[论文解读] Urban Healthcare Big Data System Based on Crowdsourced and Cloud-Based Air Quality Indicators

Min Chen, Jun Yang+3 more|arXiv (Cornell University)|Oct 25, 2018

Air Quality Monitoring and Forecasting参考文献 9被引用 8

一句话总结

本文提出UH-BigDataSys，一种城市医疗健康大数据系统，整合众源与基于物联网的空气质量数据，以及可穿戴传感器的生理信号。通过融合多源空气质量指标（PM2.5、NO2、O3等）与实时健康指标（心率、血氧、心电图），该系统利用边缘-云处理与机器学习模型，为呼吸健康、户外活动及睡眠质量提供个性化健康指导。

ABSTRACT

The ever-accelerating process of globalization enables more than half the population to live in cities. Thus, the air quality in cities exerts critical influence on the health status of more and more urban residents. In this article, based on urban air quality data collected through meteorological sites, mobile crowdsourcing, and IoT sensing, along with users' body signals, we propose an urban healthcare big data system named UH-BigDataSys. In this article, we first introduce a method of integrating multi-source air quality data for the data preparation of artificial-intelligence-based smart urban services. Then a testbed of UH-BigDataSys is set up with the deployment of air-quality-aware healthcare applications. Finally, we provide health guidance for urban residents in aspects of respiratory diseases, outdoor travel, sleep quality, and so on. The ultimate goal of UH-BigDataSys is for urban residents to lead healthier lives.

研究动机与目标

• 通过移动众源与物联网传感，解决传统气象空气质量监测在空间与时间分辨率上的局限性。
• 通过融合固定站点、移动设备与智能可穿戴设备等多源数据，提升空气质量指数（AQI）估算的准确性与粒度。
• 通过整合实时生理数据（如心电图、心率、体温）与局部空气污染水平，实现个性化健康监测。
• 开发基于云的城市医疗健康系统，为呼吸系统疾病、户外活动与睡眠质量提供可操作的健康指导。
• 构建测试平台，验证系统在真实城市传感与健康分析场景下的性能。

提出的方法

• 部署多源数据采集框架，利用固定气象站、通过智能手机进行的移动众源，以及嵌入传感器（如用于温度的NTC热敏电阻、心电图/肌电图传感器）的物联网智能服装。
• 实施边缘-云架构，将多样化来源的数据处理并整合为统一的多源空气质量指数（M-AQI），提升空间与时间分辨率。
• 利用Spring框架实现RESTful API，支持客户端、云服务器与数据处理模块之间的互操作性。
• 应用大数据分析与机器学习，关联生理信号（如心率变异性、血氧水平）与环境空气质量，实现行为预测与健康指导。
• 设计智能服装系统，本地处理传感器数据，将数据存储于内存，并根据通信状态仅传输相关数据至云平台或智能手机。
• 构建预测模型，通过分析空气质量、生理状态与日常活动模式之间的相关性，评估室内外空气质量对睡眠质量的影响。

实验结果

研究问题

• RQ1 如何有效整合来自固定站点、移动众源与物联网的多源空气质量数据，以提升城市AQI估算的准确性与粒度？
• RQ2 可穿戴设备中的生理信号在多大程度上可用于评估个体对不同空气质量条件的健康反应？
• RQ3 如何通过环境与生理数据的实时融合，实现对城市居民的个性化健康指导？
• RQ4 空气质量对睡眠质量有何影响？这一关系如何通过集成传感器数据进行建模？
• RQ5 基于云的、RESTful的架构在支持可扩展且响应迅速的城市医疗健康大数据应用方面效果如何？

主要发现

• M-AQI模型通过融合气象站、移动设备与物联网传感器的数据，实现了比传统AQI估算更高的数据质量与更精细的空间-时间粒度。
• 智能服装成功采集并传输了生理数据，如心率（74 bpm）、血氧饱和度（98%）与心电图（1221 ADC），支持实时健康监测。
• 系统检测到较差空气质量（如PM2.5 = 29 μg/m³，O3 = 180 μg/m³）与不良生理反应之间存在强相关性，包括心率升高与血氧饱和度下降。
• 睡眠质量显著受室内空气质量与生理应激标志物影响，系统能够基于AQI与生物特征趋势预测睡眠干扰。
• 测试平台展示了高效的实时数据处理与健康指导交付能力，Web界面可为终端用户提供整合的空气质量与生理数据。
• 系统成功提供个性化建议，例如在高污染时段（如AQI = 75）避免户外活动，并调整路线以最小化暴露于高污染区域。