8 (12) | N/A |
|
瑞典 | 10 (15) | N/A |
|
|||
|
整个组 | 65 (100) | 166.9 (22.88) |
|
芬兰 | 23日(35) | 168.9 (8.18) |
|
北爱尔兰和爱尔兰 | 22日(34) | 158.7 (36.42) |
|
瑞典 | 20 (31) | 173.5 (9.53) |
|
|||
|
整个组 | 65 (100) | 72.3 (15.95) |
|
芬兰 | 23日(35) | 69.7 (12.55) |
|
北爱尔兰和爱尔兰 | 22日(34) | 72.2 (20.51) |
|
瑞典 | 20 (31) | 75.5 (13.81) |
|
|||
|
总计 | 65 (100) | 67.2 (18.27) |
|
不合格(0≤SUS<50) | 12 (18) | 40 (6.99) |
|
边际(50≤SUS < 70) | 20 (31) | 59.5 (6.57) |
|
可接受的(70≤SUS≤100) | 33 (51) | 81.7 (9.74) |
|
|||
|
整个组 | 65 (100) | 4.1 (0.92) |
|
芬兰 | 23日(35) | 3.8 (0.98) |
|
北爱尔兰和爱尔兰 | 22日(34) | 4.4 (0.73) |
|
瑞典 | 20 (31) | 4.2 (0.99) |
|
|||
|
整个组 | 65 (100) | 3.4 (1.17) |
|
芬兰 | 23日(35) | 3.4 (1.08) |
|
北爱尔兰和爱尔兰 | 22日(34) | 3.8 (1.01) |
|
瑞典 | 20 (31) | 3 (1.34) |
|
|||
|
整个组 | 23日(35) | N/A |
|
芬兰 | 11 (17) | N/A |
|
北爱尔兰和爱尔兰 | 4 (6) | N/A |
|
瑞典 | 8 (12) | N/A |
|
|||
|
整个组 | 42 (65) | N/A |
|
芬兰 | 12 (18) | N/A |
|
北爱尔兰和爱尔兰 | 18 (28) | N/A |
|
瑞典 | 12 (18) | N/A |
|
|||
|
整个组 | 65 (100) | 8.0 (1.70) |
|
芬兰 | 23日(35) | 8.3 (1.07) |
|
北爱尔兰和爱尔兰 | 22日(34) | 8.3 (2.52) |
|
瑞典 | 20 (31) | 7.3 (0.81) |
|
|||
|
整个组 | 65 (100) | 7.7 (1.40) |
|
芬兰 | 23日(35) | 7.8 (1.01) |
|
北爱尔兰和爱尔兰 | 22日(34) | 8.3 (1.94) |
|
瑞典 | 20 (31) | 7.1 (0.73) |
|
|||
|
整个组 | 65 (100) | 11.6 (6.55) |
|
芬兰 | 23日(35) | 11.0 (1.92) |
|
北爱尔兰和爱尔兰 | 22日(34) | 12.8 (10.90) |
|
瑞典 | 20 (31) | 10.8 (2.41) |
一个N/A:不适用。
bSUS:系统可用性量表。
cWT10M1: 10米步行测试时间
dWT10M2: 10米步行试验时间
eSTS5:五次坐立测试。
SUS问卷调查结果显示,SUS平均得分(N=65)为67.15 (SD为18.27)。
参与者统计数据汇总(N=65)。
统计描述 | 参与者,n (%) | SUS一个平均分数(SD) |
|
|
|||||||
|
0.091 (2) | 点 | |||||||||
|
芬兰 | 23日(35) | 68.3 (11.95) |
|
|
||||||
|
北爱尔兰和爱尔兰 | 22日(34) | 65.9 (19.34) |
|
|
||||||
|
瑞典 | 20 (31) | 67.3 (23.28) |
|
|
||||||
|
0.447 (63) | 点 | |||||||||
|
男性 | 28 (43) | 65.98 (18.25) |
|
|
||||||
|
女 | 37 (57) | 68.04 (18.50) |
|
|
||||||
|
0.851 (63) | .40 | |||||||||
|
小米小米手环 | 28 (43) | 69.4 (19.30) |
|
|
||||||
|
小米小米手环+ axvity AX3 | 37 (57) | 65.5 (17.50) |
|
|
||||||
|
0.411 (2) | 结果 | |||||||||
|
<70 | 23日(35) | 71.3 (14.60) |
|
|
||||||
|
70 - 74 | 32 (49) | 67.6 (19.30) |
|
|
||||||
|
> 74 | 20 (31) | 67.3 (23.30) |
|
|
一个SUS:系统可用性量表。
SUS分数可以用等级或可接受范围来表示。可接受范围使用3个类别:不可接受(0
如
组均值采用单因素方差分析进行比较。进行Levene检验,结果为
在研究结果的基础上
来自每个地区的系统可用性等级(SUS)类别直方图。
来自每个地区的系统可用性量表(SUS)分数的四分位-四分位图。图(a)显示来自于默奥的分数,(b)来自爱尔兰的分数,(c)来自卡累利阿的分数。
一个独立样本
按年龄分析SUS得分,用Kruskal-Wallis
每一项SUS分析都表明,无论比较地区、性别、使用的可穿戴设备或年龄,感知系统可用性没有差异。
定制可用性问卷的最后一个问题是询问参与者在试验结束后是否打算继续使用该设备。总的来说,65%(42/65)的参与者表示他们愿意继续使用可穿戴设备和手机应用程序,而35%(23/65)的参与者表示他们不愿意继续使用可穿戴设备和手机应用程序。
为了评估表示将继续使用该设备的参与者与表示不会继续使用该设备的参与者之间的SUS评分是否存在显著差异,一项独立研究
除了将可用性与继续使用设备的意图进行比较之外,我们还评估了之前的活动跟踪器体验(可用性问题2)对可用性的影响。总的来说,20%(13/65)的参与者说他们以前使用过腕戴式活动追踪器,而80%(52/65)的参与者说他们在试验前从未使用过腕戴式活动追踪器。有既往经验的参与者与无既往经验的参与者的SUS评分进行了统计学意义评估。结果来自一个独立的
进一步分析了继续使用设备的意图(问题21),以评估继续使用与其他人为因素和可用性元素之间的联系。因此,我们分析了问题21与其他定制问题之间的相关性。中给出了相关值和相关秩的描述
进行了进一步的分析,以评估参与者的身体功能和未来继续使用之间的可能联系。使用肯德尔等级相关系数将两项10米行走测试测量值和一项坐立测试(WT10M1、WT10M2和STS5)与持续使用设备进行比较。根据问题17 (
2个不同持续使用组的系统可用性量表(SUS)得分直方图。
第21题(N=65)的系统可用性量表得分的汇总统计。
继续使用可穿戴设备? | 参与者,n (%) | 值,平均值(SD) |
|
|
是的,我愿意 | 42 (65) | 71.8 (17.08) | −2.92 (63) | .005 |
不,我不感兴趣 | 23日(35) | 58.7 (17.64) | −2.92 (63) | .005 |
问题2 (N=65)的系统可用性量表得分的汇总统计。
以前戴过运动追踪器吗? | 参与者,n (%) | 意思是(SD) |
|
|
是的 | 13 (20) | 72.12 (15.61) | −1.10 (63) | 陈霞 |
没有 | 52 (80) | 65.91 (18.81) | −1.10 (63) | 陈霞 |
Kendall τb相关性排行。
相关 | 排名 |
±0.10一个 | 很弱的 |
±0.10 ~ 0.19 | 弱 |
±0.20 ~ 0.29 | 温和的 |
±0.30 | 强大的 |
一个正号表示关系为正,负号表示关系为负。一个±值意味着每个等级的相关值可以是正的,也可以是负的(例如,0.15的相关性很弱,-0.15的相关性也很弱)。
持续设备使用Kendall τb对每个可用性问题的相关性。
问题数量 | 问题 | 排名 |
|
10 | 活动追踪器在晚上戴起来很舒服。 | 0.348 | .003 |
17 | 使用活动追踪器帮助我变得更活跃。 | 0.340 | .003 |
15 | 活动追踪器准确地追踪了我的身体活动。 | 0.317 | .005 |
6 | 我可以在没有其他人帮助的情况下轻松佩戴该设备。 | 0.308 | .009 |
9 | 运动追踪器在白天戴着很舒服。 | 0.306 | . 01 |
4 | 我认为每周7天,每天24小时监测我的健康状况是一件好事。 | 0.264 | 02 |
5 | 我不介意我的健康数据被存储在互联网上。 | 0.264 | 02 |
13 | 戴着这款设备时,我不担心自己的隐私。 | 0.253 | .04点 |
2 | 在这个项目之前,你用过腕式活动追踪器吗? | 0.209 | .09点 |
14 | 我很乐意在公共场合佩戴传感器。 | 0.206 | 。08 |
8 | 戴着这个设备,我可以像往常一样完成我的日常任务。 | 0.202 | .09点 |
18 | 上周,你戴了多少天? | 0.187 | 点 |
19 | 你晚上穿吗? | 0.169 | 只要 |
16 | 我很高兴带着传感器在家里到处走。 | 0.164 | 只要 |
12 | 我能在合理的时间内戴上设备。 | 0.119 | 。31 |
1 | 在这个项目之前,你听说过可穿戴智能设备吗? | 0.115 | 36 |
7 | 在没有其他人帮助的情况下,我可以轻松地取出设备。 | 0.083 | 50 |
20. | 除了把设备弄湿之外,你白天有没有因为其他原因把设备拿下来? | −0.078 | 53 |
3. | 你喜欢腕式运动追踪器的外观吗? | 0.054 | 点 |
11 | 我担心这个装置没有安全地连接到我身上。 | −0.019 | .87点 |
持续使用器械(问题21)每种步行活动特征的Kendall τb相关性。
问题 | 排名 |
|
WT10M1一个 | −0.194 | 06 |
WT10M2b | −0.083 | 点 |
STS5c | 0.057 | 算下来 |
一个WT10M1: 10米步行测试时间
bWT10M2: 10米步行试验时间
cSTS5:五次坐立测试。
使用定制的可用性问卷也记录了一些定性数据。也就是说,参与者被要求对之前21个问题中没有涵盖的活动跟踪器提供任何评论。一些参与者评论说,小米小米手环3使用的系扣有时很难固定,这可能影响了与舒适性和穿脱有关的问题(问题6,7,9,10,11和12)的得分。此外,一些参与者报告说,他们认为可穿戴传感器必须系得非常紧才能获得准确的读数。这一因素可能也影响了他们的舒适感。
为了训练预测模型,从Kendall τb相关的结果中选择特征
最初的实验使用多个分类器来获得性能基线。这个初步实验测试了以下分类器:决策树、支持向量机、随机森林和k-最近邻。从这个实验中,我们发现随机森林在分类用户是否会在试验结束后继续使用该设备方面提供了最高的预测性能。为了与随机森林模型进行比较,还进行了回归多项式模型。这些多项式模型有助于预测模型的简单性和可解释性。
对于多项模型,将所有的数据都纳入其中,以便一次性观察和评估模型的统计能力或判别能力。对于随机森林模型,使用70到30的训练测试分割验证来验证最终分类,以检查模型的准确性。
多项式和随机森林模型的2-、5-和8-特征模型的结果显示在
2-, 5-和8-特征模型的分类混淆矩阵。
特性数量和类类型 | 多项式模型预测类 | 随机森林模型预测类 | |||||
|
没有 | 是的 | 没有 | 是的 | |||
|
|||||||
|
|
||||||
|
|
没有 | 15 | 8 | 5 | 1 | |
|
|
是的 | 5 | 37 | 3. | 11 | |
|
|||||||
|
|
||||||
|
|
没有 | 16 | 7 | 5 | 1 | |
|
|
是的 | 4 | 38 | 3. | 11 | |
|
|||||||
|
|
||||||
|
|
没有 | 17 | 6 | 5 | 0 | |
|
|
是的 | 4 | 38 | 3. | 12 |
多项2特征模型的结果总体准确率为80%,随机森林2特征模型的结果平均准确率为80%,平均精度为0.80,平均召回值为0.80。两组结果都表明,对于可用性问题21,可以做出相当准确的预测。
将模型的特征增加到5个后,多项式模型的总体百分比为83.1%,随机森林模型的平均相关精度为80%,平均精度为0.80,平均召回值为0.80。多项结果与2特征模型的结果相比略有改善,而随机森林的结果保持不变。
最终模型使用了8个参数。该多项模型的结果显示总体百分比为84.6%,而随机森林模型的平均准确率提高到85%,显示平均精度为0.88,平均召回值为0.85。这两组结果都比2-特征和5-特征模型的结果有所改善。尽管如此,从2个特征模型到8个特征模型的改进是5%。
老年人对可穿戴系统可用性的分析表明,可用性与继续使用该系统的意愿之间存在显著相关性。将打算继续使用该设备的参与者的SUS评分与不打算继续使用该设备的参与者的SUS评分进行比较,结果显示有统计学意义的差异(
使用标准化SUS评分进行的附加评估表明,性别、年龄、地理位置、以前的经验和使用的可穿戴设备数量都不会影响系统可用性的结果。虽然一部分参与者佩戴了2个活动追踪器,但结果显示,SUS得分没有统计学差异,这取决于参与者被要求使用1个或2个可穿戴设备。这可能是因为腕戴传感器在日常生活中仍然被认为是不显眼的。需要进一步的研究来观察这些结果是否可以基于解剖位置或额外的可穿戴传感器进行缩放。
此外,无论参与者之前是否有使用可穿戴设备的经验,可穿戴传感器系统的可用性得分没有统计上的显著差异。这一发现表明,当涉及到可穿戴设备的感知可用性时,技术素养不一定是一个影响因素。对这一发现的一个可能的解释是,研究中的每个参与者在试验开始时都接受了持续10到15分钟的标准化训练,并有一本用户手册作为参考。这些结果表明,如果能够提供适当的培训,缺乏使用可穿戴设备的经验并不会成为采用可穿戴设备的障碍。
可用性显然是影响设备持续使用的一个因素。然而,还有其他人为因素可能会影响药物的继续使用。一份21个问题的定制问卷被用来进一步评估这些人为因素。结果显示,与设备持续使用相关性最强的人为因素是(1)设备在夜间的舒适度以及(2)设备有助于增加活动的感觉。检查与持续使用设备相关最多的5个问题,其中3个问题与人为因素有关,而2个问题与感知准确性有关。
基于与持续使用设备相关性最大的8个问题的特征子集,实现了机器学习模型,以预测参与者是否会表示他们将继续使用可穿戴设备。这8个问题涉及对舒适度、数据隐私问题的看法,以及参与者对设备准确性或监测他们健康的看法(信念或态度)。这些模型有可能作为参与者不再继续使用该设备的早期指标。在用户决定停止使用它之前,可以及早发现夜间不适等因素。例如,这可能允许在研究早期进行干预,以解决用户关注的问题。作为一个额外的好处,这些模型的准确性提供了洞察哪些设计特征对于鼓励老年人群采用可穿戴技术是重要的。
结果表明,该模型可以预测参与者有意继续使用该设备的可能性,准确率为80%-85%。有趣的是,当我们大大简化问卷,只选择前2个相关问题进行预测时,模型的准确率仅下降了5%-80%。如前所述,这些问题与晚上的舒适度以及该设备是否有助于增加活动水平有关。这些结果表明,通过使用简单的2个问题的调查方法,可以准确预测老年人想要继续使用可穿戴设备的可能性。这很有用,因为焦点小组可以利用这些问题来获得对其产品开发的有意义的见解,或者这些问题可以包含在移动应用程序或基于web的应用程序中,以频繁报告可穿戴产品的可用性,以确保客户满意度和更好的质量保证标准。
未来的设备设计应牢记,可穿戴传感器很可能用于患有健康问题的老年患者,这些患者的精细运动技能经常下降[
目前,大多数关于可穿戴传感器技术的研究都将精度置于设计的中心。这通常以牺牲可用性为代价,最终会对设备的持续使用产生负面影响。
之前的研究是由老年人使用活动追踪器进行可用性评估[
为了实现可穿戴传感器和远程数字健康技术为老年人群带来的潜在健康益处,用户长期持续使用可穿戴传感器至关重要。然而,文献中探索影响老年人长期使用可穿戴设备的因素的工作有限。
这项研究的关键优势之一是,它评估了可能影响不同参与者中持续使用设备的广泛因素。这项研究提供了明确的证据,可用性、舒适性和动机是任何需要长期使用的基于可穿戴传感器的应用程序必须考虑的关键因素。
这项研究有一些局限性,可以在未来的研究中加以解决。首先,样本量限制在65名参与者,因此,可能不足以提供对老年人行为的准确洞察。这一限制是由于在COVID-19大流行开始时必须停止数据收集。其次,由于该研究的伦理批准,结果可能存在偏差。考虑到参与者除了虚弱之外没有其他潜在的健康状况,绝大多数志愿者被认为是健康的,这反映在我们队列中一般健康的平均得分为72.54,使用SF-36问卷计算得出。为了说明这一点,在一项针对老年人的规范性研究(N=8117;年龄≥65岁),且未进行筛查,一般健康平均评分为53.06 [
这项研究使用了经过验证的问卷组合,收集了65名参与者对现成的可穿戴传感器系统小米小米Band 3的可用性的意见。为了进一步了解可能影响老年人继续使用可穿戴设备的因素,我们还为这项研究设计了定制的可用性问卷。对审前问卷的统计数据进行了各种分析;关于地区、性别、可穿戴设备使用和年龄的SUS评分汇总统计数据;调查结果特别关注定制可用性问卷的最后一个问题,以确定哪些因素会影响设备的持续使用。
来自SUS的结果表明,根据地区、性别、年龄或以前的经验,对系统可用性的感知没有显著差异,消除了基于地理位置、性别或参与者年龄偏差的可用性感知差异的概念。之前的研究表明,在技术接受和设备使用方面,可用性和易用性与设备准确性同样重要。从这项研究的结果中得到的主要教训之一是,在老年人队列中影响设备持续使用的最重要因素是设备舒适性。感觉这个设备能达到目的(也就是说,它能帮助他们完成它声称会完成的任务)是第二个最重要的因素。此外,研究还发现,睡觉时使用可穿戴设备最重要的是舒适度。这些经验教训可以更好地为未来专门针对老年人的可穿戴传感器系统的设计提供信息。
我们使用这2个特征提出了一个随机森林模型,准确率为80%,可以用作设备持续使用的早期标识符——例如,如果在研究的第一天后向用户询问这2个问题,他们的回答将是他们是否有兴趣长期使用可穿戴传感器系统的明确标志。在将定制问卷中排名前8的问题作为我们模型的特征后,准确率提高到88%。
老年人无线监测的准确性、可行性和可接受性:试验后可用性问卷。
老年抑郁症量表
移动设备熟练度问卷
简易精神状态检查
36项简短健康调查
五次坐立测试
系统可用性量表
该研究由北部边缘和北极项目2014-2020年拨款93资助。
在本研究中生成和分析的数据集是不公开的,因为数据包含的信息可能会损害研究参与者的隐私。数据可根据合理要求从通讯作者处获得。
KME、JG、DK和ST对概念化有贡献。KME, JG, DK和ST对方法论有贡献。KME, JG, DK, WD和CM对分析有贡献。KME、JG、DK、WD、CM参与撰写(初稿准备)。KME、JG、DK、JC、RD、WD、CM、EN、AA、JJ、ST、JB参与撰写(评论和编辑)。JC为融资收购做出了贡献。所有作者都阅读并同意该手稿的出版版本。
没有宣布。