《Sensors》：Identification of Stress Location During Low-Speed Mobility Travel Using Environmental Data
Narumon Jadram,
Yuri Nishikawa and
Midori Sugaya
编辑推荐：
本研究提出了一种探索性框架，通过分析低速出行工具（LMDs，如电动轮椅）使用过程中的环境数据，来识别移动路径上的压力位置。其核心是通过问卷识别LMD出行特有的压力因素（如不良路面/振动、其他道路使用者相遇、狭窄人行道），利用环境数据量化这些因素，构建基于环境的压力估算指数（CSS），并与心率变异性（HRV）生理指标进行关联验证。结果表明，基于环境数据估算的压力与生理应激反应存在中等程度的负相关，初步证实了该方法用于识别LMD出行潜在压力位置的探索性可行性，为支持安全、舒适的LMD出行提供了新的评估方法。
研究目的与方法
本研究旨在开发一种识别低速出行工具（Low-Speed Mobility Devices, LMDs，如电动轮椅和代步车）出行过程中压力位置的方法。由于LMD主要服务于老年人和行动不便者，其在户外的使用常因交通状况和人行道特性等环境因素给使用者带来心理负担（即压力），这可能降低出行舒适度并阻碍LMD的持续使用。为支持LMD的安全舒适出行，识别潜在的压力位置至关重要。传统基于生理信号（如心率变异性HRV、皮电活动EDA）识别压力位置的方法存在运动伪影干扰、测量负担重等局限。因此，本文提出了一种基于环境数据的探索性框架，通过量化LMD特有的环境压力因素来估算压力并定位压力位置。
本研究提出的方法框架包含四个步骤。首先，识别LMD特有压力因素：通过分析用户完成实际LMD出行后的问卷反馈（包括选择题和自由文本），识别主观感知的压力因素。对文本进行结构化编码后，最终确定了三个主要压力因素：不良路面条件/振动、与其他道路使用者（行人、自行车）相遇，以及狭窄人行道。其次，路径分段：使用QGIS的QChainage插件，将出行路线按100米固定间隔划分为分析段，以确保每段有足够的HRV数据（≥60秒）用于后续验证。如图1所示，边界点（红点）沿路径放置，相邻点之间区域即为一个分析段。再次，利用环境数据量化压力因素：收集与压力因素对应的环境数据（如行人/自行车存在、噪声、温湿度、风速、路面状况、人行道信息），并与GPS数据时间同步。对于每个路段，将各压力因子的量化值分为三个等级（1-3级）。最后，计算综合压力评分（Composite Stress Score, CSS）：将每个路段上所有压力因子的等级分数求和得到CSSi，其计算公式为 CSSi= ∑j=1nSi,j。根据CSS值将每个路段分为低、中、高三个压力等级。
实验验证与结果
为检验所提方法是否能捕捉LMD出行中的压力，研究进行了实验，招募健康成人参与者（此阶段为确保安全）在实际路线中使用LMD，并同步收集环境数据、GPS数据和HRV数据。通过相关性分析，考察了基于环境的压力估算指数（CSS）与源自HRV的生理压力反应指标之间的关联。结果发现，基于不良路面/振动、与其他道路使用者相遇、狭窄人行道这三个因素计算的CSS，与HRV指标中的SDNN（正常窦性心搏间期的标准差）呈现出中等程度的负相关。这表明较高的CSS值（即估算的环境压力较高）可能对应着增强的生理应激反应，从而为CSS能够反映实际压力体验提供了初步证据。此外，研究还对具有明显对比CSS压力等级的代表性路段进行了探索性案例分析，定性地说明了基于CSS的分类如何与HRV的变化相对应。
讨论与结论
本文的研究结果表明，利用环境数据构建LMD特有的压力估算指数（CSS），并与生理数据（HRV）关联验证，是一种识别LMD出行压力位置的可行探索性方法。该方法能够规避单纯依赖生理测量时运动伪影和长期监测负担的缺点。识别出的关键压力因素（不良路面/振动、与其他道路使用者相遇、狭窄人行道）为改善LMD出行环境（如优化路面平整度、拓宽人行道、管理混合交通）提供了明确的目标。然而，本研究结果在普适性上存在限制，因为实验路线特定且参与者为健康成人。未来研究需要在更广泛的环境和真实的LMD用户（如老年人和残障人士）中进行验证。总体而言，该框架为支持LMD用户选择低压力路线、提前预判困难并采取应对策略，从而实现更安全、更舒适的移动性，提供了新的工具和见解。
