《American Journal of Industrial Medicine》：Assessing the Feasibility of Wearable Devices for Physiological Monitoring and Heat Risk Prediction in Outdoor Agricultural Workers
编辑推荐：
摘要
背景：户外农业工人面临显著的热暴露，然而很少有研究评估可穿戴传感器能否在真实田间条件下可靠地测量连续生理反应。这项初步研究检验了从商用可穿戴设备收集的核心温度、水合状态、心率和运动数据的可行性及预测效用。
方法：北卡罗来纳州东部的三十名农场工
摘要
背景：户外农业工人面临显著的热暴露，然而很少有研究评估可穿戴传感器能否在真实田间条件下可靠地测量连续生理反应。这项初步研究检验了从商用可穿戴设备收集的核心温度、水合状态、心率和运动数据的可行性及预测效用。
方法：北卡罗来纳州东部的三十名农场工人在七月的一个工作班次中佩戴了三种设备：CALERA核心温度传感器、Nix水合生物传感器和Garmin Vivoactive智能手表。研究人员将每分钟的生理和环境数据对齐，以计算修正生理应变指数（modified Physiological Strain Index, mPSI）。总结设备可靠性、生理反应和热暴露。评估多元线性回归和机器学习（随机森林[Random Forest, RF]和梯度提升回归[Gradient Boosting Regression, GBR]）模型预测mPSI的性能，使用原始和经移动平均平滑的预测变量来估计mPSI。
结果：CALERA检索到100%的数据，Garmin检索到97%，Nix检索到80%。湿球黑球温度（Wet Bulb Globe Temperature, WBGT）持续保持高位，约28至29摄氏度，12.6%的核心温度测量值超过38摄氏度。mPSI范围从最小到高热应变，8.3%的观测值达到或超过5。心率与mPSI的关联最强。使用60分钟移动平均的RF模型达到了最高的预测精度，R2为0.96，均方根误差（root mean squared error, RMSE）为0.25。可穿戴设备捕捉到了与环境热暴露相对应的有意义的生理模式，而基于WBGT的风险级别相对于mPSI持续高估热应变。
结论：多传感器可穿戴系统对于连续热应变监测是可行的，并且能够支持对农业工人热相关风险的准确预测。本研究首次评估了CALERA、Nix和Garmin设备联合用于户外农业工人的热应变监测。通过将这三种可穿戴设备整合到基于现场的可行性评估中，它弥补了在这类高风险劳动力人群中验证消费级技术用于职业安全的关键缺口。研究结果支持使用可穿戴设备进行实时热应变警报、个性化水合与工作休息指导以及早期预警系统，以帮助预防在体力要求高的户外职业中发生热相关疾病。
**论文解读文章**
**研究背景**
随着全球气温升高，热暴露对公众健康、职业安全和生产力构成日益严重的威胁。世界卫生组织和美国环境保护署均强调需要整合工程与行政控制、水合与休息管理、医学监测等循证策略。户外工作者，特别是农业工人，由于长期在极端环境条件下进行体力劳动（如收获、种植、修剪、搬运等），极易受到热应激的影响。传统的热应激评估方法（如直肠探头测核心体温、尿样分析评估水合状态、心电图测心率等）虽然准确，但多为离散测量，缺乏实时性，无法为工人提供即时反馈。尽管技术进步催生了可摄入式胶囊、非侵入性可穿戴设备等新型监测工具，但很少有研究在真实田间条件下评估多种商用可穿戴传感器同时连续记录的可行性和预测效用。因此，研究人员开展这项初步研究，旨在评估三种商用可穿戴设备（CALERA核心温度传感器、Nix水合生物传感器、Garmin Vivoactive智能手表）在户外农业工人中测量核心体温、体液与电解质丢失以及心率的可行性，并构建预测模型以评估这些生理指标能否有效关联和预测热相关风险。该论文发表在《American Journal of Industrial Medicine》。
**关键方法**
研究人员在北卡罗来纳州东部的一个农场，于2025年7月15日至17日三个工作日（每天约5:00至16:00）对30名农业工人进行监测。每位工人同时佩戴三种设备：CALERA Research（非侵入性核心体温传感器，通过胸带固定于胸骨下方）、Nix Hydration Biosensor（水合生物传感器，贴于上臂外侧）和Garmin Vivoactive 6智能手表（佩戴于手腕）。设备以1分钟间隔记录数据。环境热暴露数据（WBGT）来自距离农场约32公里处的地方气象站。研究人员计算修正生理应变指数（mPSI），该指数同时整合了核心体温和心率。采用多元线性回归（MLR）以及两种机器学习模型——随机森林（RF）和梯度提升回归（GBR）——预测mPSI。模型输入包括原始数据和不同时间窗口（15、30、60、90分钟）的移动平均特征。使用留出法（训练集13992条记录，测试集3240条记录）评估模型性能。
**研究结果**
**3.1 设备可靠性**
通过计算数据检索率发现：CALERA设备在所有参与者中实现了100%的数据检索；Nix传感器因与安卓设备同步问题，成功从24名参与者中收集数据，检索率为80%（其中一名参与者仅有汗率数据）；Garmin手表因一名参与者意外关闭数据收集，检索率为97%，另有四名参与者禁用了GPS功能。结果表明CALERA可靠性最高，Nix存在连接挑战，Garmin总体可靠但需注意用户误操作。
**3.2 参与者人口学**
研究人员通过问卷调查收集了人口学数据：参与者平均年龄32.5岁（SD=6.0），90%为男性，56.7%已婚，80%教育程度为高中或以下，80%英语水平为低或无；90%有至少1年农业工作经验，73.3%本季工作周数≤20周；工作类型包括烟草（36.7%）、修剪（30%）、喷洒（20%）等；平均基线心率为74.5 bpm（SD=12.7）。结果表明该队列代表北卡罗来纳州典型的年轻、男性为主的农业劳动力。
**3.3 环境和参与者的生理变化**
通过对每分钟环境与生理数据的统计分析发现：WBGT中位数在三天中分别约为28.2°C、27.8°C和28.5°C，范围约23°C–33°C，表明持续高温暴露。核心体温范围36.39°C–39.29°C（均值37.38°C），12.6%的分钟观测值超过NIOSH推荐的38.0°C限值；心率范围为40–156 bpm（均值91.86 bpm），均低于ACGIH推荐的180 bpm限值；mPSI范围为0.36–7.55（均值2.78），8.3%超过5（高风险阈值）。汗率均值308.26 mL/h，4.2%超过NIOSH 1.2 kg/h限值；总钠丢失范围为844–3150 mg。结果表明工人在持续高温下出现了可测量的轻中度热应变。
**3.4 AIHA App风险分析比较**
研究人员将AIHA热应激App基于WBGT的小时风险等级与基于mPSI的热应变风险等级进行交叉制表分析。结果显示：基于WBGT的风险等级（无论中度还是重体力劳动假设）大多数被归为“极端风险”（59.6%–77.8%），而基于mPSI（使用平均或最大核心体温）的风险等级主要为“无/低风险”（45.2%–46.7%），且“极端风险”均为0%。WBGT风险等级持续高于mPSI风险等级。这表明WBGT可能高估了实际热应变，尤其在适应热环境的工人中。
**3.5 地理空间分析**
研究人员将每分钟mPSI数据与GPS位置关联。结果显示：平均mPSI在田间工作时最高（2.9±1.7），其次是沿道路行进（2.5±1.5）和在农场入口（2.4±1.0）；57%的观测值mPSI≥2；在7月17日约11:15，一名参与者在田间达到了高风险（mPSI范围7.0–7.55）；316次中度风险事件中70%发生在田间。结果表明个体的热应变风险随地点和时间动态变化。
**3.6 相关性和模型预测**
**3.6.1 研究变量之间的相关性**
通过计算每个预测变量与mPSI的决定系数（R2）发现：在未经平滑条件下，心率的关联最强（中位R2=0.60），其次是总液体丢失（0.35）和皮肤温度（0.21）。移动平均平滑对变量的影响不同：心率的中位R2随平滑下降24.2%，而皮肤温度提高13.8%，汗率提高52.9%。这表明不同变量的信息时间尺度不同，预处理需变量特异。
**3.6.2 多元线性回归预测mPSI**
研究人员为每位参与者构建了包含或不含Nix水合变量的10个MLR模型（对应5个平滑窗口）。结果显示：不含Nix变量时，60分钟移动平均模型表现最佳（R2≈0.75，RMSE≈0.40）；含Nix变量时，60分钟移动平均模型RMSE降至0.30（R2≈0.82），比不含Nix时RMSE降低约20%–30%。t统计量表明心率是所有模型的绝对主导预测变量（NO_MA下均值t=25.04），其他预测变量贡献有限且不稳定。
**3.6.3 机器学习**
研究人员构建了RF和GBR模型。结果显示：RF模型在所有配置中R2为0.84–0.96，60分钟移动平均模型表现最优（R2=0.962，RMSE=0.25）；GBR模型R2为0.79–0.93，60分钟移动平均模型R2=0.92（RMSE=0.36）。特征重要性分析显示，心率在所有模型中始终是最强预测因子，其次是皮肤温度和距离；WBGT和Nix水合变量重要性较低。RF持续优于GBR，可能得益于其对时间泄漏的鲁棒性。
**3.6.4 整体回归比较**
研究人员比较了简单线性回归（SLR）、MLR和ML模型。结果表明：最优SLR（心率）R2=0.60；最优MLR（含Nix，60分钟）R2=0.82，RMSE=0.30；最优RF（60分钟）R2=0.96，RMSE=0.25。从SLR到MLR，R2提高37%；从SLR到RF，R2提高60%。这证实了集成学习在捕捉mPSI的非线性关系和复杂交互中的优势。
**讨论与结论**
**讨论总结**：本研究首次在美国农业工人中部署CALERA传感器，并首次在全球范围内评估Nix水合生物传感器。设备可靠性方面，CALERA表现最佳（100%检索率），Nix存在80%检索率和同步问题，Garmin因用户操作导致97%检索率。人口学特征反映了当地农业劳动力以年轻男性、已婚、低英语水平为主。生理监测发现工人持续暴露于高温（WBGT中位数~28°C），虽心率未超过ACGIH限值，但核心体温超过NIOSH限值的比例达12.6%，mPSI显示8.3%观测值达到高风险。与WBGT相比，基于mPSI的风险估计持续较低，可能归因于工人的热适应以及传感器可能的低估。地理空间分析显示mPSI在田间最高，且沿道路时也有升高（可能是工作并转换交通工具的滞后响应）。预测模型方面，心率是mPSI最相关的单一预测因子（R2=0.60），MLR结合多变量后性能提升（R2=0.82），而机器学习（尤其是60分钟移动平均RF）达到最优（R2=0.96，RMSE=0.25），表明非线性模型能更好捕捉生理与环境变量的复杂关系。研究局限性包括：因资金限制未与参考仪器比对验证准确性；WBGT数据来自32公里外的气象站，可能不能完全代表现场；未正式评估热适应状态。未来工作包括多日验证、更大样本、使用深度学习模型等。
**研究结论部分翻译**：该初步研究表明，商用可穿戴设备可以在农业工人在真实户外任务中经历显著热暴露期间成功捕获连续的生理和环境数据。CALERA核心温度传感器、Nix水合生物传感器和Garmin智能手表产生了有意义的测量值，具有高检索率，并提供了反映整个工作日内个体应变和环境条件的信息。观察到的生理反应，包括核心体温升高、心率增加以及汗液和钠丢失变化，表明即使在基于WBGT的风险水平可能提示更严重状况时，工人仍经历可测量的热相关应变。机器学习模型，特别是使用60分钟移动平均的随机森林模型，在估计mPSI方面表现出强大的预测能力，这支持了使用集成建模方法进行实时热风险评估。这些发现表明，基于可穿戴传感器的系统可以通过提供个性化、持续更新的生理信息来补充传统的热应激工具。该方法有可能加强工作场所热安全计划，指导更早期的干预，并减少在体力要求高的户外产业工人中发生热相关疾病的可能性。从职业健康的角度，雇主可以提供这些可穿戴传感器作为主动安全措施；然而，为防止歧视性雇佣行为，原始生理数据应仅对个体工人开放，以私下管理其水合和休息需求。需要在更大、更多样化的人群、多种工作任务和更长监测周期中进行进一步研究，以完善这些系统并推动实用的、数据驱动的职业热保护决策工具的发展。
