3. 数字生物标志物的数据采集工程

数字生物标志物的可信度，首先取决于采集环节是否把“生理/行为信号”稳定地转成“可分析的数据”。这一节把采集工程拆成五个相互咬合的层面：可穿戴设备选型、智能手机传感、环境传感器、数据采集协议设计、时间同步与元数据管理。它们不是并列的工具清单，而是一条从物理量到结构化数据集的链路——任何一环失配，都会在后续建模阶段以噪声、缺失或不可解释的漂移形式暴露出来。

一、可穿戴设备选型：先定测量目标，再定硬件

选型的第一步不是比较品牌，而是明确要测什么、在什么场景下测、允许多大误差。以心率与心率变异性（HRV）为例，光电容积脉搏波（PPG）适合腕带式长期监测，但在运动伪影大、末梢灌注差时误差显著；心电（ECG）胸带在静息与运动恢复期更稳，却因佩戴不适导致依从性下降。因此选型要同时评估四项：信号质量（采样率、信噪比、运动鲁棒性）、佩戴依从性（重量、续航、防水）、数据可获取性（是否开放原始PPG/加速度、是否有厂商SDK或API）、合规与隐私（数据是否出境、是否可用于研究）。

一个可操作的判断是：若研究关注夜间静息HRV，优先选可导出逐搏间期（IBI）且采样率≥25 Hz的设备；若关注日间活动与步态，则加速度计采样率建议≥50 Hz，量程至少±8 g，以覆盖快走与跑动。选型阶段应做一次小规模“同源验证”：让同一受试者同时佩戴候选设备与参考设备（如ECG胸带或医用指夹血氧），在静息、步行、上下楼三种状态下各采集10分钟，比较心率均值偏差与IBI一致性。若静息偏差超过±3 bpm、运动段偏差超过±8 bpm，该设备不适合作为主采集源。

二、智能手机传感：把“随身设备”变成受控仪器

智能手机的价值在于普及率高、交互自然，可采集主动任务数据（如语音、步态、反应时、问卷）与被动数据（如屏幕使用、位置、通话）。但它不是实验室仪器：不同机型麦克风频响、加速度计量程、系统采样调度差异很大。工程上要做三件事：固定采集参数（如录音16 kHz/16 bit单声道、加速度50 Hz）、记录设备指纹（机型、OS版本、传感器型号、采样率实际值）、设计任务协议（如“以自然速度走10米，重复3次，间隔30秒”）。

以步态任务为例，手机置于裤袋，加速度计采集三轴信号。预处理时先做5 Hz低通滤波，再检测步态周期。若某次任务中检测到的步数少于实际步数的80%，应标记为“低质量”，而不是直接丢弃——因为缺失本身也是依从性信息。主动任务还应加入质量门控：录音信噪比低于15 dB、步态任务时长不足8秒、问卷答题时间短于2秒/题，均触发重测提示。

三、环境传感器：为行为数据提供“上下文坐标”

环境数据解释“为什么这个信号会这样变化”。常见对象包括温湿度、光照、噪声、PM2.5、气压与位置。例如，夜间HRV下降可能源于睡眠呼吸事件，也可能源于卧室温度过高；日间步数减少可能因为下雨，也可能因为疼痛。环境传感器应尽量与可穿戴/手机时间对齐，并记录安装位置（室内/室外、高度、朝向）。

工程上建议环境采样率不必高：温度1次/分钟、光照1次/分钟、噪声1次/秒即可；但必须记录传感器型号、校准日期、量程与精度。若使用固定式环境节点，应记录其与受试者居住地的空间关系（同房间、同楼层、同小区），否则环境变量无法与个体暴露量对应。

四、数据采集协议设计：把“采集”写成可复现的契约

协议设计要回答：采什么、多久采一次、采多久、失败怎么办、数据存哪里。一个可参考的协议骨架如下（示例参数，需按研究调整）：

采集对象：腕带PPG+加速度、手机步态任务、卧室温湿度
采样率：PPG 25 Hz，加速度 50 Hz，温湿度 1/60 Hz
采集窗口：连续7天，每天00:00-24:00
主动任务：每日09:00、15:00、21:00各一次步态任务（10米×3）
失败策略：任务失败后30分钟重试，最多2次；仍失败则标记missing
数据落地：设备本地缓存→每日Wi-Fi同步→加密上传
质量门控：PPG信噪比<10 dB标记低质量；步态步数<80%触发重测

协议还要定义“最小可接受数据集”：例如7天中至少5天有效、每天至少18小时佩戴、主动任务完成率≥70%。达不到则进入补采或剔除流程，而不是在分析阶段才处理。

五、时间同步与元数据管理：让数据可对齐、可追溯

多源采集最大的隐患是时间轴不一致。设备时钟漂移、手机与腕带不同步、环境节点独立计时，都会让“同一时刻”的生理与环境变量错位。工程上采用两级同步：设备内时间戳（单调时钟，避免系统时间跳变）与全局对齐（以NTP或手机时间为基准，记录每次同步的偏移量）。若某设备偏移超过500 ms，应在分析前做线性校正；超过5 s则标记该段不可用于跨模态对齐。

元数据管理要覆盖三类：设备元数据（型号、固件、传感器量程、校准）、采集元数据（开始/结束时间、采样率、缺失段、质量标记）、受试者上下文（佩戴部位、任务类型、环境位置）。推荐用“宽表+事件表”结构：宽表存逐时间点信号，事件表存任务、同步、校准、异常事件。所有时间统一为UTC并保留原始时区字段，避免夏令时造成重复或缺失。

六、把采集工程做成可复现的闭环

采集工程的最终交付物不是“一堆文件”，而是一份可被他人复现的数据集及其说明。建议在项目启动时固定三份文档：设备与传感器清单（型号、固件、量程、校准日期）、采集协议（采样率、窗口、任务、失败策略、质量门控）、数据字典（字段名、单位、时间基准、缺失编码）。每次采集批次结束后，先跑一次质量报告：各设备有效时长、主动任务完成率、时间偏移分布、缺失段比例。若某设备有效时长低于80%，优先排查佩戴与同步问题，而不是直接进入特征工程。

需要强调的是，采集阶段的质量标记必须保留到分析阶段。把低质量段直接删除，会引入选择偏倚；正确做法是保留原始记录并附加质量标签，让模型或统计过程自行决定是否纳入。时间同步与元数据管理看似“后台工作”，却决定了多模态数字生物标志物能否被正确对齐和解释——这是采集工程真正的专业门槛。