ウェアラブルデバイスと経験的ベイズモデリングを使用した、職場の騒音レベルと生理学的健康状態の間の関連パターンの発見

Jun 23, 2023

npj デジタルメディスン第 6 巻、記事番号: 5 (2023) この記事を引用

2544 アクセス

1 引用

151 オルトメトリック

メトリクスの詳細

私たちは、屋内環境が個人の幸福に及ぼす影響を評価するために、231 人の連邦職員を対象に複数のウェアラブルデバイスを使用したフィールド調査を実施しました。過去の研究により、職場環境が個人の幸福と密接に関係していることが証明されています。音はストレスや不快感を引き起こす環境要因として最も多く報告されているため、私たちは生理学的健康と音の関連性を定量化することに焦点を当てています。生理学的健康状態は、心拍数変動測定値 (SDNN および正規化 HF を観測結果として、入力として騒音レベルなどの外因性要因を含む) を備えた経験的ベイズモデルの潜在変数として表されます。個人の生理学的健康状態は、職場の騒音レベルが 50 dBA のときに最適であることがわかりました。低い振幅範囲 (<50dBA) と高い振幅範囲 (>50dBA) では、騒音レベルの 10 dBA の増加は、生理学的健康状態のそれぞれ 5.4% の増加と 1.9% の減少に関係します。年齢、BMI、高血圧、不安、コンピューターの使用による集中的な仕事は、健康と幸福の関連における不均一性に寄与する個人レベルの要因です。

幸福とは、日々のストレスに対処する人間の身体の能力です。平均して、米国の組織の従業員 10 人中 4 人が、仕事や職場にストレスを感じており、それが健康に悪影響を及ぼしていると感じています1。過去の研究では、職場環境が精神状態、生産性、ストレス、寿命などのオフィスワーカーの幸福指標と密接に関係していることが示されています2。環境ストレス要因の中でも、騒音レベルはさまざまな健康への悪影響に大きく寄与すると考えられています3。世界保健機関 (WHO) は、騒音レベルまたは騒音の上昇が大気質に次いで健康問題の 2 番目に主要な環境原因であると特定しており、ストレス、冠状動脈性心疾患、脳卒中、コミュニケーション、休息、睡眠の障害などの深刻な健康影響を引き起こしています4。これまでの研究は、産業環境や環境騒音（航空機や交通など）に焦点を当ててきましたが、より中程度のレベルの職場騒音が私たちの幸福に及ぼす影響に関する研究は、技術的および研究設計上の課題により欠如していました5。私たちは、実際のオフィス環境で複数のウェアラブル機器を使用して大規模な自然実験を実施し、説明可能な方法6を開発して、サウンドとウェルビーイングの関連性を綿密にモデル化します。職場の騒音レベルと生理学的健康状態との関連性について洞察を得ることで、組織は従業員の寿命、士気、生産性に影響を与える情報に基づいた方針の変更を行うことができます。

健全な福祉協会を調査する私たちの現在の研究は、米国一般調達局 (GSA) の Wellbuilt-for-Wellbeing (WB2) プログラムの一部であり、職場環境が白人の幸福に及ぼす影響を評価するための学際的な研究協力 7 です。襟付きの会社員。研究参加者は、心臓と身体活動のモニター、および個人環境品質センサーベースのデバイスという 2 つのセンサーを 3 日間装着して日常活動を行いました。混合効果回帰モデルを使用した予備データ分析では、騒音レベルと 2 つの心拍数変動 (HRV) 測定値 (SDNN と正規化 HF) との間に有意な曲線的関連性があることが示されています。私たちは経験的なベイズモデルを開発して、生理学的健康状態を SDNN および正規化 HF の関数として特徴付け、騒音レベルやその他の予測因子との機能的関係を定量化します。その後、正則化ベースの方法を使用して、研究参加者間の騒音レベルの影響の不均一性を分析します。当社では、予測力評価を使用して、複数の結果を同時に分析し、効果の不均一性を把握するというモデリングの課題に取り組むために適用できる代替方法に対して当社の方法をベンチマークします。私たちが提案した方法は既存の方法よりも優れた予測性能を持ち、職場の騒音レベルと生理学的健康状態の間の関連パターンの発見に不可欠であることを示します。私たちの研究は、世界中のオフィスワーカーの幸福に影響を与える政策に情報を提供することができ、ウェアラブルデータを分析するための説明可能な方法に関する文献に貢献することができます。

合計 248 人のオフィスワーカーが調査への参加に関心を示し、これは募集が行われたオフィスビルのエリアに住む従業員の約 12% に相当します。妊婦およびペースメーカーまたはインスリンポンプを装着している女性は除外されました。心臓の活動に影響を与えることが知られている薬を服用している参加者は注目されましたが、除外されませんでした。スケジュールの問題、病気、除外基準のため、会社員 17 名が参加せず、合計参加者は 231 名となりました。仕事のスケジュールに予期せぬ変更があったため、231 人の参加者のうち 8 人は 3 日間丸々観察するのではなく、2 日間だけ観察しただけでした。参加者の平均年齢は44.15歳（SD = 12.22）、49.78％が女性、平均肥満指数（BMI）は27.60（SD = 6.10）でした。

データは、摂取量調査、首に装着する環境感知装置、胸に装着する心臓および身体活動モニター、および参加者がオフィス敷地内にいる間に 2 時間ごとに記録されるモバイル調査の体験サンプリングを使用して、参加者から収集されました。前処理後のデータセットには、5 分間隔で集計された 31,557 件の観測値が含まれており、231 人の参加者からの約 200,000 分のウェアラブルデータストリームが処理されました。データと変数の詳細については、WB2 プログラムの Web サイト 7 および以前の研究 8 を参照してください。

SDNN と正規化 HF をそれぞれの結果として使用して、データに対して 2 つの独立した多レベル回帰モデルをトレーニングしました。サウンドレベルは、ランダム効果だけでなく固定効果としてもモデルに含まれています。職場の騒音レベルの固定効果は、2 つのモデル、つまり \(\beta _{Sound,SDNN} = 0.1038\) (p < 0.0001、95%) において、一次および二次の両方で有意であることがわかりました。 CI = 0.0448–0.1627、コーエンの d = 0.23)、\(\beta _{Sound^2,SDNN} = - 0.0075\) (p < 0.0001、95% CI = −0.0096–−0.0054、コーエンの d = 0.45)、 \(\beta _{Sound,normalized - HF} = - 0.0979\) (p < 0.0001、95% CI = −0.1216 ～ −0.0742、コーエンの d = 0.53)、および \(\beta _{Sound^2,normalized -HF} = 0.0013\) (p = 0.015、95% CI = 0.0003–0.0023、コーエンの d = 0.17)。さらに、曲線モデルの赤池情報基準 (AIC)9 によって測定された適合の質は、騒音レベルの線形効果のみを含む対応するモデルよりも優れていました。これは、騒音レベルが両方の生理学的幸福度の尺度に大きな曲線的な影響を与えることを示しています。次に、ランダム効果として騒音レベルを含めることでモデルの適合性が向上することもわかりました。これは、騒音レベルと生理学的幸福度の関連性が個人によって異なることを意味します。

曲線の関連性は、SDNN と正規化 HF の一変量変換 11 としての結果を伴う一般化加法混合モデル (GAMM)10 のノンパラメトリック入力としての騒音レベルの滑らかな関数を通じてさらに視覚化できます。図 1 は、約 50 dBA の極値を持つサウンドとウェルビーイングの関連付けに対する GAMM のスムーズ関数を示しています。最適な騒音レベルとしての点推定値 50 dBA は、最適化手順を使用して検証されました12。

実線は生理学的健康状態が騒音レベルの関数としてどのように変化するかを示し、破線は信頼区間を示します。

私たちは経験的な階層ベイズモデルを使用して、生理学的健康状態の一般的な指標である HRV 測定値 (SDNN および正規化 HF) と騒音レベルの関連性を同時にモデル化しました 13、14、15。このモデルでは、騒音レベル、身体活動レベル、時刻、曜日、年齢層、BMI グループ、性別の入力に固定効果が導入されました。騒音レベルと身体活動にランダム効果が導入されました。入力 (サウンドレベル) と結果 (SDNN および正規化 HF) を標準化し、単位のスケールの違いによる事後推定収束における感度と課題を排除しました。誤差分散には拡散ハーフコーシー事前分布が割り当てられ、他のすべてのハイパーパラメータには拡散正規事前分布が割り当てられました16。ハミルトニアンモンテカルロアルゴリズムは、4 つの並列チェーンのサンプリングに使用されました 17。 R ハット統計カットオフ <1.1 とゼロ発散チェックは、パラメーターの事後推定と適合の質の評価のための検証テストとして使用されました 17。

経験的ベイズモデルの固定効果係数の平均事後分布推定値と 90% 信頼区間 (事後分布の 5 パーセンタイルと 95 パーセンタイルの間) を表 1 に示します。固定効果の事後推定値は、騒音レベル、時間帯、曜日、身体活動レベル、年齢、BMI、職場での生理学的健康状態。

経験的ベイズモデルにおける騒音レベルの固定効果は、個人の不均一性を変量効果係数として考慮した後、調査対象集団全体に対する音と幸福の関連性を表します。騒音レベルの係数は、入力と結果の両方が標準化されているため、騒音レベルの単位標準偏差 (SD) 変化に関連する標準偏差 (SD) による生理学的健康状態の変化を示します。データセット内の騒音レベルの SD が 8.79 dBA であり、表 1 の係数が標準化されていることがわかっているため、非標準係数の推定値を計算して次の推論を行うことができます。 50 dBA より低い音の振幅の場合、騒音レベルが 10 dBA 増加すると、生理学的健康状態が 5.4% (0.95% CI = 2.2 ～ 7.4%、コーエンの d = 0.11) 増加します。 50 dBA を超える音の振幅の場合、騒音レベルの 10 dBA の増加は、生理学的健康状態の 1.9% の低下に関係します (0.95% CI = 0.5 ～ 3.8%、コーエンの d = 0.09)。

我々は、経験的ベイズモデルの予測パフォーマンスを、2 つの結果を同時にモデル化するために使用できる次の 3 つの代替手法と比較しました: (i) 古典的な一変量変換手法 11、(ii) ベイズ手法を使用してトレーニングされた一変量変換手法、( iii) 古典的なマルチレベル構造方程式モデリング手法 18。古典的なアプローチを使用するモデルは、16 GB RAM、2.7 GHz プロセッサの PC で R パッケージ lavaan19 および nlme20 を使用してトレーニングされます。一方、経験的なベイズモデルは、RStan インターフェイス 17 を介して Stan プログラムを使用して、高性能コンピュータークラスター内で作成および実行されます。 28 ノード (ノードあたり 192 GB RAM、Intel Haswell v3 28 コアプロセッサ)。 SDNN および正規化 HF のモデルからの予測は、2 つの測定値の (実際の) 測定値と比較され、二乗平均平方根誤差 (RMSE) と平均絶対パーセント誤差 (MAPE) が計算されます21 (表 2)。表 2 は、経験的ベイズモデルを使用してトレーニングされたモデルの RMSE と MAPE が最も低いことを示しており、SDNN と正規化 HF の同時モデリングにおいて、この方法が他の方法よりも優れていることを示しています。

さらに、ベイジアンモデルの予測パフォーマンスを、ニューラルネットワーク (NN)、分類回帰ツリー (CART)、多変量適応回帰スプライン (MARS)、ランダムフォレスト (RF)、および勾配ブースティングマシンという 5 つの一般的な機械学習モデルと比較しました。（GBM）21．音声レベルが SDNN と正規化 HF の適切な予測因子であるかどうかを評価するために、入力変数として音声レベルを使用した場合と使用しない場合のトレーニングデータでこれらのモデルをトレーニングしました。結果 (表 3) は、私たちのモデルが NN、CART、MARS よりも優れており、そのパフォーマンスがアンサンブル学習手法の RF および GBM に匹敵することを示しています。 NN と CART を除き、音声レベルが入力として含まれる場合、他のすべてのモデルのパフォーマンスが向上します。これは、騒音レベルが両方の生理学的健康指標を予測できることを示しています。

個人間の音と幸福の関係における不均一性は、経験的ベイズモデルにおける騒音レベル入力の変量効果係数によって説明されます。図 2 は、経験的ベイズモデルにおける騒音レベルの変量効果の事後推定値とその 60% 信頼区間 (事後分布からのサンプルが所定の範囲に入る確率) を視覚化したキャタピラプロットを示しています。垂直線は、対応する騒音レベルの固定効果係数を示します。変量効果の事後推定値の平均値の広がりは、研究参加者間の健全性と幸福度の関連における実質的な不均一性を示しています。

垂直の破線は固定効果係数であり、水平の青い線は、参加者全体の生理学的健康に対する音レベルのランダムな影響を示します。 a は騒音レベル <50 dBA の Caterpillar プロット、b は騒音レベル >=50 dBA のプロットです。

私たちは、不均一性に寄与する個人レベルの変数を特定するために、正則化ベースの特徴選択方法を開発しました。モデルに入力された個人レベルの変数は、神経症傾向、騒音過敏症、年齢、BMI、高血圧 (BP) の存在、不安、睡眠障害、コンピューター使用集中 (CUI) のワークタイプ、管理業務、会議集中業務、技術職でした。仕事、そして平均的な音への曝露。年齢、BMI、平均音暴露を除くすべての個人レベルの変数は、研究の開始時に参加者が記入した調査に基づいています。

2 つの独立したモデルセットに適合するように、データの 2 つのサブセット、1 つは騒音レベル <50 dBA (低騒音レベル)、もう 1 つは騒音レベル ≥50 dBA (高騒音レベル) であると考えました。 2 つの独立したモデルのセットをフィッティングすることにより、各シナリオの個別の不均一性の影響について独立した推論を行うことができました。正規化された特徴選択モデルの係数を表 4 に示します。

表 4 は、年齢、BMI、高血圧、不安、および CUI の仕事の種類が、健康と健康の関連における個人間の変動に寄与する要因であることを示しています。空白のセルは、対応する変数の係数が、対応する特徴選択方法 (つまり、ラッソ、適応ラッソ、エラスティックネット) によってゼロに縮小されていることを示します。表 4 にリストされていないすべての個人レベルの変数について、3 つの特徴選択方法すべてで、対応する係数がゼロに縮小されました。

私たちの方法のパフォーマンスを評価するために、経験的ベイズモデルの予測パフォーマンスを 3 つの入力変数セットと比較しました: (i) モデレーターとして個人レベルの変数を含まない入力、(ii) モデレーターとしてすべての個人レベルの変数を含む入力、および (iii) モデレーターとして可変係数モデリング法によって特定された個人レベルの変数を含む入力。モデレーターは、サウンドレベルの固定効果による双方向の対話として組み込まれました。表 5 は、SDNN と正規化 HF に関する 3 つのモデルすべての予測誤差を示しています。正則化ベースの方法を使用して特定された特定の個人レベルの変数を含むモデルは、最小 (最良) の RMSE 値と MAPE 値を持ちます。

高血圧とコンピュータ使用集中型（CUI）のワークタイプは、健康と幸福の関連における不均一性に最も寄与する個人レベルの要因でした。図 3(a)、(b) は、モデル内の騒音レベル固定効果と高血圧および CUI ワークタイプ変数の相互作用効果による結果の変化を示すプロットです。図 3(a) は、高血圧の会社員は正常な血圧の参加者よりも悪影響を受けていることを示しています。図 3(b) は、CUI 業務に従事するオフィスワーカーは、振幅 50 dBA 未満では、生理学的健康に対する騒音レベルのプラスの効果が高いが、振幅が 50 dBA を超えると、オフィスワーカーの生理的健康に対する騒音レベルのマイナスの効果が大きいことを示しています。他の会社員たち。

a 緑色の実線: 正常な血圧。赤い破線: 高血圧。 b 緑色の実線: コンピューターを使用した集中的な作業。赤い破線: コンピューターを使用する集中的な作業ではありません。

職場は、ポジティブな感情を呼び起こし、創造性とコラボレーションを刺激し、エンゲージメントを強化するように設計できます22。一方で、不適切な職場環境は従業員のストレスや健康上の問題を引き起こす可能性があります23。心理的幸福は、他者との前向きな関係、個人の習熟度、自律性、人生の目的と意味の感覚、個人の成長と発達で構成されます24。一方、生理学的健康は、瞬間的な要求によって条件付けられる人間の生理学的システムの動的で絶えず適応するバランスに関連しています25。

オフィスでの音の発生源には、他人の会話、電話、機械装置などが含まれます。職場に対する労働者の好意的な認識は、周囲の騒音レベルの曝露と密接に関係しています26、27、28。したがって、騒音レベルは、従業員の健康と福祉に影響を与える可能性がある重要な職場環境要因です29。音の振幅は、気分や生産性だけでなく、生理学的健康状態にも影響を与えることが示されています29。たとえば、70 dBA に近い騒音レベルは創造的認知に最適であることが観察されています 30 が、85 dBA を超えるレベルは健康に有害であると考えられます 31。音と幸福の関連に関しては、いくつかの研究では、高い騒音レベル（つまり、騒音）と生理学的幸福の尺度の間に負の関係があることが明らかになりました 32 が、他の研究では決定的ではない結果が報告されました 29,33。また、騒音の発生源と種類は生理学的健康に大きな影響を与えないことも示されています 34,35。また、生理学的結果に対する騒音レベルの影響が存在する場合、それは低い音の周波数でも高い音の周波数でも一貫していることが観察されました 32,36。音と幸福の関係の性質は、非単調 37 で瞬間的であることも観察されています 38。サウンドとウェルビーイングの関連性に関する研究をまとめた表を補足表 1 に示します。サウンドとウェルビーイングの関連性を分析する既存の研究には、3 つの大きな制限があります。第一に、過去の研究の大部分は、限られた一連の治療、小さなサンプルサイズ、および限られた数の制御変数を用いた実験を採用していました29、33、35、36。したがって、これらの研究結果を実際のオフィス職場に簡単に一般化することはできません。第二に、研究では生理学的健康状態のさまざまな尺度に対応する複数のモデルからの結果が報告されており 33,34,35 、洞察を一般化して行動を起こすことが困難です。第三に、サウンドとウェルビーイングの関連性は、モデルを使用して正確に定量化されていません37。私たちの現在の研究は、ウェアラブルを使用してオフィス環境で大規模な自然実験を実施し、健全さと健康の関連性をモデル化する一連の統計的手法を開発することによって、これらの制限に対処しようとしています。

HRV は心拍間の変動であり、人の生理学的健康状態の代理尺度と考えられています。つまり、変動が大きいほど健康状態も高くなります 15,39。これは、唾液コルチゾールや皮膚コンダクタンスなどの代替の生理学的健康シグナルを記録するよりも比較的煩わしさがなく、より信頼性の高い測定です40。 HRV の尺度は多数存在しますが、それぞれが身体の生理学的ストレス反応を観察するためのわずかに異なるレンズとして機能します41。連続するすべての RR 間隔の標準偏差の平均 (SDNN) は HRV の全体的な指標であり、長期的な循環の違いまたは自律神経系 (ANS) の全体的な活動を反映します 42。 HRV の正規化された高周波成分 (normalized-HF) は、副交感神経系の変化を強調する、心拍数の周波数領域パワースペクトルにおける高周波の絶対値と合計パワーと超低周波帯域の差との比です。（PNS）規制42． SDNN と正規化 HF は、それぞれ一時的ストレスと迷走神経/副交感神経の調節の指標であり、SDNN と正規化 HF の高い値は、より良い健康と幸福を示すことが一貫して判明しています 13,14,15。先行文献15、39、40、41では生理学的健康状態を示す単一の統一された尺度が特定されていないため、本発明者らは、生理学的健康状態をベイジアンモデルの潜在的（すなわち隠れた）変数（θ）として定義することによって経験的アプローチを採用する。 SDNN と正規化 HF のバリエーションを同時に実現します。 RMSSD、SDRR、HF、LF、正規化 LF、LF/HF、ポアンカレプロット 39 などの HRV の他の尺度も検査されましたが、それらの分散がデータ内で低かったか、それらを含めても結果の質が大幅に向上しなかったため、結果として考慮されませんでした。私たちのモデルのフィット感。

複数の結果を分析する既存のデジタルヘルス研究は、各結果に独立したモデルを当てはめ、各モデルの係数を個別に報告しています33、34、35、37。意思決定のための複数のモデルからの結果の解釈と伝達は困難な場合があります。この目的には、同時モデリングとして知られる、複数の結果に対する単一セットの係数を持つ統計モデルが適しています11、43、44。同時モデリングは、相互相関パラメーターとともに各結果の係数が推定される多変量モデリングとは異なります。たとえば、3 つの結果と 3 つの入力の場合、同時重回帰モデルには 3 つの係数 (切片を除く) が含まれますが、多変量回帰モデリング手順では 9 つの係数 (結果の切片を除く) と係数間の対応する共分散が推定されます。同時モデリングの 1 つのアプローチには、誤差分散の不均一性を考慮した後、複数の結果の一変量変換を実行することが含まれます 11,44,47。この一変量変換方法では、異なる結果がモデル内の異なる誤差分散を持っているとしても、入力変数の効果は結果全体で均一であると想定されます。潜在変数モデリングは、複数の結果を同時にモデリングするためのもう 1 つのアプローチです48。しかし、構造方程式モデリングなどの古典的な潜在変数モデリング手法では、潜在構成要素の個々の項目が理論的に関連付けられており、構成要素の妥当性があることが必要です49。さらに、ウェアラブル端末などの経時的なデータを考慮すると、推定手順が複雑になります51。私たちは、複数の結果の同時モデリングに関連するこれらの課題を克服するための、経験的階層ベイジアンモデリング手法を提案します。インプットが結果に及ぼす集団レベルの影響を理解することは有益ですが、効果が個人間でどのように、そしてなぜ異なるのかについての洞察も貴重です。マルチレベルモデルにおけるランダム効果は、入力効果における個々の不均質性の存在を示しています50。個々の不均一性に寄与する要因を特定する簡単なアプローチは、各要因を入力変数との交互作用項に導入し、その重要性をテストすることです。これは、結果としての傾きモデリングとして知られています50。ただし、このアプローチは縦断データのノイズに敏感であり、私たちの場合のように潜在的な要因の数が増えると扱いにくくなります50。したがって、我々は、健全性と健康状態の関係を緩和する個人レベルの要因を特定するための不均一性モデリング手法を提案します。

予測モデリングと説明モデリングは密接に関連しており、前者は既存のデータを使用して未来を予測し、「どうなるか」という質問に焦点を当てますが、後者は隠れたパターンを明らかにし、現象に関して「何があるか」を教えてくれます51。どちらもウェアラブルなどのデジタルソースから生成されたデータを使用して価値を生み出すために重要です。ウェアラブルテクノロジーベースのアプリケーションが将来的に増加するにつれて、分析に利用できるデータの量は指数関数的に増加し、意味のあるパターン解釈のための説明モデリングのさらなる進歩が保証されます。アンサンブル学習器やニューラルネットワークなどの機械学習手法は結果を予測できますが、入力と結果の間の関数関係を説明する能力には限界があります21。したがって、この研究では、ウェアラブルから生成されたデジタルデータに対する新しい説明可能な方法を開発し、それらを適用してサウンドとウェルビーイングの関連性を調査します。私たちの研究により、研究者と実践者は、健康に対する音の影響に関する過去の研究の相違点の一部を調整できるだけでなく、将来の研究で管理すべき要因（血圧や仕事の性質など）を分離することもできます。ウェアラブル技術が広く利用可能になるにつれ、パーソナライズされた測定が可能になり、環境の影響を個人レベルで理解できるようになります。これにより、職場の設計、個別化された標的医療が改善され、健康を最大化するための個人的な選択を行うための知識も個人に提供されます。これらは、職場で最高のパフォーマンスを発揮する能力を向上させます。

私たちの研究には次の前提と限界があります。私たちは、職場の騒音レベルがオフィスワーカーの生理学的健康に及ぼす影響をモデル化することに焦点を当てましたが、音の種類 (例: 会話、機械的背景雑音など) および周波数 (例: 低周波、話し声のトーン) に関する情報は収集していませんでした。、高周波など）は、個人のプライバシー上の懸念とセンサー技術の制限によるものです。しかし、これまでの研究では、オフィスの音の種類と周波数は、生理学的健康の結果に対する音レベルの影響を緩和しないことが示されているため、周囲の音の種類と周波数を制御する場合にも、私たちの発見は依然として有効であると考えています。次に、臨床ガイドラインに従って、短期的な生理学的健康状態の HRV 測定値 (SDNN および正規化 HF) の粒度に一致するように、騒音レベルとその他のレベル 1 変数を 5 分間隔で集計しました 52,53。したがって、突然の出来事（叫び声、物体の落下や破損など）による騒音レベルのスパイクや、短期間での騒音レベルの変動による持続的な影響については調査されておらず、今後の研究で調査される可能性があります。それにもかかわらず、複数回繰り返されるイベントの影響と、5 分間の間隔にわたって一貫した背景ノイズがモデルで考慮されています。次に、SDNN は一時的なストレスを追跡することができ、正規化 HF はストレス反応の迷走神経/副交感神経の調節を追跡することができ、これらの測定値は両方とも身体的健康と関連することが示されているため、これらの組み合わせは生理学的健康の代用であると仮説を立てました。ウェルネス13、14、15。時間領域とスペクトル領域の両方における HRV の組み合わせの可能性については、研究コミュニティ内で継続的な取り組みが行われています。生理的健康指標の他の組み合わせは、将来の研究として他のシナリオに対する本発明の方法を使用して検査することができる（例えば、工場設定における生理的健康指標としてのＬＦおよびＨＦ）。最後に、231 人の参加者それぞれから最大 3 日間のデータが収集されたため、私たちの研究では、生理学的健康に対する音の長期的な影響に関する推論は行っていません。今後の研究では、より多くの研究対象集団のデータを長期間にわたって調査し、職場の騒音レベルが幸福度に及ぼす長期的な影響を報告する可能性があります。

Wellbuilt-for-Wellbeing (WB2)7 は、ホワイトカラーの会社員の幸福に対する職場環境の影響を理解するために、米国一般調達局の資金提供を受けた 16 か月にわたる複数段階の現地調査で構成されています。この研究では、米国政府のオフィスベースのさまざまな役割に携わる自称健康な成人職員が、全国の4つの連邦庁舎で採用された。建物は、100 万人を超える従業員を収容する米国一般調達局のオフィススペースのポートフォリオ全体で、一般的なオフィスワークステーションタイプを表すために選択されました。リーダーの承認を得た組織の、各オフィスビルのセクションのスタッフに参加の機会が提供されました。書面によるインフォームドコンセントを与えた後、参加者は人口統計に関する質問からなる摂取調査に回答しました。参加者は、心臓と身体活動のモニター、および個人環境品質センサーベースのデバイスという 2 つのセンサーを 3 日間装着して日常活動を行いました。この研究には、1 ～ 2 時間の定期的な間隔で個人の知覚された心理的反応を収集するためのモバイル調査の経験サンプリングも含まれています。私たちの研究はアリゾナ大学治験審査委員会によって承認されました。

HRV 測定値 (SDNN および正規化 HF) は、欧州心臓病学会および北米ペーシングおよび電気生理学会のガイドラインを使用して計算されました52。身体活動レベルは、EcgMove3 の 3 軸加速度センサー 54 から g (つまり、重力の 1 単位) 単位で評価されました。騒音レベルは 5 分間隔で集計され、遅延効果がないと仮定して、生理学的健康測定 SDNN および正規化 HF と統合されました 38。両方の結果値が存在する観察のみが分析で考慮されました。結果の値が 99.5 パーセンタイルを超える観察は破棄されました。解釈を容易にするために、年齢と BMI はそれぞれ 5 レベルと 4 レベルに離散化されました。記録データが 1 時間未満の参加者のデータは分析から除外されました。入力変数の欠損値は平均値を使用して代入されました。入力変数としての騒音レベル、結果としての SDNN および正規化 HF とは別に、個人レベルの変数 (例: 年齢グループ、BMI グループ、性別など)、時間的指標 (時刻、曜日)、そして身体活動レベルは統計モデルの共変量として組み込まれました。すべての参加者の参加 1 日目と 2 日目の観察はトレーニングデータセットとみなされ、3 日目の観察はモデルの予測パフォーマンスを評価するためのホールドアウトサンプル (つまり、テストデータセット) として使用されました。入力変数と個人レベル変数は、環境福祉モデリング 7、37、55、56 およびドメイン知識に関する先行文献に基づいて収集されました。段階的な特徴選択の後、重要な入力のみが最終モデルで考慮され、レポートされます。入力変数の要約統計量を補足表 2 に示します。

前述したように、生理的健康状態を示す独立した指標は数多くありますが、身体的健康状態の複数の尺度を統一する単一の理論的構成要素はありません 15、42、57。 HRV 測定としての SDNN および正規化 HF は、自律神経系 (ANS) の交感神経活動および副交感神経活動と異なる関係にあります42。 2 つのモデルを使用して騒音レベルとの関連性を個別に分析する代わりに、経験的ベイズモデルを使用すると、2 つの結果を生理学的健康の単一の潜在的な構造に結合し、騒音レベルやその他の外生変数の関数としてモデル化することができます。 Merkle and Wang (2018)58 に従い、複数の結果 \(Y = \{ y_1,y_2, \ldots ,y_h, \ldots ,y_H\}\) を組み合わせた潜在変数を持つベイジアンモデルを次のように定義します。

式では、 (1)、\(N\left( {\mu _h,\sigma _h^2} \right)\) は、分散 \(\sigma _h^2\) について非有益な事前分布を持つ正規分布です。 \gamma _h\) は結果 h の切片、\(\theta _{ik}\) は \(k^{th}\) の潜在因子の値です。 Φ と \(\lambda _{hk}\) は推定される他のハイパーパラメータです。私たちの研究では、生理学的幸福度を 2 つの結果 SDNN (\(y_1\)) と正規化 HF (\(y_2\)) を組み合わせた単一の潜在変数として設定するため、\(m = 1\) を設定しました。以下に示すように、\(j^{th}\) の個人の \(i^{th}\) 観測に対応する下付き文字 i と j を追加することで、縦方向のウェアラブルデータの観測レベルで上記の方程式を表現します。

潜在変数 \(\theta _{ij}\) は、以下に示すように混合効果モデルの結果として表現されます。

結果を中心に置き、結果切片パラメータ \(\gamma _h\) を削除すると、個人レベル内の誤差分散 (つまり \(\sigma _{ih}^2\) と \(\sigma _\) を組み合わせることができます。シータ ^2\))。結果のモデルは次のように表されます。

経験的なベイズモデルを式 1 に示します。 (4) は、サウンドとウェルビーイングの関連性をモデル化するために使用できます。因子負荷量 \(\lambda _h\) は、各結果に異なる重みを自動的に割り当てます (つまり、 \(\lambda _1\) と \(\lambda _2\) )。あるいは、潜在変数モデルは、階層構造方程式モデル (SEM) として知られる古典的な (つまり、頻度主義的な) アプローチを使用して開発することもできます。 Mplus、LISREL、EQS、lavaan、OpenMx などのソフトウェアは、ランダムな切片を使用して 2 レベル SEM を適合させることができます59。 2 レベルの SEM モデルでは、各結果 \(y_{ijh}\) は次のように内部コンポーネントと中間コンポーネントに分割されます。

式では、 (5) では、内部共分散成分と共分散成分間の共分散成分の両方が、直交的かつ加法的な潜在変数として扱われます60。パラメータの最尤推定値は、J グループからのデータの尤度の合計である全体の対数尤度を最小化することによって導出されます。古典的なアプローチを使用した潜在変数モデルは、より多くのデータ関連の仮定を要求し、その基本的な定式化が変量効果を考慮していないため、ベイジアンモデルに比べて柔軟性が低くなります60。古典的な統計モデリングと階層ベイジアンモデリングを使用したマルチレベルモデリングの詳細な説明は、次のサブセクションに含まれています。

グループ化されたデータのマルチレベルまたは階層レベルは、一般的に発生する現象です1。たとえば、組織研究では、複数の企業内にネストされた個々の従業員の階層構造データが存在するように、企業および労働者に関する情報が利用可能です。マルチレベルモデル (階層線形モデル、ランダム係数モデル、混合効果モデルとも呼ばれます) は、複数レベルのデータにわたる変動を捉えるパラメーターを備えた統計モデルです。

古典的または頻度主義的なアプローチでは、マルチレベルモデルは、予測変数がさまざまな階層レベルにある場合に結果変数の分散を分析するために使用される通常最小二乗 (OLS) 回帰モデルの拡張として考えることができます。 2 レベルの階層線形モデルは、数学的に次のように表現できます。

式では、 (6)、\(Y_{ij}\) は結果、\(\beta _{kj}\) はレベル 1 の係数、\(V_{kij}\) はレベル 1 の入力変数、\( r_{ij}\) はレベル 1 の残差、\(\gamma _{km}\) はレベル 2 の係数、\(W_{mj}\) はレベル 2 の入力変数、および \(u_{kj}\ ) は、 \(k \in {\Bbb Z}_K\) および \(m \in {\ に対する \(j^{th}\) の \(i^{th}\) 観測のレベル 2 変数です。 Bbb Z}_M\)。モデルの前提条件は次のとおりです。

式では、 (8)、T は、レベル 2 の誤差間の相互関係をモデル化するレベル 2 の分散共分散成分です。方程式を組み合わせる (1) と (2) から、階層線形モデルは次のように表すことができます。

式では、 (9)、\(\beta = \left\{ {\beta _0,\beta _1, \ldots ,\beta _K} \right\}\) は固定効果係数、\(\gamma = \left\{ { \gamma _{0j},\gamma _{1j}, \ldots ,\gamma _{Mj}} \right\}\) は、J グループの変量効果係数 \(j \in {\Bbb Z}_J\ )、\({\it{\epsilon }}_{ij}\) は、固定効果誤差成分と変量効果誤差成分の合計です。行列表記では、上記の式は次のように表されます。

式では、 (10)、X は固定効果の行列、Z はランダム効果の行列です。上記の仮定を条件として、以下に示すように尤度関数 y を最大化することでモデル内のパラメーターを推定できます。

固定効果とランダム効果の有意性は、Wald テスト、尤度比テスト、F テスト、パラメトリックブートストラップ、または MCMC 法を使用してテストされます1。モデルの適合性は、AIC、逸脱度、R 二乗近似を使用して比較できます2。

一方、ベイジアンは、事前分布と次の尤度関数を使用してデータを観察する前に、階層線形モデル内の未知についての信念を説明します。

グループ間の異質性を無視した単一レベル回帰は、完全プーリングを備えたモデルと呼ばれ、グループ間に異質性がある場合に誤ったパラメーター推定値が生成される可能性があります。一方、レベル 2 データの各グループの回帰モデルは独立してプーリングなしのモデリングと呼ばれ、グループ間の共通分散を無視するため、不正確なパラメーター推定値が得られます。階層線形モデルは、部分プーリングを備えたモデルである階層ベイジアンモデルのサブセットとして考慮されます3。より高いレベルで共通のパラメータを推定しながら、階層の下位レベルではパラメータをグループごとに変更することができます。レベル 2 以上の効果は、古典的/頻度主義的アプローチのような誤差分散の一部ではなく、パラメーター自体 (変動係数とも呼ばれる) としてモデル化されることに注意してください。さまざまなパラメーターには、データ内のレベル 2 以降のグループ化に基づいて推定されるハイパーパラメーターがあります。正規分布誤差と恒等リンク関数を使用した階層線形モデルのパラメーターの推定事後分布は、次の形式になります。

Metropolis Hastings、Gibbs Sampling、Hamiltonian Monte Carlo などの MCMC 推定アプローチは、すべてのパラメーターの事前分布と特定のデータの尤度を考慮した事後確率を推定するために使用されます16。古典的マルチレベルモデリングとベイジアンマルチレベルモデリングの実装と汎用ソフトウェアパッケージの比較は、それぞれ West と Galecki63、Mai と Zhang64 で行われます。

前述したように、効果が個人間でどのように、またなぜ異なるのかに関する洞察は貴重です。私たちは、個人間の健全性と健康の関連性の不均一性を説明する個人レベルの変数を見つけるための 2 段階の方法を開発しました。最初のステップでは、平均がゼロでない正規事前分布を持つ変量効果係数を持つすべての入力変数を使用して経験的ベイズモデルを近似します。個人レベルの変数 (年齢、BMI、性別など) は、その値が各個人で一定であるため、モデルには含まれません (つまり、個人レベルの変数の変量効果係数は分散がゼロの分布を持ちます)。ステップ 1 の経験的ベイズモデルを以下に示します。

式の平均値 \(\mu _{\gamma _0}\) と \(\mu _{\gamma _m}\) は (14) は、式 (14) に示されている経験的ベイジアンモデルのモデル切片と \(m^{th}\) 変数の対応する固定効果係数に類似しています。 (4)。 2 番目のステップでは、個人レベル変数を入力変数として使用した線形モデルの結果として、騒音レベルの変量効果係数を次のように定式化します。

式では、 (15)、\({{{\mathrm{{\Gamma}}}}}_{{{\mathrm{r}}}} = \left\{ {\gamma _{r1},\gamma _{r2 }, \ldots ,\gamma _{rJ}} \right\}\) は、ステップ 1 の経験的ベイズモデルの入力に対する変量効果係数です、\(\{ x_{1 \cdot },x_{2 \ cdot }, \ldots ,x_{P \cdot }\}\) は P 人の個人レベル変数であり、 \({\it{\epsilon }}_j\) は J 人の個人にわたって変化する正規分布残差です。

個人の不均一性効果に寄与する個人レベルの要因を特定する問題は、線形モデルでは変数選択問題として提示されます。回帰モデルの従来の段階的な特徴選択方法には、データの変化に対する感度や外部妥当性の低さなどの課題があります21。これらの課題は、個人間の幸福に対する音響効果の不均一性に寄与する要因となる可能性のある個人レベルの変数が複数存在するという私たちの問題に特に関係します。したがって、式 1 に示す線形モデルの重要な入力を決定するために、3 つの正則化ベースの方法、lasso、elasticnet、adaptive lasso21 を選択します。 (15)。なげなわは、l-1 ペナルティを使用して、重要でない入力の係数をゼロ 21 に縮小します。 elasticnet およびadaptive lasso メソッドは、lasso 特徴選択メソッドを改良したもので、相関する特徴を考慮し、Oracle プロパティを備えています。これらのモデルのペナルティ関数のハイパーパラメータは、グリッド検索手順を使用して決定されます21。初期の適応重みは、Zou61 によって提案されているバニラ回帰の係数の絶対値の逆数として設定されます。 3 つの正則化モデルすべてでゼロ以外の係数を持つ個人レベルの変数が、個人の不均一性効果に寄与する最終的な要因セットとして選択されます52。

図 4 は、騒音レベルと生理学的健康状態との間の人口レベルおよび対人関係を把握するための 2 つの新しい方法で構成される、全体的な説明モデリングフレームワークの図を示しています。

人口レベルおよび個人間の健全性と健全性の関連性を特定するための、経験的ベイズモデルと不均一性モデリング手法で構成される説明的なモデリングフレームワーク。

生理学的健康状態に最適な騒音レベルが 50 dBA であること、および血圧の影響と、音と健康状態の関係を調整する際のコンピューターの集中使用を伴う作業を検証するために、私たちは 3 つの騒音レベルについて、異なる層別集団間での健康状態の事後比較を実施しました。条件: 騒音レベルが 45 dBA 未満、騒音レベルが 45 dBA ～ 55 dBA、および騒音レベルが 55 dBA より大きい。表 6 は、データ内の異なる部分母集団の 3 つの騒音レベル範囲のランダム効果を調整した平均幸福度スコアの事後比較を示しています。職場での最適な騒音レベルは 50 dBA であるという私たちの発見を裏付けるように、騒音レベル範囲 45 ～ 55 dBA が、低い騒音レベル範囲と高い騒音レベル範囲と比較した場合、全母集団全体で最も高い平均調整幸福スコアを示すことが分かりました。ただし、高血圧の人にとっては、最低音レベル範囲 (つまり、音レベル < = 45 dBA) が最適であり、これは正常な血圧の人とは異なります。最後に、コンピューターを頻繁に使用する仕事をしている人は、通常のコンピューターを使用している人に比べて、低い音レベル範囲と高い音レベル範囲 (つまり、音レベル <=45 dBA および音レベル > 55 dBA) の平均調整健康スコアが低くなります。仕事。言い換えれば、このグループは、(a) 低音域の音量レベルの増加と (b) 高音域の音量レベルの低下の両方から (平均的な個人より) 多くの恩恵を受けています。これらの分析後のグループ比較結果は、私たちが提案した方法に基づいた結果を検証します。

研究デザインの詳細については、この記事にリンクされている Nature Research レポートの概要をご覧ください。

現在の研究中に生成されたデータセット、および/または現在の研究中に分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

この研究で分析に使用されたコードは、合理的な要求に応じて責任著者から入手できます。

ハーバード公衆衛生大学院。職場と健康。（2016年）。

Heerwagen, J. & Zagreus, L. 持続可能な建物設計の人的要因: フィリップメリル環境センターの入居後の評価。屋内環境品質 (2005)。

ダイバー、A.ら。環境騒音は、ストレスホルモンや炎症性シグナル伝達分子の放出を誘発し、内部エクスポソームの特徴である酸化ストレスや血管機能不全を引き起こします。バイオファクター。 45 https://doi.org/10.1002/biof.1506 のプレプリント (2019)。

誰が。ノイズ。 https://www.euro.who.int/en/health-topics/environment-and-health/noise (2021)。

ヒックス、JLら。ウェアラブルやスマートフォンアプリからの大規模な健康データを分析するためのベストプラクティス。 npjデジタルメディカル 2、(2019)。

ID ロフタスら。ヘルスケアにおける理想的なアルゴリズム: 説明可能、動的、正確、自律的、公平、再現可能。 PLOS デジタルヘルス 1、e0000006 (2022)。

記事 Google Scholar

GSA。ウェルビーイングのための優れた構造。 https://www.gsa.gov/governmentwide-initiatives/federal-highperformance-green-buildings/resource-library/health/wellbuilt-for-wellbeing (2021)。

リンドバーグ、ＣＭら。オフィスのワークステーションの種類が身体活動とストレスに及ぼす影響。占領する。環境。医学。 75、689–695 (2018)。

記事 Google Scholar

Bozdogan, H. モデル選択と赤池情報量基準 (AIC): 一般理論とその分析拡張。サイコメトリカ 52、3450370 (1987)。

記事 Google Scholar

Wood、SN 一般化された加算モデルの安定かつ効率的な複数の平滑化パラメーター推定。混雑する。統計准教授 99、673–686 (2004)。

ボールドウィン、SA、イメル、ZE、ブレイスウェイト、SR、アトキンス、DC 多変量マルチレベルモデルを使用した臨床研究の複数の結果の分析。 J.コンサルティングクリニックサイコル。 82、920–930 (2014)。

記事 Google Scholar

微分を使用しない最小化のための Brent、RP アルゴリズム。（ドーバー出版物、2013）。

ソアレス-ミランダ、L.ら。高齢者の身体活動と心拍数の変動。回覧 129、2100–2110 (2014)。

記事 Google Scholar

Tan, JPH、Beilharz, JE、Vollmer-Conna, U. & Cvejic, E. 健康的な老化のマーカーとしての心拍数変動。内部。Ｊ．カーディオール． 275、101–103 (2019)。

記事 Google Scholar

Natarajan, A.、Pantelopoulos, A.、Emir-Farinas, H.、Natarajan, P. 800 万人を対象とした光電脈波検査による心拍数変動: 横断研究。 Lancet Digital Health 2、e650–e657 (2020)。

ゲルマン、A.ら。ベイズデータ分析。ベイジアンデータ分析 (CRC Press、2014)。

カーペンター、B.ら。 Stan: 確率的プログラミング言語。 J.Stat. ソフトウェア。 76、1–32 (2017)。

記事 Google Scholar

Kline、RB 構造方程式モデリングの原則と実践。巻。 156 (ギルフォード、2011)。

Rosseel, Y. lavaan: 構造方程式モデリングのための R パッケージ。 J.Stat. ソフトウェア。 48、1–36 (2012)。

記事 Google Scholar

Pinheiro, J.、Bates, D.、DebRoy, S.、Sarkar, D. nlme: 線形および非線形混合効果モデル。 R パッケージバージョン 3 (2007) でプレプリント。

Hastie, T.、Tibshirani, R. & Friedman, J. 統計学習の要素: データマイニング、推論、予測。（スプリンガー、2009年）。

Gruber, M.、de Leon, N.、George, G.、Thompson, P. 設計による管理。アカド。管理。 J. 58、1–7 (2015)。

記事 Google Scholar

Dahl、MS 組織の変化と従業員のストレス。管理。科学。 57、240–256 (2011)。

記事 Google Scholar

リフ、CD 幸福がすべてですか、それともそうですか？心理的幸福の意味についての探求。 J.パーソナル。社会サイコル。 57、1069–1081 (1989)。

記事 Google Scholar

ボロン、WF およびブルパエプ、EL 医学生理学。 (エルゼビア、2017)。

Pitchforth, J.、Nelson-White, E.、van den Helder, M.、Oosting, W. 作業環境パイロット: テクノロジー企業にとって最適なオフィス設計を決定するための実験。 PLoS ONE 15、e0232943 (2020)。

Lee, Y.、Nelson, EC、Flynn, MJ & Jackman, JS オープンプランのオフィスにおける認知環境のためのサウンドスケープのオプションを探ります。建築音響学 27、185–202 (2020)。

Lee, PJ、Lee, BK、Jeon, JY、Zhang, M. & Kang, J. オープンプランのオフィスにおける自己評価の仕事満足度と健康に対する騒音の影響: 構造方程式モデリングアプローチ。人間工学 59、222–234 (2016)。

記事 Google Scholar

Jahncke, H.、Hygge, S.、Halin, N.、Green, AM & Dimberg, K. オープンプランのオフィスの騒音: 認知パフォーマンスと回復。Ｊ．Ｅｎｖｉｒｏｎ．サイコル。 31、373–382 (2011)。

記事 Google Scholar

Mehta, R.、Zhu, R.、Cheema, A. 騒音は常に悪いものですか? 周囲の騒音が創造的認知に及ぼす影響を調査しています。 J.コンサム。解像度 39、784–799 (2012)。

記事 Google Scholar

オシャ。職業上の騒音暴露。労働安全衛生局 https://www.osha.gov/noise (2021)。

Walker, ED、Brammer, A.、Cherniack, MG、Laden, F. & Cavallari, JM 短期騒音曝露に対する心血管およびストレス反応 - 健康な男性を対象としたパネル研究。環境。解像度 150、391–397 (2016)。

記事 CAS Google Scholar

Cvijanović, N.、Kechichian, P.、Janse, K. & Kohlrausch, A. 音声コミュニケーション環境における覚醒に対するノイズの影響。スピーチコミュ。 88、127–136 (2017)。

記事 Google Scholar

Park, SH & Lee, PJ 精神生理学的反応に対する床衝撃騒音の影響。建てる。環境。 116、173–181 (2017)。

記事 Google Scholar

シム、CS 他男性の心拍数変動に対するさまざまな種類の騒音の影響。延世医学 J. 56、235–243 (2015)。

記事 Google Scholar

Abbasi, AM、Motamedzade, M.、Aliabadi, M.、Golmohammadi, R.、Tapak, L. 模擬制御室における低周波騒音への曝露によって引き起こされる生理学的および精神的健康への影響の研究。建築音響学 25、233–248 (2018)。

クラウス、Ｕ．ら。成人における日常活動中の個人の日中の騒音曝露と心拍数の変動: 反復測定研究。環境。健康の観点。 121、607–612 (2013)。

記事 Google Scholar

Srinivasan, K. et al. スマートヘルスアプリケーションにおける累積的な遅れ効果を特定するための正則化アプローチ。第 7 回デジタルヘルス国際会議議事録 99–103 (ACM Press、2017)。

ガダレタ、M. et al. ウェアラブルセンサーと説明可能な機械学習アルゴリズムによる新型コロナウイルス感染症の受動的検出。 npjデジタルメディカル 2021 4:1 4、1–10 (2021)。

Google スカラー

Verkuil, B.、Brosschot, JF、Tollenaar, MS、Lane, RD & Thayer, JF 日常生活における心理的ストレスの生理学的マーカーとしての長期にわたる非代謝性心拍数変動の減少。アン。振る舞い。医学。 50、704–714 (2016)。

記事 Google Scholar

Xhyheri, B.、Manfrini, O.、Mazzolini, M.、Pizzi, C. & Bugiardini, R. 今日の心拍数の変動。プログレ。心血管障害 55、321–331 (2012)。

記事 Google Scholar

Shaffer, F. & Pinsberg, JP 心拍数変動の測定基準と基準の概要。フロント。公衆衛生学 5、1–17 (2017)。

記事 Google Scholar

Das, A.、Poole, WK & Bada, HS 子宮内でコカインに曝露された新生児における複数の神経行動結果を同時にモデル化するための反復測定アプローチ。午前。Ｊ．Ｅｐｉｄｅｍｉｏｌ． 159、891–899 (2004)。

記事 Google Scholar

Pitch, KA & Stevens, JP 社会科学への多変量統計の応用。 (Routledge、2016)。

Ritz, C.、Pilmann Laursen, R. & Trab Damsgaard, C. マルチレベル線形混合モデルの同時推論 - 大規模な学校給食研究への応用。 JR駅 Soc.: Ser. C. (Appl. Stat.) 66、295–311 (2017)。

記事 Google Scholar

リン、Y.-K.、チェン、H.、ブラウン、RA、リー、S.-H. & ヤン、H.-J. 慢性期医療におけるリスクプロファイリングのための医療予測分析: ベイジアンマルチタスク学習アプローチ。 MIS Q. 41、473–495 (2017)。

記事 Google Scholar

Faraway、JJ R による線形モデルの拡張: 一般化された線形、混合効果、およびノンパラメトリック回帰モデル。（CRCプレス、2016年）。

Muthén, BO SEM を超えて: 一般的な潜在変数モデリング。行動メトリカ 29、81–117 (2002)。

記事 Google Scholar

Kline、RB 構造方程式モデリングにおける仮定。構造方程式モデリングのハンドブック (Guilford、2012)。

SW、Raudenbush および AS 州 Bryk 階層線形モデル: アプリケーションとデータ分析方法。（セージ、2002）。

シュムエリ、G. 説明するのか、それとも予測するのか？統計科学。 25、289–310 (2010)。

記事 Google Scholar

マリク、M.ら。心拍数の変動: 測定の基準、生理学的解釈、および臨床使用。ユーロ。 Heart J. 93、1043–1065 (1996)。

Google スカラー

Pereira, T.、Almeida, PR、Cunha, JPS & Aguiar, A. きめ細かいストレスレベル評価のための心拍数変動メトリクス。コンピュータメソッドプログラム生物医学 148、71–80 (2017)。

記事 Google Scholar

ラジョヤン、J. 他ウェアラブルセンサーと脆弱な高齢者の虚弱性の評価：観察コホート研究。センサー 18、1336 (2018)。

記事 Google Scholar

セイヤー、JFら。ストレスの生理学的尺度に対する物理的な作業環境の影響。ユーロ。 J. Cardiovascular Prev. リハビリ。 17、431–439 (2010)。

記事 Google Scholar

マクノートン、P. et al. 環境に優しい建物への移転前後の環境認識と健康状態。建てる。環境。 104、138–144 (2016)。

記事 Google Scholar

リチャーズ、DM et al. 新型コロナウイルス感染症（COVID-19）と診断された患者を継続的に遠隔監視するためのウェアラブルセンサー由来の非代償指数。 npj ディグ。医学。 4、155（2021）。

Merkle, EC & Wang, T. 実験心理学データ分析のためのベイジアン潜在変数モデル。サイコノミックブル。改訂 25、256–270 (2018)。

記事 Google Scholar

Skrondal, A. & Rabe-Hesketh, S. 一般化された潜在変数モデリング: マルチレベル、縦断、および構造方程式モデル。（CRCプレス、2004年）。

Heck, RH & Thomas, SL マルチレベルモデリング技術の紹介: Mplus を使用した MLM および SEM アプローチ。 (Routledge、2015)。

Zou, H. アダプティブなげなわとその神託のプロパティ。混雑する。統計准教授 101、1418–1429 (2006)。

記事 CAS Google Scholar

Searle, SR、Speed, FM & Milliken, GA 線形モデルにおける母集団周辺平均: 最小二乗平均の代替手段。午前。統計 34、216–221 (1980)。

West, BT & Galecki, AT 線形混合モデルを近似するための現在のソフトウェア手順の概要。 Am Stat 65、274–282 (2011)。

記事 Google Scholar

Mai, Y. & Zhang, Z. ベイジアンマルチレベルモデリング用ソフトウェアパッケージ。 Struct Equ Modeling 25、650–658 (2018)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、米国一般調達局契約番号 GS-00-H-14-AA-C-0094 によって資金提供されました。

カンザス大学ビジネススクール、ローレンス、カンザス州、米国

カルティクスリニバサン

米国アリゾナ州ツーソン、エラー管理大学、経営情報システム学科

ファイズ・カリム＆スダ・ラム

HKS Inc、米国コロラド州デンバー

ケイシー・M・リンドバーグ

場所、幸福、およびパフォーマンス研究所、アリゾナ大学、ツーソン、アリゾナ州、米国

ケイシー M. リンドバーグ & エスター M. スタンバーグ

品質、有効性、安全性におけるイノベーションセンター (IQuESt)、ベイラー医科大学、米国テキサス州ヒューストン

ジャバド・ラジョヤン

米国ヒューストンのベイラー医科大学医学部

ジャバド・ラジョヤン

ビッグデータサイエンティストトレーニング強化プログラム、VA 研究開発局、ワシントン、米国コロンビア特別区

ジャバド・ラジョヤン

米国連邦政府高機能グリーンビルディング局、米国一般調達局、ワシントン DC、米国

ブライアン・ギリガン、ケリー・J・カナダ、ジュディス・ヘアワーゲン、ケビン・カンプシュロア

Best Buy、ボストン、マサチューセッツ州、米国

イ・ヒョキ

アクリマ社、米国カリフォルニア州サンフランシスコ

ニコール・ゲーベル & メリッサ・M・ランデン

アリゾナ大学心理学部、ツーソン、アリゾナ州、米国

マティアス・R・メール

Center to Stream HealthCare in Place (C2SHIP)、Michael E. DeBakey、ベイラー医科大学外科、米国テキサス州ヒューストン

ビジャン・ナジャフィ

アンドリュー・ワイル統合医療センター、アリゾナ大学、ツーソン、米国

エスター・M・スタンバーグ

PubMed Google Scholar でこの著者を検索することもできます

KS は経験的なベイズモデルと異質性モデリング手法を開発し、データ分析を実行しました。 FCとSRは、経験的ベイズモデルと異質性モデリング手法の開発、解析結果の提示について助言した。 JR、HL、BJ は心臓と身体活動のデータを統合しました。 NG、MML の統合環境センサーデータ。 SR、CML、BG、MRM、JH、EMS、および KK がこの研究を考案し、設計しました。 KS、FC、SR が原稿を作成しました。著者全員が結果の解釈に貢献しました。すべての著者は原稿を読んで承認しました。

Karthik Srinivasan への通信。

NG と MML は、競合する非金融利益はありませんが、次の競合する金融利益があると宣言します。NG と MML は、営利団体である Aclima Inc. に雇用されています。他のすべての著者は、競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Srinivasan、K.、Currim、F.、Lindberg、CM 他。ウェアラブルデバイスと経験的ベイズモデリングを使用した、職場の騒音レベルと生理学的健康状態の間の関連パターンの発見。 npj 数字。医学。 6、5 (2023)。 https://doi.org/10.1038/s41746-022-00727-1

引用をダウンロード

受信日: 2022 年 2 月 22 日

受理日: 2022 年 11 月 29 日

公開日: 2023 年 1 月 13 日

DOI: https://doi.org/10.1038/s41746-022-00727-1

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

npj デジタルメディシン (2023)

前: ノックセンサーとは何ですか？次: 2023 コルベット Z06 が道路とサーキットでスーパーカーグッズを提供

お問い合わせを送信

送信