《Sensors》：Fusing Wearable and Environmental Sensors for Context-Aware Firefighter Wellbeing Monitoring
编辑推荐：
对在岗消防员进行实时监测，可通过早期发现疲劳和职业危害来降低心血管事件和伤害风险。近期研究使用可穿戴传感器追踪心率和体温等指标。然而，大多数现有系统缺乏集成的环境传感，难以判断升高的生命体征源于体力消耗、环境热量还是两者共同作用。为此，提出一种无线传感系统，在
对在岗消防员进行实时监测，可通过早期发现疲劳和职业危害来降低心血管事件和伤害风险。近期研究使用可穿戴传感器追踪心率和体温等指标。然而，大多数现有系统缺乏集成的环境传感，难以判断升高的生命体征源于体力消耗、环境热量还是两者共同作用。为此，提出一种无线传感系统，在灭火作业过程中同步生理与环境测量。该系统通过一项新实验得到验证，28名消防员完成了包含热身活动和实火扑救的训练回路重复试验。参与者在每个阶段后回答调查问卷，以1-10分评估整体健康状况。开发了一个预测框架，利用收集的数据对活动类型和感知健康状况进行分类。为从复杂的多模态时间历史中提取有用信息，比较了一系列使用从生理、环境和人口统计数据中提取的不同统计特征集的模型。此外，提出一种具有受试者特定随机截距的线性混合效应（LME）模型，以考虑个体在生物学反应和自我报告健康状况方面的差异。评估表明，该系统区分热身阶段与实火阶段的准确率超过97%。对于健康状况预测，单标签个性化LME模型估计其后续评分的平均绝对误差为（原文数值缺失），而同一模型无个性化时为（原文数值缺失）。最后，数据调查显示，健康状况评分并未完全由生理测量（如升高的生命体征）解释，个体差异和人口统计学因素解释了大部分方差。这些发现支持对消防员监测进行多模态传感和个性化建模的进一步评估。
本解读文章基于论文《Fusing Wearable and Environmental Sensors for Context-Aware Firefighter Wellbeing Monitoring》内容进行浓缩。
**研究背景与问题**
消防工作涉及高体力消耗和多种职业危害，消防员需穿戴厚重的个人防护装备（Personal Protective Equipment, PPE）执行水带操作、强行进入、通风和搜救等任务，暴露于极端高温、有毒烟雾和结构危险中。灭火作业还要求持续的有氧努力，身体、热和精神压力叠加，使执勤期间及之后的心血管事件风险显著升高，成为执勤死亡的首要原因。实时监测消防员状态可使现场指挥人员通过早期识别生理压力和职业危害，及时决定轮换和恢复。已有研究利用可穿戴传感器监测心率、体温等，但多数系统缺少集成环境传感，无法判断生命体征升高源于体力消耗、环境热暴露还是两者共同作用。少数同时纳入两类传感器的工作也极为罕见，且未明确研究环境测量如何为生理反应提供背景。因此，需要一种统一的多模态传感系统，同步刻画环境暴露和生理反应，为指挥决策提供更全面的信息。
**研究目标与主要贡献**
该研究开发并验证了一种基于无线蓝牙低功耗（Bluetooth Low Energy, BLE）的传感系统，可同步记录生理数据（心率、体温、皮肤温度）和环境条件（环境温度、服内温度、湿度）。实验在海军潜艇基地Kings Bay开展，28名消防员参与，完成两次包含热身活动（warm-up, WU）和实火扑救（live-fire, LF）的训练回路。该工作的三个主要贡献是：（1）在三个具有挑战性的分类任务上验证系统，即区分WU与LF、区分训练重复次数（第一次/第二次）、预测消防员1–10分的感知健康状况；（2）提供证据表明本次实验中感知健康状况并未始终与测量的生理压力一致；（3）提出一种线性混合效应（Linear Mixed-Effects, LME）模型，利用新受试者的第一个健康评分对其后续阶段预测进行个性化校准。
**主要技术方法**
系统采用商用BLE传感器（COROS心率监测器、Greenteg CORE核心体温传感器、Sensor Maestros SFM2温湿度传感器）以及团队自制的K型热电偶环境传感器节点，数据记录节点基于Raspberry Pi单板计算机和Nordic Semiconductor BLE模块，通过私有WLAN汇聚至中央基站。实验队列为28名消防员（最终纳入26名，共87个阶段级观测），每名受试者完成两次包含热身和实火扑救的训练回路，并在每个阶段后填写1–10分健康状况自评问卷。数据预处理包括异常值剔除、按阶段分段、基于训练受试者的缺失值插补和标准化。每个传感器通道提取7个统计特征（均值、标准差、最小值、最大值、范围、斜率、相对基线差值）。建模使用逻辑回归（Logistic Regression, LR）进行分类、弹性网络（Elastic Net, EN）回归进行健康评分预测，并采用留一受试者交叉验证（Leave-One-Subject-Out, LOSO）评估模型。LME模型在EN选出的固定效应基础上，加入受试者特定随机截距，利用第一个阶段的实际评分估计随机截距（Best Linear Unbiased Prediction, BLUP）以个性化后续预测。
**研究结果**
*6.1 多模态传感器系统验证*
*6.1.1 示例数据：* 对代表性受试者的完整时间历史分析显示，外部温度在进入实火舱的瞬间骤升，可达约60°C；服内湿度在实火阶段接近80%；心率升至150–170 bpm并维持；体温从约37.3°C单调上升至约38.5°C。环境信号标记了靠近火源的热暴露，生理信号反映了重复训练中的累积应激。
*6.1.2 阶段分类（Warm-Up vs. Live Fire）：* 使用逻辑回归分类器，仅环境传感器和全部传感器均正确分类87个观测中的85个（97.7%），仅生理传感器的准确率为82.8%。Wilcoxon符号秩检验显示，所有环境模态均值在WU与LF间均有显著差异，而心率平均在WU阶段更高。结果表明环境传感器对检测是否接近火源更具判别力。
*6.1.3 阶段与试次分类：* 将四类（T1-WU, T1-LF, T2-WU, T2-LF）分类任务中，采用全传感器逻辑回归模型的准确率为86.2%，比仅环境特征高8%，比仅生理特征高约18%。误差分析显示12个错误中仅2个属于阶段类型误判。生理传感器（如心率、体温）在区分第一次与第二次训练时提供了额外信息，可能作为累积疲劳的探索性代理。
*6.2 感知健康的主观性*
自我报告健康评分集中在7–9分，均值7.41±1.48，且没有任何受试者报告最低分1，呈现不平衡分布。Spearman相关分析显示，健康评分与总体表现（0.69）和呼吸控制（0.68）相关性最强，与温度舒适性相关性最弱。WU阶段的健康评分均值低于LF阶段，T2阶段高于T1但未达统计显著。值得注意的是，从T1到T2，心率和体温升高，而健康评分也上升，这与累积疲劳导致健康下降的预期相反，说明自报健康并未持续反映测量的生理压力。人口统计学LME模型显示年龄、经验和身高与健康评分显著相关，其中年龄为负相关，经验和身高为正相关。空模型计算的组内相关系数（Intraclass Correlation Coefficient, ICC）为0.563，表明56.3%的总方差由受试者间差异解释，其余约44%来自受试者内部阶段间波动。这推动了个性化建模。
*6.3 预测感知健康评分*
*6.3.1 种群水平模型：* 比较了不同特征组合的弹性网络模型，包含“全部特征”的模型优于仅环境或仅生理特征模型。通过跨折特征存活率排序选择的前10特征模型，在探索性分析中达到最高的相邻准确率，选出的关键特征包括皮肤温度均值、心率标准差、服内湿度最大值、口袋湿度差值、能量水平、身高、阶段时长、睡眠质量、性别和核心体温最小值等。该模型被定位为回顾性描述，而非完全锁定的预测流程。
*6.3.2 混合效应模型用于受试者特定截距：* 利用受试者第一个阶段（T1-WU）的健康评分估计随机截距后，对后续61个观测进行BLUP校准，平均绝对误差（Mean Absolute Error, MAE）从无个性化LME的（原文数值缺失）降至（原文数值缺失），校准使23名受试者中17人的MAE降低（Wilcoxon符号秩检验p=0.012）。与种群水平EN模型配对比较，LME+BLUP的MAE均值较低（0.658 vs. 0.699），但差异未达统计显著。结果表明第一个健康评分可提供有效的受试者特异校准，但该方法需要先获得一次真实评分。
**讨论与结论**
讨论部分指出研究的主要局限包括：样本量较小（87观测、26人、单站点），无法推广至真实火场环境；实验设计无法分析站点、时长或重复次数的影响；特征选择基于全LOSO折聚合，并非完全独立；个性化方法要求先获得一个健康评分；系统未评估实时预测能力。未来需要在多站点、多装备配置、不同气候和情景下验证，并发展滑动窗口或部分阶段特征的实时预测及在线自适应策略。研究结论认为，该系统成功同步采集了灭火作业中的生理与环境数据，WU与LF分类准确率达97.7%，四阶段分类准确率达86.2%。自报健康评分并未完全由生理指标解释，而个性化LME模型利用首个健康评分改善了预测。该系统作为消防员监测研究平台有良好前景，经进一步测试后有望成为人类监督下的决策支持工具，为指挥员和安全人员提供数据驱动的监测信息，辅助专业判断和已确立的安全程序。
