Entdeckung assoziativer Muster zwischen Geräuschpegel am Arbeitsplatz und physiologischem Wohlbefinden mithilfe tragbarer Geräte und empirischer Bayes-Modellierung

Jun 23, 2023

npj Digital Medicine Band 6, Artikelnummer: 5 (2023) Diesen Artikel zitieren

2544 Zugriffe

1 Zitate

151 Altmetrisch

Details zu den Metriken

Wir führten eine Feldstudie mit mehreren tragbaren Geräten bei 231 Mitarbeitern von Bundesämtern durch, um die Auswirkungen des Innenraumklimas auf das individuelle Wohlbefinden zu bewerten. Frühere Untersuchungen haben gezeigt, dass die Arbeitsumgebung eng mit dem Wohlbefinden des Einzelnen zusammenhängt. Da Geräusche der am häufigsten gemeldete Umweltfaktor sind, der Stress und Unbehagen verursacht, konzentrieren wir uns auf die Quantifizierung seines Zusammenhangs mit dem physiologischen Wohlbefinden. Das physiologische Wohlbefinden wird als latente Variable in einem empirischen Bayes-Modell mit Herzfrequenzvariabilitätsmaßen – SDNN und normalisierter HF – als beobachteten Ergebnissen und mit exogenen Faktoren, einschließlich Schallpegel, als Eingaben dargestellt. Wir stellen fest, dass das physiologische Wohlbefinden eines Menschen optimal ist, wenn der Schallpegel am Arbeitsplatz bei 50 dBA liegt. Bei niedrigeren (<50 dBA) und höheren (>50 dBA) Amplitudenbereichen ist ein Anstieg des Schallpegels um 10 dBA mit einer Steigerung des physiologischen Wohlbefindens um 5,4 % bzw. einer Abnahme des physiologischen Wohlbefindens um 1,9 % verbunden. Alter, Body-Mass-Index, Bluthochdruck, Angstzustände und intensive Arbeit am Computer sind Faktoren auf Personenebene, die zur Heterogenität im Zusammenhang mit dem Wohlbefinden beitragen.

Unter Wohlbefinden versteht man die Fähigkeit des menschlichen Körpers, den Alltagsstress zu bewältigen. Im Durchschnitt empfinden vier von zehn Mitarbeitern in Unternehmen in den USA ihre Arbeit und ihren Arbeitsplatz als stressig und dass sich dies negativ auf ihre Gesundheit auswirkt1. Frühere Studien haben gezeigt, dass die Arbeitsumgebung eng mit den Wohlbefindensmerkmalen eines Büroangestellten zusammenhängt, einschließlich psychischer Verfassung, Produktivität, Stress und Langlebigkeit2. Unter den Umweltstressfaktoren gilt der Schallpegel als wesentlicher Auslöser einer Vielzahl gesundheitsschädlicher Folgen3. Die Weltgesundheitsorganisation (WHO) hat einen erhöhten Schallpegel bzw. Lärm als zweithäufigste umweltbedingte Ursache für Gesundheitsprobleme nach der Luftqualität identifiziert und schwerwiegende gesundheitliche Auswirkungen wie Stress, koronare Herzkrankheit, Schlaganfall sowie Kommunikations-, Ruhe- und Schlafstörungen verursacht4. Während sich die Forschung in der Vergangenheit auf industrielle Umgebungen und Umgebungslärm (z. B. Flugzeuge und Verkehr) konzentrierte, mangelte es aufgrund technologischer und studientechnischer Herausforderungen an Untersuchungen zu den Auswirkungen moderaterer Lärmpegel am Arbeitsplatz auf unser Wohlbefinden5. Wir führen ein groß angelegtes Naturexperiment in einer realen Büroumgebung mit mehreren Wearables durch und entwickeln erklärbare Methoden6, um den Zusammenhang zwischen Klang und Wohlbefinden sorgfältig zu modellieren. Durch die Gewinnung von Einblicken in den Zusammenhang zwischen Geräuschpegel am Arbeitsplatz und physiologischem Wohlbefinden können Unternehmen fundierte Richtlinienänderungen vornehmen, die sich auf die Langlebigkeit, Arbeitsmoral und Produktivität ihrer Mitarbeiter auswirken.

Unsere aktuelle Studie, die den Zusammenhang zwischen Klang und Wohlbefinden untersucht, ist Teil des Wellbuilt-for-Wellbeing (WB2)-Programms der US General Services Administration (GSA), einer interdisziplinären Forschungskooperation7 zur Bewertung der Auswirkungen der Arbeitsumgebung auf das Wohlbefinden weißer Menschen. Kragenbüroangestellte. Die Studienteilnehmer trugen drei Tage lang zwei Sensoren, während sie ihre täglichen Aktivitäten ausführten, einen Herz- und Aktivitätsmonitor sowie ein sensorbasiertes Gerät für die Qualität der persönlichen Umgebung. Vorläufige Datenanalysen unter Verwendung von Mixed-Effects-Regressionsmodellen zeigen einen signifikanten krummlinigen Zusammenhang zwischen dem Schallpegel und zwei Maßen der Herzfrequenzvariabilität (HRV) – SDNN und normalisierte HF. Wir entwickeln ein empirisches Bayes-Modell, um das physiologische Wohlbefinden als Funktion von SDNN und normalisierter HF zu charakterisieren und seine funktionale Beziehung zum Schallpegel und anderen Prädiktoren zu quantifizieren. Anschließend analysieren wir die Heterogenität der Wirkung des Schallpegels zwischen den Studienteilnehmern mithilfe einer auf Regularisierung basierenden Methode. Wir verwenden die Bewertung der Vorhersagekraft, um unsere Methoden mit alternativen Methoden zu vergleichen, die zur Bewältigung der Modellierungsherausforderungen bei der gleichzeitigen Analyse mehrerer Ergebnisse und der Erfassung der Heterogenität der Effekte geeignet sind. Wir zeigen, dass unsere vorgeschlagenen Methoden eine bessere Vorhersageleistung als bestehende Methoden haben und für die Entdeckung assoziativer Muster zwischen dem Geräuschpegel am Arbeitsplatz und dem physiologischen Wohlbefinden von entscheidender Bedeutung sind. Unsere Studie kann Richtlinien beeinflussen, die sich auf das Wohlbefinden von Büroangestellten weltweit auswirken, und liefert einen Beitrag zur Literatur mit erklärbaren Methoden zur Analyse von Wearables-Daten.

Insgesamt 248 Büroangestellte bekundeten Interesse an der Teilnahme an unserer Studie, was etwa 12 % der Belegschaft in den Bereichen der Bürogebäude entspricht, in denen die Einstellung erfolgte. Schwangere und Träger von Herzschrittmachern oder Insulinpumpen wurden ausgeschlossen. Teilnehmer, die Medikamente einnahmen, von denen bekannt ist, dass sie die Herzaktivität beeinträchtigen, wurden zwar erfasst, aber nicht ausgeschlossen. Aufgrund von Terminproblemen, Krankheit und Ausschlusskriterien nahmen 17 Büroangestellte nicht teil, sodass sich insgesamt 231 Teilnehmer einschrieben. Aufgrund unerwarteter Änderungen in den Arbeitsplänen wurden 8 der 231 Teilnehmer nur zwei statt drei volle Tage beobachtet. Das Durchschnittsalter der Teilnehmer betrug 44,15 (SD = 12,22), 49,78 % Frauen, mit einem durchschnittlichen Body-Mass-Index (BMI) von 27,60 (SD = 6,10).

Die Daten der Teilnehmer wurden mithilfe einer Aufnahmebefragung, eines am Hals getragenen Umgebungssensors, eines an der Brust getragenen Herz- und Aktivitätsmonitors sowie mobiler Erfahrungsbefragungen gesammelt, die alle zwei Stunden aufgezeichnet wurden, während sich die Teilnehmer in den Büroräumen aufhielten. Nach der Vorverarbeitung enthielt unser Datensatz 31.557 Beobachtungen, die in Fünf-Minuten-Intervallen aggregiert wurden, und verarbeitete etwa 200.000 Minuten tragbare Datenströme der 231 Teilnehmer. Weitere Informationen zu den Daten und Variablen finden Sie auf der Website des WB2-Programms7 und einer früheren Studie8.

Wir haben zwei unabhängige mehrstufige Regressionsmodelle auf unseren Daten trainiert, wobei SDNN und normalisiertes HF die jeweiligen Ergebnisse waren. Der Schallpegel wurde sowohl als fester Effekt als auch als zufälliger Effekt in die Modelle einbezogen. Wir fanden heraus, dass der feste Effekt des Schallpegels am Arbeitsplatz in beiden Modellen sowohl erster als auch zweiter Ordnung signifikant war, d. CI = 0,0448–0,1627, Cohens d = 0,23), \(\beta _{Sound^2,SDNN} = - 0,0075\) (p < 0,0001, 95 % CI = −0,0096–−0,0054, Cohens d = 0,45), \(\beta _{Sound,normalized - HF} = - 0,0979\) (p < 0,0001, 95 % CI = −0,1216 bis −0,0742, Cohen's d = 0,53) und \(\beta _{Sound^2,normalized - HF} = 0,0013\) (p = 0,015, 95 %-KI = 0,0003–0,0023, Cohens d = 0,17). Darüber hinaus war die anhand der Akaike Information Criteria (AIC)9 gemessene Anpassungsqualität für die krummlinigen Modelle besser als für die entsprechenden Modelle mit nur linearen Auswirkungen des Schallpegels. Dies zeigt, dass der Schallpegel einen erheblichen krummlinigen Einfluss auf beide physiologischen Wohlbefindensmaße hat. Zweitens haben wir auch herausgefunden, dass die Einbeziehung des Schallpegels als Zufallseffekt die Anpassungsqualität der Modelle verbessert, was bedeutet, dass der Zusammenhang zwischen Schallpegel und physiologischem Wohlbefinden von Person zu Person unterschiedlich ist.

Die krummlinige Assoziation kann weiter durch eine glatte Funktion des Schallpegels als nichtparametrische Eingabe in einem verallgemeinerten additiven gemischten Modell (GAMM)10 mit Ergebnis als univariate Transformation11 von SDNN und normalisiertem HF visualisiert werden. Abbildung 1 zeigt die glatte Funktion von GAMM für die Klang-Wohlbefinden-Assoziation mit einem Extremum um 50 dBA. Die Punktschätzung von 50 dBA als optimaler Schallpegel wurde durch ein Optimierungsverfahren12 verifiziert.

Die durchgezogene Linie zeigt an, wie sich das physiologische Wohlbefinden in Abhängigkeit vom Schallpegel ändert, während die gestrichelten Linien Konfidenzintervalle darstellen.

Wir haben ein empirisches hierarchisches Bayes-Modell verwendet, um gleichzeitig den Zusammenhang des Schallpegels mit HRV-Messungen – SDNN und normalisierter HF – zu modellieren, die häufige Indikatoren für das physiologische Wohlbefinden sind13,14,15. Im Modell wurden feste Effekte für Eingaben eingeführt: Schallpegel, körperliche Aktivität, Tageszeit, Wochentag, Altersgruppe, BMI-Gruppe und Geschlecht. Für den Schallpegel und die körperliche Aktivität wurden zufällige Effekte eingeführt. Wir haben die Eingabe (Schallpegel) und die Ergebnisse (SDNN und normalisiertes HF) standardisiert, um Empfindlichkeiten und Probleme bei der Konvergenz der hinteren Schätzung aufgrund von Skalenunterschieden in den Einheiten zu beseitigen. Den Fehlervarianzen wurde eine diffuse Halb-Cauchy-Priorität zugewiesen, und allen anderen Hyperparametern wurde eine diffuse Normal-Priorität zugewiesen16. Der Hamilton-Monte-Carlo-Algorithmus wurde zum Abtasten von vier parallelen Ketten verwendet17. Der R-Hat-Statistik-Grenzwert < 1,1 und die Nulldivergenzprüfung wurden als Validierungstests für hintere Schätzungen von Parametern und zur Beurteilung der Qualität der Anpassung verwendet17.

Die mittleren Schätzungen der hinteren Verteilung und die 90 % glaubwürdigen Intervalle (zwischen dem 5. und 95. Perzentil der hinteren Verteilung) der Koeffizienten mit festen Effekten des empirischen Bayes-Modells sind in Tabelle 1 aufgeführt. Die hinteren Schätzungen der festen Effekte weisen auf einen signifikanten Zusammenhang zwischen ihnen hin Schallpegel, Tageszeit, Wochentag, körperliche Aktivität, Alter, BMI und physiologisches Wohlbefinden am Arbeitsplatz.

Der feste Effekt des Schallpegels im empirischen Bayes-Modell stellt den Zusammenhang zwischen Klang und Wohlbefinden auf der gesamten Studienpopulation dar, nachdem die individuelle Heterogenität als Zufallseffektkoeffizienten berücksichtigt wurde. Der Koeffizient für den Schallpegel gibt eine Änderung des physiologischen Wohlbefindens um eine Standardabweichung (SD) an, die mit einer Einheitsstandardabweichung (SD) der Änderung des Schallpegels in Zusammenhang steht, da sowohl Eingaben als auch Ergebnisse standardisiert werden. Da wir wissen, dass die Standardabweichung des Schallpegels im Datensatz 8,79 dBA beträgt und die Koeffizienten in Tabelle 1 standardisiert sind, können wir die nicht standardisierten Koeffizientenschätzungen berechnen, um die folgenden Schlussfolgerungen zu ziehen. Bei Schallamplituden unter 50 dBA ist ein Anstieg des Schallpegels um 10 dBA mit einer Steigerung des physiologischen Wohlbefindens um 5,4 % (0,95 % KI = 2,2–7,4 %, Cohens d = 0,11) verbunden. Bei Schallamplituden über 50 dBA ist ein Anstieg des Schallpegels um 10 dBA mit einem Rückgang des physiologischen Wohlbefindens um 1,9 % verbunden (0,95 %-KI = 0,5–3,8 %, Cohens d = 0,09).

Wir verglichen die Vorhersageleistung des empirischen Bayes-Modells mit den folgenden drei alternativen Methoden, die zur gleichzeitigen Modellierung zweier Ergebnisse verwendet werden können: (i) einer klassischen univariaten Transformationsmethode11, (ii) einer univariaten Transformationsmethode, die mit einem Bayes'schen Ansatz trainiert wurde, und ( iii) eine klassische mehrstufige Strukturgleichungsmodellierungsmethode18. Modelle, die den klassischen Ansatz verwenden, werden mit den R-Paketen lavaan19 und nlme20 in einem PC mit 16 GB RAM und 2,7-GHz-Prozessor trainiert, während das empirische Bayes-Modell mit dem Stan-Programm über die RStan-Schnittstelle17 in einem Hochleistungs-Computercluster geschrieben und ausgeführt wurde 28 Knoten (192 GB RAM pro Knoten, Intel Haswell v3 28-Core-Prozessoren). Die Vorhersagen der Modelle für SDNN und normalisiertes HF werden mit den (tatsächlichen) Messwerten der beiden Maße verglichen, um den Root Mean Squared Error (RMSE) und den Mean Absolute Percentage Error (MAPE)21 zu berechnen (Tabelle 2). Tabelle 2 zeigt, dass das mit dem empirischen Bayes-Modell trainierte Modell den niedrigsten RMSE und MAPE aufweist, was darauf hinweist, dass unsere Methode anderen Methoden zur gleichzeitigen Modellierung von SDNN und normalisiertem HF überlegen ist.

Darüber hinaus haben wir die Vorhersageleistung unseres Bayes'schen Modells mit fünf gängigen Modellen für maschinelles Lernen verglichen – Neural Network (NN), Classification And Regression Trees (CART) und Multivariate Adaptive Regression Splines (MARS), Random Forest (RF) und Gradient Boosting Machine (GBM)21. Wir haben diese Modelle anhand von Trainingsdaten mit und ohne Schallpegel als Eingabevariable trainiert, um zu beurteilen, ob der Schallpegel ein guter Prädiktor für SDNN und normalisierte HF ist. Die Ergebnisse (Tabelle 3) zeigen, dass unser Modell NN, CART, MARS übertrifft und seine Leistung mit den Ensemble-Lernmethoden RF und GBM vergleichbar ist. Mit Ausnahme von NN und CART verbessert sich die Leistung aller anderen Modelle, wenn der Schallpegel in den Eingang einbezogen wird. Dies zeigt, dass der Schallpegel prädiktiv für beide Messgrößen des physiologischen Wohlbefindens ist.

Die Heterogenität des Zusammenhangs zwischen Klang und Wohlbefinden zwischen Individuen wird durch die zufälligen Effektkoeffizienten der Schallpegeleingaben im empirischen Bayes-Modell erklärt. Abbildung 2 zeigt eine Caterpillar-Plot-Visualisierung von Posterior-Schätzungen zufälliger Auswirkungen des Schallpegels und ihres 60-prozentigen Glaubwürdigkeitsintervalls (Wahrscheinlichkeit, dass die Stichprobe aus der Posteriori-Verteilung in einen bestimmten Bereich fällt) im empirischen Bayes-Modell. Die vertikalen Linien zeigen die entsprechenden festen Wirkungskoeffizienten des Schallpegels. Die Streuung der Mittelwerte der posterioren Schätzungen der Zufallseffekte weist auf eine erhebliche Heterogenität im Zusammenhang mit dem Klang-Wohlbefinden zwischen den Studienteilnehmern hin.

Die vertikale gestrichelte Linie ist der feste Effektkoeffizient, während die horizontalen blauen Linien die zufälligen Auswirkungen des Schallpegels auf das physiologische Wohlbefinden aller Teilnehmer anzeigen. a Caterpillar-Diagramm für Schallpegel <50 dBA und b das Diagramm für Schallpegel >=50 dBA.

Wir haben eine auf Regularisierung basierende Methode zur Merkmalsauswahl entwickelt, um Variablen auf Personenebene zu identifizieren, die zur Heterogenität beitragen. Die in das Modell eingegebenen Variablen auf Personenebene waren Neurotizismus, Lärmempfindlichkeit, Alter, BMI, Vorliegen von Bluthochdruck (BP), Angstzustände, Schlafprobleme, computernutzungsintensiver (CUI) Arbeitstyp, Führungsarbeit, besprechungsintensive Arbeit, Technik Arbeit und durchschnittliche Schallbelastung. Alle Variablen auf Personenebene mit Ausnahme von Alter, BMI und durchschnittlicher Schallbelastung basierten auf einer Umfrage, die die Teilnehmer zu Beginn der Studie durchgeführt hatten.

Wir haben zwei Teilmengen der Daten berücksichtigt, eine mit Schallpegeln <50 dBA (niedrige Schallpegel) und die andere mit Schallpegeln ≥50 dBA (hohe Schallpegel), um zwei unabhängige Modellsätze anzupassen. Durch die Anpassung zweier unabhängiger Modellsätze konnten wir für jedes Szenario unabhängige Rückschlüsse auf individuelle Heterogenitätseffekte ziehen. Die Koeffizienten für die regulierten Merkmalsauswahlmodelle sind in Tabelle 4 aufgeführt.

Tabelle 4 zeigt, dass Alter, BMI, hoher Blutdruck, Angstzustände und CUI-Arbeitstyp Faktoren sind, die zur zwischenmenschlichen Variabilität im Zusammenhang mit Gesundheit und Wohlbefinden beitragen. Die leeren Zellen zeigen, dass die Koeffizienten der entsprechenden Variablen durch die entsprechende Merkmalsauswahlmethode (z. B. Lasso, adaptives Lasso, Elasticnet) auf Null geschrumpft wurden. Für alle Variablen auf Personenebene, die nicht in Tabelle 4 aufgeführt sind, schrumpften alle drei Merkmalsauswahlmethoden die entsprechenden Koeffizienten auf Null.

Um die Leistung unserer Methode zu bewerten, haben wir die Vorhersageleistung des empirischen Bayes-Modells mit drei Sätzen von Eingabevariablen verglichen: (i) Eingaben, die keine Variablen auf Personenebene als Moderatoren enthalten, (ii) Eingaben, die alle Variablen auf Personenebene als Moderatoren enthalten und (iii) Eingaben, einschließlich Variablen auf Personenebene, die durch die Modellierungsmethode mit variierenden Koeffizienten als Moderatoren identifiziert wurden. Moderatoren wurden als Zwei-Wege-Interaktionen mit festem Einfluss des Schallpegels einbezogen. Tabelle 5 zeigt die Vorhersagefehler aller drei Modelle in Bezug auf SDNN und normalisiertes HF. Das Modell mit spezifischen Variablen auf Personenebene, die mithilfe unserer auf Regularisierung basierenden Methode identifiziert wurden, weist die kleinsten (besten) RMSE- und MAPE-Werte auf.

Ein hoher Blutdruck und ein arbeitsintensiver Computernutzungstyp (CUI) waren die Faktoren auf Personenebene, die am meisten zur Heterogenität im Zusammenhang mit dem Wohlbefinden beitrugen. Abbildung 3(a) und (b) sind Diagramme, die die Änderung des Ergebnisses aufgrund der Interaktionseffekte der Arbeitstypvariablen „Hoher Blutdruck“ und „CUI“ mit dem festen Schallpegeleffekt im Modell zeigen. Abbildung 3(a) zeigt, dass Büroangestellte mit hohem Blutdruck stärker negativ betroffen sind als Teilnehmer mit normalem Blutdruck. Abbildung 3(b) zeigt, dass Büroangestellte, die an CUI-Arbeiten beteiligt sind, bei Amplituden unter 50 dBA höhere positive Auswirkungen von Schallpegeln auf das physiologische Wohlbefinden haben, bei Amplituden über 50 dBA jedoch stärkere negative Auswirkungen von Schallpegeln auf das physiologische Wohlbefinden im Vergleich zu andere Büroangestellte.

a Grüne durchgezogene Linie: Normaler Blutdruck. Rote gestrichelte Linie: Hoher Blutdruck. b Grüne durchgezogene Linie: Computernutzungsintensive Arbeit. Rote gestrichelte Linie: Keine computerintensive Arbeit.

Arbeitsplätze können so gestaltet werden, dass sie positive Emotionen hervorrufen, Kreativität und Zusammenarbeit anregen und das Engagement intensivieren22. Andererseits können ungeeignete Arbeitsumgebungen potenziell zu Stress und Gesundheitsproblemen bei den Mitarbeitern führen23. Psychisches Wohlbefinden besteht aus positiven Beziehungen zu anderen, persönlicher Beherrschung, Autonomie, einem Gefühl von Sinn und Zweck im Leben sowie persönlichem Wachstum und persönlicher Entwicklung24. Andererseits ist physiologisches Wohlbefinden mit einem dynamischen, sich ständig anpassenden Gleichgewicht im menschlichen physiologischen System verbunden, das durch momentane Anforderungen bedingt ist25.

Zu den Geräuschquellen in Büros zählen Gespräche anderer Personen, Telefonanrufe und mechanische Geräte. Die positive Wahrnehmung eines Arbeitsplatzes durch die Arbeitnehmer ist eng mit der Umgebungsgeräuschbelastung verknüpft26,27,28. Folglich ist der Schallpegel ein wichtiger Umweltfaktor am Arbeitsplatz, der sich auf die Gesundheit und das Wohlbefinden der Mitarbeiter auswirken kann29. Es hat sich gezeigt, dass die Schallamplitude nicht nur die Stimmung und Produktivität, sondern auch das physiologische Wohlbefinden beeinflusst29. Beispielsweise wurde beobachtet, dass Schallpegel um 70 dBA optimal für die kreative Wahrnehmung sind30, während Pegel über 85 dBA gesundheitsschädlich zu sein schienen31. Im Hinblick auf den Zusammenhang zwischen Geräuschen und Wohlbefinden zeigten einige Studien einen negativen Zusammenhang zwischen hohen Schallpegeln (d. h. Lärm) und physiologischen Wohlbefindensmaßen32, während andere Studien nicht schlüssige Ergebnisse berichteten29,33. Es zeigte sich auch, dass die Lärmquellen und -arten keinen signifikanten Einfluss auf das physiologische Wohlbefinden haben34,35. Außerdem wurde beobachtet, dass die Auswirkung des Schallpegels auf die physiologischen Ergebnisse, sofern vorhanden, sowohl bei niedrigen als auch bei hohen Schallfrequenzen konsistent ist32,36. Es wurde auch beobachtet, dass die Beziehung zwischen Klang und Wohlbefinden nicht monoton37 und augenblicklich ist38. In der Ergänzungstabelle 1 finden Sie eine Tabelle mit einer Zusammenfassung der Studien zum Zusammenhang zwischen Klang und Wohlbefinden. Bestehende Studien, die den Zusammenhang zwischen Klang und Wohlbefinden analysieren, weisen drei wesentliche Einschränkungen auf. Erstens verwendeten die meisten Studien in der Vergangenheit Experimente mit einer begrenzten Anzahl von Behandlungen, kleinen Stichprobengrößen und einer begrenzten Anzahl von Kontrollvariablen29,33,35,36. Folglich lassen sich die Ergebnisse dieser Studien nicht ohne weiteres auf reale Büroarbeitsplätze übertragen. Zweitens berichten Studien über Ergebnisse mehrerer Modelle, die unterschiedlichen Maßen des physiologischen Wohlbefindens entsprechen33,34,35, was es schwierig macht, Erkenntnisse zu verallgemeinern und Maßnahmen zu ergreifen. Drittens wurde der Zusammenhang zwischen Klang und Wohlbefinden nicht mithilfe eines Modells präzise quantifiziert37. Unsere vorliegende Studie versucht, diese Einschränkungen zu beseitigen, indem sie ein groß angelegtes natürliches Experiment in einer Büroumgebung mit Wearables durchführt und eine Reihe statistischer Methoden zur Modellierung des Zusammenhangs zwischen Klang und Wohlbefinden entwickelt.

HRV ist die Variabilität zwischen Herzschlägen und gilt als Proxy-Maß für das physiologische Wohlbefinden einer Person, d. h. je höher die Variabilität, desto höher das Wohlbefinden15,39. Es ist eine relativ weniger aufdringliche und zuverlässigere Messung als die Aufzeichnung alternativer physiologischer Wohlbefindenssignale wie Speichelcortisol und Hautleitfähigkeit40. Zwar gibt es viele Messungen der HRV, doch jede dient als etwas andere Linse zur Betrachtung der physiologischen Stressreaktion des Körpers41. Der Mittelwert der Standardabweichung für alle aufeinanderfolgenden RR-Intervalle (SDNN) ist ein globaler Index der HRV und spiegelt längerfristige Durchblutungsunterschiede oder die Gesamtaktivität im autonomen Nervensystem (ANS) wider42. Die normalisierte Hochfrequenzkomponente (normalisierte HF) der HRV ist das Verhältnis zwischen dem Absolutwert der Hochfrequenz und der Differenz zwischen der Gesamtleistung und den sehr niedrigen Frequenzbändern im Frequenzbereichs-Leistungsspektrum der Herzfrequenz, das Veränderungen im parasympathischen Nervensystem hervorhebt (PNS)-Verordnung42. SDNN und normalisierte HF sind Indikatoren für zeitlichen Stress bzw. vagale/parasympathische Modulation, und es wurde durchweg festgestellt, dass hohe Werte von SDNN und normalisiertem HF auf eine bessere Gesundheit und ein besseres Wohlbefinden hinweisen13,14,15. Da es in der bisherigen Literatur kein einheitliches Maß für das physiologische Wohlbefinden gibt15,39,40,41, verfolgen wir einen empirischen Ansatz, indem wir das physiologische Wohlbefinden als latente (d. h. versteckte) Variable (θ) in einem Bayes'schen Modell definieren, das das erfasst Variationen von SDNN und normalisiertem HF gleichzeitig. Andere HRV-Messwerte wie RMSSD, SDRR, HF, LF, normalisierter LF, LF/HF und Poincare-Diagramme39 wurden untersucht, aber nicht als Ergebnisse betrachtet, da ihre Varianz in unseren Daten entweder gering war oder ihre Einbeziehung die Qualität nicht wesentlich verbesserte Passform unseres Modells.

Bestehende digitale Gesundheitsstudien, die mehrere Ergebnisse analysieren, passen ein unabhängiges Modell für jedes Ergebnis an und berichten über Koeffizienten für jedes der Modelle separat33,34,35,37. Die Interpretation und Kommunikation der Ergebnisse mehrerer Entscheidungsmodelle kann eine Herausforderung darstellen. Für diesen Zweck eignet sich ein statistisches Modell mit einem einzigen Satz von Koeffizienten für mehrere Ergebnisse, die sogenannte simultane Modellierung11,43,44. Die simultane Modellierung unterscheidet sich von der multivariaten Modellierung, bei der für jedes Ergebnis Koeffizienten zusammen mit Kreuzkorrelationsparametern geschätzt werden45,46. Beispielsweise enthält ein simultanes multiples Regressionsmodell für drei Ergebnisse und drei Eingaben drei Koeffizienten (ohne den Achsenabschnitt), während ein multivariates Regressionsmodellierungsverfahren neun Koeffizienten (ohne die Achsenabschnitte für Ergebnisse) und die entsprechende Kovarianz zwischen den Koeffizienten schätzt. Ein Ansatz für die simultane Modellierung besteht in der Durchführung einer univariaten Transformation mehrerer Ergebnisse nach Berücksichtigung der Heterogenität der Fehlervarianzen11,44,47. Bei dieser univariaten Transformationsmethode wird davon ausgegangen, dass die Auswirkungen der Eingabevariablen über alle Ergebnisse hinweg einheitlich sind, auch wenn unterschiedliche Ergebnisse unterschiedliche Fehlervarianzen im Modell haben. Die Modellierung latenter Variablen ist ein weiterer Ansatz zur gleichzeitigen Modellierung mehrerer Ergebnisse48. Allerdings erfordern klassische Ansätze zur Modellierung latenter Variablen wie die Strukturgleichungsmodellierung, dass einzelne Elemente des latenten Konstrukts bzw. der latenten Konstrukte theoretisch miteinander in Beziehung stehen und eine Konstruktgültigkeit aufweisen49. Darüber hinaus wird das Schätzverfahren bei Längsschnittdaten wie denen von Wearables51 komplex. Wir schlagen eine empirische hierarchische Bayes'sche Modellierungsmethode vor, um diese Herausforderungen im Zusammenhang mit der gleichzeitigen Modellierung mehrerer Ergebnisse zu bewältigen. Während es nützlich ist, die Auswirkungen von Eingaben auf die Ergebnisse auf Bevölkerungsebene zu verstehen, können Erkenntnisse darüber, wie und warum sich die Auswirkungen von Person zu Person unterscheiden, wertvoll sein. Die zufälligen Effekte in einem Mehrebenenmodell weisen auf das Vorhandensein individueller Heterogenität bei den Eingabeeffekten50 hin. Ein einfacher Ansatz zur Identifizierung von Faktoren, die zur individuellen Heterogenität beitragen, besteht darin, jeden Faktor in einen Interaktionsterm mit der Eingabevariablen einzuführen und seine Bedeutung zu testen. Dies wird als „Steigungen-als-Ergebnis-Modellierung“50 bezeichnet. Dieser Ansatz reagiert jedoch empfindlich auf Rauschen in Längsschnittdaten und wird umständlich, wenn die Anzahl potenzieller Faktoren zunimmt50, wie in unserem Fall. Daher schlagen wir die Heterogenitätsmodellierungsmethode vor, um Faktoren auf Personenebene zu identifizieren, die die Beziehung zwischen Gesundheit und Wohlbefinden beeinflussen.

Prädiktive Modellierung und erklärende Modellierung gehen Hand in Hand, da erstere die Zukunft anhand vorhandener Daten vorhersagt und sich auf Fragen „Was wird sein“ konzentriert, während letztere verborgene Muster beleuchtet und uns über das „Was ist“ in Bezug auf ein Phänomen informiert51. Beides ist wichtig für die Wertschöpfung mithilfe von Daten, die aus digitalen Quellen wie Wearables generiert werden. Da tragbare, technologiebasierte Anwendungen in Zukunft zunehmen, wird die Menge der verfügbaren Daten zur Analyse exponentiell zunehmen und weitere Fortschritte bei der erklärenden Modellierung für aussagekräftige Musterinterpretationen erfordern. Während Methoden des maschinellen Lernens wie Ensemble-Lerner und neuronale Netze Ergebnisse vorhersagen können, ist ihre Fähigkeit, die funktionale Beziehung(en) zwischen Eingabe(n) und Ergebnis(en) zu erklären, begrenzt21. Daher entwickeln wir in dieser Studie neue erklärbare Methoden für digitale Daten, die von Wearables generiert werden, und wenden sie an, um den Zusammenhang zwischen Klang und Wohlbefinden zu untersuchen. Unsere Studie ermöglicht es Forschern und Praktikern, nicht nur einige der Unterschiede in früheren Arbeiten zur Wirkung von Schall auf das Wohlbefinden in Einklang zu bringen, sondern auch Faktoren herauszuarbeiten, die in zukünftigen Arbeiten kontrolliert werden sollten (z. B. Blutdruck und Art der Arbeit). Mit der zunehmenden Verfügbarkeit tragbarer Technologien sind personalisierte Messungen möglich und ermöglichen das Verständnis der Auswirkungen unserer Umgebung auf individueller Ebene. Dies kann die Gestaltung des Arbeitsplatzes sowie eine personalisierte und zielgerichtete Medizin verbessern und dem Einzelnen das Wissen vermitteln, persönliche Entscheidungen zur Maximierung des Wohlbefindens zu treffen. Dies wiederum verbessert unsere Fähigkeit, am Arbeitsplatz Höchstleistungen zu erbringen.

Unsere Studie unterliegt den folgenden Annahmen und Einschränkungen. Wir haben uns auf die Modellierung der Auswirkungen von Geräuschpegeln am Arbeitsplatz auf das physiologische Wohlbefinden von Büroangestellten konzentriert, aber wir haben keine Informationen über die Geräuschtypen (z. B. Gespräche, mechanische Hintergrundgeräusche usw.) und Frequenzen (z. B. niedrige Frequenzen, Sprachtöne) gesammelt , Hochfrequenz usw.) aufgrund individueller Datenschutzbedenken und Einschränkungen der Sensortechnologie. Da frühere Untersuchungen jedoch gezeigt haben, dass die Art und Frequenz von Bürogeräuschen die Auswirkungen des Schallpegels auf das physiologische Wohlbefinden nicht mildern32,35, glauben wir, dass unsere Ergebnisse auch bei der Kontrolle der Art und Frequenz von Umgebungsgeräuschen Bestand haben werden. Zweitens haben wir den Schallpegel und andere Level-1-Variablen in 5-Minuten-Intervallen aggregiert, um der Körnung kurzfristiger HRV-Messwerte für das physiologische Wohlbefinden zu entsprechen – SDNN und normalisierte HF gemäß klinischen Richtlinien52,53. Daher wurden die dauerhaften Auswirkungen von Schallpegelspitzen aufgrund plötzlicher Ereignisse (z. B. Schreien, herabfallende oder zerbrechende Gegenstände usw.) oder Schallpegelschwankungen innerhalb eines kurzen Zeitraums nicht untersucht, was in zukünftigen Untersuchungen untersucht werden kann. Dennoch werden in unseren Modellen die Auswirkungen mehrfach wiederholter Ereignisse sowie Hintergrundgeräusche berücksichtigt, die über das Fünf-Minuten-Intervall hinweg konsistent sind. Als nächstes stellten wir die Hypothese auf, dass SDNN in der Lage ist, zeitlichen Stress zu verfolgen, und normalisiertes HF in der Lage ist, die vagale/parasympathische Modulation der Stressreaktion zu verfolgen, und dass ihre Kombination ein Indikator für das physiologische Wohlbefinden ist, da gezeigt wurde, dass diese beiden Messungen mit der körperlichen Gesundheit zusammenhängen Wellness13,14,15. Eine mögliche Kombination von HRVs sowohl im zeitlichen als auch im spektralen Bereich ist ein fortlaufendes Bemühen innerhalb der Forschungsgemeinschaften. Andere Kombinationen physiologischer Wohlbefindensindikatoren können mit unserer Methode für andere Szenarien in der zukünftigen Forschung untersucht werden (z. B. LF und HF als physiologische Wohlbefindensindikatoren in einer Fabrikumgebung). Schließlich wurden die Daten von jedem der 231 Teilnehmer maximal drei Tage lang gesammelt, sodass unsere Studie keine Rückschlüsse auf langfristige Auswirkungen von Schall auf das physiologische Wohlbefinden zieht. Zukünftige Studien können Daten einer größeren Studienpopulation über einen längeren Zeitraum untersuchen, um langfristige Auswirkungen des Geräuschpegels am Arbeitsplatz auf das Wohlbefinden zu ermitteln.

„Wellbuilt-for-Wellbeing“ (WB2)7 bestand aus einer sechzehnmonatigen, mehrphasigen Feldstudie, die von der US General Services Administration finanziert wurde, um die Auswirkungen der Arbeitsumgebung auf das Wohlbefinden von Büroangestellten zu verstehen. Im Rahmen der Studie wurden in vier Bundesbürogebäuden im ganzen Land selbst beschriebene gesunde erwachsene Arbeitnehmer rekrutiert, die in verschiedenen Bürofunktionen für die US-Regierung tätig waren. Die Gebäude wurden aufgrund ihrer Darstellung gängiger Büroarbeitsplatztypen im gesamten Büroflächenportfolio der US General Services Administration ausgewählt, in dem über eine Million Mitarbeiter untergebracht sind. Mitarbeitern in Teilen jedes Bürogebäudes von Organisationen mit Genehmigung der Führung wurde die Möglichkeit zur Teilnahme geboten. Nach schriftlicher Einverständniserklärung füllten die Teilnehmer eine Aufnahmebefragung mit demografischen Fragen aus. Die Teilnehmer trugen drei Tage lang zwei Sensoren, während sie ihren täglichen Aktivitäten nachgingen, einen Herz- und Aktivitätsmonitor sowie ein sensorbasiertes Gerät für die Qualität der persönlichen Umgebung. Die Studie umfasste auch mobile Erfahrungsbefragungen, um die wahrgenommenen psychologischen Reaktionen von Einzelpersonen in regelmäßigen Abständen von ein bis zwei Stunden zu erfassen. Unsere Studie wurde vom Institutional Review Board der University of Arizona genehmigt.

Die HRV-Messwerte – SDNN und normalisierte HF – wurden anhand der Richtlinien der European Society of Cardiology und der North American Society of Pacing and Electrophysiology52 berechnet. Die körperliche Aktivität wurde in g (d. h. 1 Einheit der Schwerkraft) mit dem dreiachsigen Beschleunigungssensor des EcgMove3 ermittelt54. Die Schallpegel wurden in 5-Minuten-Intervallen aggregiert, um sie in die physiologischen Wohlbefindensmessungen SDNN und normalisiertes HF zu integrieren, wobei keine verzögerten Effekte angenommen wurden38. In der Analyse wurden nur Beobachtungen berücksichtigt, bei denen beide Ergebniswerte vorhanden waren. Beobachtungen mit Ergebniswerten über dem 99,5. Perzentil wurden verworfen. Alter und BMI wurden zur einfacheren Interpretation auf fünf bzw. vier Ebenen diskretisiert. Daten von Teilnehmern mit weniger als einer Stunde aufgezeichneten Daten wurden von der Analyse ausgeschlossen. Fehlende Werte in den Eingabevariablen wurden anhand von Mittelwerten imputiert. Neben dem Schallpegel als Eingabevariable und SDNN und normalisiertem HF als Ergebnissen können auch Variablen auf Personenebene (z. B. Altersgruppe, BMI-Gruppe, Geschlecht usw.), zeitliche Indikatoren (Tageszeit, Wochentag), und körperliche Aktivität wurden als Kovariaten in die statistischen Modelle einbezogen. Beobachtungen von Tag 1 und Tag 2 der Teilnahme aller Teilnehmer wurden als Trainingsdatensatz betrachtet, und Beobachtungen von Tag 3 wurden als Holdout-Stichprobe (d. h. Testdatensatz) zur Bewertung der Vorhersageleistung von Modellen verwendet. Die Eingabevariablen und Variablen auf Personenebene wurden auf der Grundlage früherer Literatur zur Modellierung des Umweltwohlbefindens7,37,55,56 und Domänenwissens gesammelt. Nach der schrittweisen Funktionsauswahl wurden im endgültigen Modell nur signifikante Eingaben berücksichtigt und gemeldet. Eine zusammenfassende Statistik der Eingabevariablen ist in der Ergänzungstabelle 2 aufgeführt.

Wie bereits erwähnt, gibt es kein einzelnes theoretisches Konstrukt, das mehrere Maße für das körperliche Wohlbefinden vereint, obwohl es zahlreiche unabhängige Indikatoren für das physiologische Wohlbefinden gibt15,42,57. SDNN und normalisierte HF als HRV-Messwerte stehen in unterschiedlichem Zusammenhang mit den sympathischen und parasympathischen Aktivitäten des autonomen Nervensystems (ANS)42. Anstatt ihre Zusammenhänge mit dem Schallpegel separat mithilfe von zwei Modellen zu analysieren, ermöglicht ein empirisches Bayes-Modell, die beiden Ergebnisse zu einem einzigen latenten Konstrukt des physiologischen Wohlbefindens zu kombinieren, das dann als Funktion des Schallpegels und anderer exogener Variablen modelliert werden kann. In Anlehnung an Merkle und Wang (2018)58 definieren wir ein Bayesianisches Modell mit einer latenten Variablen, die mehrere Ergebnisse kombiniert (Y = \{ y_1,y_2, \ldots ,y_h, \ldots ,y_H\}\) wie folgt:

In Gl. (1), \(N\left( {\mu _h,\sigma _h^2} \right)\) ist eine Normalverteilung mit einem nicht informativen Prior für die Varianz \(\sigma _h^2\), \( \gamma _h\) ist der Achsenabschnitt für das Ergebnis h und \(\theta _{ik}\) ist der Wert des latenten Faktors \(k^{th}\). Φ und \(\lambda _{hk}\) sind weitere zu schätzende Hyperparameter. In unserer Studie setzen wir \(m = 1\), da wir das physiologische Wohlbefinden als einzige latente Variable haben, die zwei Ergebnisse SDNN (\(y_1\)) und normalisiertes HF (\(y_2\)) kombiniert. Wir drücken die obige Gleichung auf einer Beobachtungsebene für longitudinale Wearables-Daten aus, indem wir die Indizes i und j hinzufügen, die der \(i^{th}\)-Beobachtung für das \(j^{th}\)-Individuum entsprechen, wie unten gezeigt:

Die latente Variable \(\theta _{ij}\) wird als Ergebnis eines Mixed-Effects-Modells ausgedrückt, wie unten gezeigt:

Indem wir die Ergebnisse zentrieren und den Ergebnisabschnittsparameter \(\gamma _h\) weglassen, können wir die Fehlervarianzen innerhalb der einzelnen Ebenen kombinieren (d. h. \(\sigma _{ih}^2\) und \(\sigma _\ Theta ^2\)). Das resultierende Modell wird wie folgt dargestellt:

Das empirische Bayes-Modell in Gl. (4) kann zur Modellierung der Klang-Wohlbefinden-Assoziation verwendet werden. Die Faktorladungen \(\lambda _h\) weisen jedem Ergebnis automatisch unterschiedliche Gewichte zu (dh \(\lambda _1\) und \(\lambda _2\)). Alternativ kann auch mit dem klassischen (dh frequentistischen) Ansatz ein latentes Variablenmodell entwickelt werden, das als hierarchisches Strukturgleichungsmodell (SEM) bekannt ist. Software wie Mplus, LISREL, EQS, Lavaan und OpenMx können ein zweistufiges SEM mit zufälligen Schnittpunkten59 anpassen. Im zweistufigen SEM-Modell wird jedes Ergebnis \(y_{ijh}\) wie folgt in eine Innerhalb- und eine Zwischenkomponente aufgeteilt:

In Gl. (5) werden sowohl die Komponenten innerhalb als auch zwischen der Kovarianz als orthogonale und additive latente Variablen behandelt60. Die Maximum-Likelihood-Schätzung für Parameter wird durch Minimierung der gesamten Loglikelihood abgeleitet, die die Summe der Likelihood von Daten aus J-Gruppen darstellt. Das Modell mit latenten Variablen, das den klassischen Ansatz verwendet, bietet weniger Flexibilität als sein Bayesianisches Gegenstück, da es mehr datenbezogene Annahmen erfordert und seine Grundformulierung keine zufälligen Effekte berücksichtigt60. Ausführliche Erläuterungen zur Mehrebenenmodellierung mithilfe der klassischen statistischen Modellierung und der hierarchischen Bayes'schen Modellierung finden Sie im folgenden Unterabschnitt.

Mehrstufige oder hierarchische Ebenen gruppierter Daten sind ein häufig auftretendes Phänomen1. Beispielsweise sind in Organisationsstudien Informationen über Firmen und Arbeitnehmer verfügbar, so dass hierarchisch strukturierte Daten einzelner Arbeitnehmer vorliegen, die in mehreren Firmen verschachtelt sind. Mehrebenenmodelle (auch als hierarchische lineare Modelle, Zufallskoeffizientenmodelle, Mixed-Effects-Modelle bezeichnet) sind statistische Modelle mit Parametern, die die Variabilität über mehrere Datenebenen hinweg erfassen.

Im klassischen oder frequentistischen Ansatz können Mehrebenenmodelle als Erweiterung eines OLS-Regressionsmodells (Ordinary Least Squares) betrachtet werden, das zur Analyse der Varianz der Ergebnisvariablen verwendet wird, wenn sich die Prädiktorvariablen auf unterschiedlichen Hierarchieebenen befinden. Ein zweistufiges hierarchisches lineares Modell kann mathematisch wie folgt ausgedrückt werden:

In Gl. (6), \(Y_{ij}\) ist das Ergebnis, \(\beta _{kj}\) sind die Koeffizienten der Ebene 1, \(V_{kij}\) sind Eingabevariablen der Ebene 1, \( r_{ij}\) sind Residuen der Ebene 1, \(\gamma _{km}\) sind Koeffizienten der Ebene 2, \(W_{mj}\) sind Eingabevariablen der Ebene 2 und \(u_{kj}\ ) sind Level-2-Variablen für die \(i^{th}\)Beobachtung von \(j^{th}\) individuell für \(k \in {\Bbb Z}_K\) und \(m \in {\ Bbb Z}_M\). Die Annahmen für das Modell lauten wie folgt:

In Gl. (8) T ist die Varianz-Kovarianz-Komponente der Stufe 2, die die Wechselbeziehung zwischen Fehlern der Stufe 2 modelliert. Kombinieren von Gleichungen. (1) und (2) können wir hierarchische lineare Modelle wie folgt darstellen:

In Gl. (9), \(\beta = \left\{ {\beta _0,\beta _1, \ldots ,\beta _K} \right\}\) sind feste Effektkoeffizienten, \(\gamma = \left\{ { \gamma _{0j},\gamma _{1j}, \ldots ,\gamma _{Mj}} \right\}\) sind Zufallseffektkoeffizienten für J Gruppen \(j \in {\Bbb Z}_J\ ), und \({\it{\epsilon }}_{ij}\) ist die Summe der Fehlerkomponenten mit festen Effekten und Fehlern mit zufälligen Effekten. In Matrixschreibweise wird die obige Gleichung wie folgt dargestellt:

In Gl. (10) ist X eine Matrix fester Effekte und Z eine Matrix zufälliger Effekte. Abhängig von den oben genannten Annahmen können die Parameter im Modell durch Maximieren der Wahrscheinlichkeitsfunktion y wie unten gezeigt geschätzt werden:

Die Signifikanz der festen Effekte und zufälligen Effekte wird mit Wald-Test, Likelihood-Ratio-Test, F-Test, parametrischem Bootstrap oder MCMC-Methoden1 getestet. Die Modellanpassung kann mithilfe von AIC-, Abweichungs- und R-Quadrat-Näherungen2 verglichen werden.

Bayesianer hingegen beschreiben ihre Überzeugungen über das Unbekannte in einem hierarchischen linearen Modell, bevor sie Daten mit A-priori-Verteilungen und der folgenden Wahrscheinlichkeitsfunktion beobachten:

Eine einstufige Regression, die die Heterogenität zwischen Gruppen außer Acht lässt, wird als Modell mit vollständigem Pooling bezeichnet und kann zu falschen Parameterschätzungen führen, wenn Heterogenität zwischen Gruppen vorliegt. Andererseits werden Regressionsmodelle für jede Gruppe der Level-2-Daten unabhängig voneinander als Modellierung ohne Pooling bezeichnet und führen zu ungenauen Parameterschätzungen, da sie die gemeinsame Varianz zwischen den Gruppen ignorieren. Hierarchische lineare Modelle werden als Teilmenge der hierarchischen Bayes'schen Modelle betrachtet, bei denen es sich um Modelle mit partiellem Pooling handelt3. Parameter dürfen je nach Gruppe auf niedrigeren Ebenen der Hierarchie variieren, während gemeinsame Parameter auf höheren Ebenen geschätzt werden. Beachten Sie, dass die Effekte der Stufe 2 und höher nicht wie beim klassischen/frequentistischen Ansatz Teil der Fehlervarianz sind, sondern als Parameter selbst modelliert werden (auch variierende Koeffizienten genannt). Die variierenden Parameter verfügen über Hyperparameter, die auf der Grundlage der Gruppierung der Ebene 2 und höherer Ordnung in den Daten geschätzt werden. Die geschätzte Posteriorverteilung von Parametern für ein hierarchisches lineares Modell mit normalverteiltem Fehler und Identitätsverbindungsfunktion hat die folgende Form:

MCMC-Schätzansätze wie die Methodenfamilien Metropolis Hastings, Gibbs Sampling und Hamiltonian Monte Carlo werden verwendet, um die A-Posteriori-Wahrscheinlichkeit angesichts der vorherigen Verteilung aller Parameter und der Wahrscheinlichkeit gegebener Daten abzuschätzen16. Der Vergleich von Implementierungen und Allzweck-Softwarepaketen für die klassische und Bayes'sche Mehrebenenmodellierung erfolgt in West bzw. Galecki63, Mai und Zhang64.

Wie bereits erwähnt, können Erkenntnisse darüber, wie und warum sich die Auswirkungen von Person zu Person unterscheiden, wertvoll sein. Wir entwickeln eine zweistufige Methode, um Variablen auf Personenebene zu finden, die die Heterogenität des Zusammenhangs zwischen Wohlbefinden und Wohlbefinden zwischen Individuen erklären. Im ersten Schritt passen wir ein empirisches Bayes-Modell an, wobei alle Eingabevariablen mit Zufallseffektkoeffizienten normale Prioritäten mit Mittelwerten ungleich Null haben. Variablen auf Personenebene (z. B. Alter, BMI, Geschlecht usw.) werden nicht in das Modell einbezogen, da ihr Wert für jede Person konstant ist (dh die Zufallseffektkoeffizienten für Variablen auf Personenebene weisen eine Verteilung mit einer Varianz von Null auf). Das empirische Bayes-Modell für Schritt 1 ist unten dargestellt:

Die Mittelwerte \(\mu _{\gamma _0}\) und \(\mu _{\gamma _m}\) in Gl. (14) sind analog zum Modellabschnitt und den entsprechenden festen Effektkoeffizienten der Variablen \(m^{th}\) im empirischen Bayes'schen Modell, das in Gl. (4). Im zweiten Schritt formulieren wir die Zufallseffektkoeffizienten des Schallpegels als Ergebnis eines linearen Modells mit Variablen auf Personenebene als Eingabevariablen wie folgt:

In Gl. (15), \({{{\mathrm{{\Gamma}}}}}_{{{\mathrm{r}}}} = \left\{ {\gamma _{r1},\gamma _{r2 }, \ldots ,\gamma _{rJ}} \right\}\) sind die Zufallseffektkoeffizienten für die Eingabe im empirischen Bayes-Modell aus Schritt 1, \(\{ x_{1 \cdot },x_{2 \ cdot }, \ldots ,x_{P \cdot }\}\) sind P Variablen auf Personenebene und \({\it{\epsilon }}_j\) ist ein normalverteilter Restfehler, der über J Personen variiert.

Das Problem der Identifizierung von Faktoren auf Personenebene, die zu individuellen Heterogenitätseffekten beitragen, wird in unserem linearen Modell als Variablenauswahlproblem dargestellt. Herkömmliche Methoden zur schrittweisen Merkmalsauswahl für Regressionsmodelle sind mit Herausforderungen wie der Empfindlichkeit gegenüber Datenänderungen und einer geringen externen Validität verbunden21. Diese Herausforderungen sind bei unserem Problem besonders relevant, da es mehrere Variablen auf Personenebene gibt, die Faktoren sein könnten, die zur Heterogenität der Klangeffekte auf das Wohlbefinden einzelner Personen beitragen. Daher wählen wir drei auf Regularisierung basierende Methoden: Lasso, Elasticnet und adaptives Lasso21, um signifikante Eingaben in das in Gleichung gezeigte lineare Modell zu bestimmen. (15). Das Lasso verwendet eine l-1-Strafe, um die Koeffizienten unbedeutender Eingaben auf Null zu schrumpfen21. Die Elasticnet- und adaptiven Lasso-Methoden sind Verbesserungen gegenüber der Lasso-Feature-Auswahlmethode und berücksichtigen korrelierte Features und besitzen Oracle-Eigenschaften. Die Hyperparameter für die Straffunktionen dieser Modelle werden mithilfe eines Rastersuchverfahrens21 ermittelt. Die anfänglichen adaptiven Gewichte werden als Kehrwerte der Absolutwerte der Koeffizienten einer Vanilla-Regression festgelegt, wie von Zou61 vorgeschlagen. Die Variablen auf Personenebene, die in allen drei regulierten Modellen Koeffizienten ungleich Null aufweisen, werden als endgültiger Satz von Faktoren ausgewählt, die zu individuellen Heterogenitätseffekten beitragen52.

Abbildung 4 zeigt eine Darstellung unseres gesamten erklärenden Modellierungsrahmens, der aus zwei neuartigen Methoden zur Erfassung von Zusammenhängen zwischen Schallpegeln und physiologischem Wohlbefinden auf Bevölkerungsebene und zwischenmenschlichen Zusammenhängen besteht.

Erklärender Modellierungsrahmen, bestehend aus einem empirischen Bayes-Modell und einer Heterogenitätsmodellierungsmethode zur Identifizierung von Zusammenhängen zwischen Wohlbefinden und Wohlbefinden auf Bevölkerungsebene.

Um das Vorhandensein eines optimalen Schallpegels für das physiologische Wohlbefinden bei 50 dBA und den Einfluss von Blutdruck und Arbeit mit intensiver Computernutzung auf die Mäßigung des Zusammenhangs zwischen Schall und Wohlbefinden zu validieren, führten wir einen Post-hoc-Vergleich des Wohlbefindens verschiedener geschichteter Populationen für drei Schallpegel durch Bedingungen: Schallpegel unter 45 dBA, Schallpegel zwischen 45 dBA und 55 dBA und Schallpegel über 55 dBA. Tabelle 6 zeigt die Post-hoc-Vergleiche des um zufällige Effekte bereinigten mittleren Wohlbefindenswerts für die drei Schallpegelbereiche für verschiedene Teilpopulationen in unseren Daten. Zur Untermauerung unserer Feststellung, dass 50 dBA ein optimaler Schallpegel am Arbeitsplatz ist, stellen wir fest, dass der Schallpegelbereich 45–55 dBA im Vergleich zu niedrigen und hohen Schallpegelbereichen den höchsten durchschnittlichen angepassten Wohlbefindenswert in der gesamten Bevölkerung aufweist. Für Personen mit hohem Blutdruck ist jedoch der niedrigste Schallpegelbereich (d. h. Schallpegel < = 45 dBA) optimal, was sich von Personen mit normalem Blutdruck unterscheidet. Schließlich weisen Personen mit intensiver Computernutzung im Vergleich zu Personen mit regelmäßiger Computernutzung einen niedrigeren durchschnittlichen angepassten Wohlbefindenswert für niedrige und hohe Schallpegelbereiche (d. h. Schallpegel <= 45 dBA und Schallpegel > 55 dBA) auf arbeiten. Mit anderen Worten: Diese Gruppe profitiert mehr (als die durchschnittliche Person) sowohl von (a) einem Anstieg des Schallpegels im unteren Bereich als auch (b) einem Rückgang des Schallpegels im höheren Bereich. Diese Ergebnisse des Gruppenvergleichs nach der Analyse bestätigen die Ergebnisse auf der Grundlage unserer vorgeschlagenen Methoden.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Research Reporting Summary.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Der für die Analyse in dieser Studie verwendete Code ist auf begründete Anfrage beim entsprechenden Autor erhältlich.

Harvard School of Public Health. Arbeitsplatz und Gesundheit. (2016).

Heerwagen, J. & Zagreus, L. Die menschlichen Faktoren nachhaltiger Gebäudegestaltung: Bewertung des Philip Merrill Environmental Center nach der Belegung. Raumklimaqualität (2005).

Daiber, A. et al. Umgebungslärm induziert die Freisetzung von Stresshormonen und entzündlichen Signalmolekülen, was zu oxidativem Stress und Gefäßstörungen führt – Signaturen des internen Exposoms. BioFaktoren. 45 Vorabdruck unter https://doi.org/10.1002/biof.1506 (2019).

WER. Lärm. https://www.euro.who.int/en/health-topics/environment-and-health/noise (2021).

Hicks, JL et al. Best Practices für die Analyse umfangreicher Gesundheitsdaten von Wearables und Smartphone-Apps. npj Digital Med. 2, (2019).

Loftus, ID et al. Ideale Algorithmen im Gesundheitswesen: erklärbar, dynamisch, präzise, ​​autonom, fair und reproduzierbar. PLOS Digital Health 1, e0000006 (2022).

Artikel Google Scholar

GSA. Gut gebaut für Wohlbefinden. https://www.gsa.gov/ Governmentwide-initiatives/federal-highperformance-green-buildings/resource-library/health/wellbuilt-for-wellbeing (2021).

Lindberg, CM et al. Auswirkungen der Art des Büroarbeitsplatzes auf körperliche Aktivität und Stress. Besetzen. Umgebung. Med. 75, 689–695 (2018).

Artikel Google Scholar

Bozdogan, H. Modellauswahl und Akaikes Informationskriterium (AIC): Die allgemeine Theorie und ihre analytischen Erweiterungen. Psychometrika 52, 3450370 (1987).

Artikel Google Scholar

Wood, SN Stabile und effiziente Schätzung mehrerer Glättungsparameter für verallgemeinerte additive Modelle. Marmelade. Stat. Assoc. 99, 673–686 (2004).

Baldwin, SA, Imel, ZE, Braithwaite, SR & Atkins, DC Analyse mehrerer Ergebnisse in der klinischen Forschung mithilfe multivariater Mehrebenenmodelle. J. Consulting Clin. Psychol. 82, 920–930 (2014).

Artikel Google Scholar

Brent, RP Algorithmen zur Minimierung ohne Ableitungen. (Dover-Veröffentlichungen, 2013).

Soares-Miranda, L. et al. Körperliche Aktivität und Herzfrequenzvariabilität bei älteren Erwachsenen. Auflage 129, 2100–2110 (2014).

Artikel Google Scholar

Tan, JPH, Beilharz, JE, Vollmer-Conna, U. & Cvejic, E. Herzfrequenzvariabilität als Marker für gesundes Altern. Int. J. Cardiol. 275, 101–103 (2019).

Artikel Google Scholar

Natarajan, A., Pantelopoulos, A., Emir-Farinas, H. & Natarajan, P. Herzfrequenzvariabilität mit Photoplethysmographie bei 8 Millionen Personen: eine Querschnittsstudie. The Lancet Digital Health 2, e650–e657 (2020).

Gelman, A. et al. Bayesianische Datenanalyse. Bayesianische Datenanalyse (CRC Press, 2014).

Carpenter, B. et al. Stan: Eine probabilistische Programmiersprache. J. Stat. Softw. 76, 1–32 (2017).

Artikel Google Scholar

Kline, RB Prinzipien und Praxis der Strukturgleichungsmodellierung. Bd. 156 (Guilford, 2011).

Rosseel, Y. Lavaan: Ein R-Paket für die Modellierung von Strukturgleichungen. J-Stat. Weich. 48, 1–36 (2012).

Artikel Google Scholar

Pinheiro, J., Bates, D., DebRoy, S. & Sarkar, D. nlme: Lineare und nichtlineare Mixed-Effects-Modelle. R-Paket Version 3 Preprint bei (2007).

Hastie, T., Tibshirani, R. & Friedman, J. Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage. (Springer, 2009).

Gruber, M., de Leon, N., George, G. & Thompson, P. Managing by Design. Acad. Geschäftsführer J. 58, 1–7 (2015).

Artikel Google Scholar

Dahl, MS Organisatorischer Wandel und Mitarbeiterstress. Geschäftsführer Wissenschaft. 57, 240–256 (2011).

Artikel Google Scholar

Ryff, CD Glück ist alles, oder doch? Untersuchungen zur Bedeutung des psychischen Wohlbefindens. J. Persönlich. Soc. Psychol. 57, 1069–1081 (1989).

Artikel Google Scholar

Boron, WF & Boulpaep, EL Medizinische Physiologie. (Elsevier, 2017).

Pitchforth, J., Nelson-White, E., van den Helder, M. & Oosting, W. Das Pilotprojekt zur Arbeitsumgebung: Ein Experiment zur Bestimmung der optimalen Bürogestaltung für ein Technologieunternehmen. PLoS ONE 15, e0232943 (2020).

Lee, Y., Nelson, EC, Flynn, MJ & Jackman, JS Erkundung von Soundscaping-Optionen für die kognitive Umgebung in einem Großraumbüro. Bauakustik 27, 185–202 (2020).

Lee, PJ, Lee, BK, Jeon, JY, Zhang, M. & Kang, J. Einfluss von Lärm auf die selbstbewertete Arbeitszufriedenheit und Gesundheit in Großraumbüros: ein Ansatz zur Strukturgleichungsmodellierung. Ergonomie 59, 222–234 (2016).

Artikel Google Scholar

Jahncke, H., Hygge, S., Halin, N., Green, AM & Dimberg, K. Lärm im Großraumbüro: Kognitive Leistung und Wiederherstellung. J. Umgebung. Psychol. 31, 373–382 (2011).

Artikel Google Scholar

Mehta, R., Zhu, R. & Cheema, A. Ist Lärm immer schlecht? Erforschung der Auswirkungen von Umgebungsgeräuschen auf die kreative Wahrnehmung. J. Consum. Res. 39, 784–799 (2012).

Artikel Google Scholar

OSHA. Berufliche Lärmbelastung. Arbeitsschutzbehörde https://www.osha.gov/noise (2021).

Walker, ED, Brammer, A., Cherniack, MG, Laden, F. & Cavallari, JM Herz-Kreislauf- und Stressreaktionen auf kurzfristige Lärmbelastung – Eine Panelstudie an gesunden Männern. Umgebung. Res. 150, 391–397 (2016).

Artikel CAS Google Scholar

Cvijanović, N., Kechichian, P., Janse, K. & Kohlrausch, A. Auswirkungen von Lärm auf die Erregung in einer Sprachkommunikationsumgebung. Redekommun. 88, 127–136 (2017).

Artikel Google Scholar

Park, SH & Lee, PJ Auswirkungen von Bodenschall auf psychophysiologische Reaktionen. Bauen. Umgebung. 116, 173–181 (2017).

Artikel Google Scholar

Sim, CS et al. Die Auswirkungen verschiedener Lärmarten auf die Herzfrequenzvariabilität bei Männern. Yonsei Med. J. 56, 235–243 (2015).

Artikel Google Scholar

Abbasi, AM, Motamedzade, M., Aliabadi, M., Golmohammadi, R. & Tapak, L. Untersuchung der physiologischen und psychischen Auswirkungen auf die Gesundheit, die durch die Exposition gegenüber niederfrequentem Lärm in einem simulierten Kontrollraum verursacht werden. Bauakustik 25, 233–248 (2018).

Kraus, U. et al. Individuelle Tageslärmbelastung bei Routineaktivitäten und Herzfrequenzvariabilität bei Erwachsenen: eine Studie mit wiederholten Messungen. Umgebung. Gesundheitsperspektive. 121, 607–612 (2013).

Artikel Google Scholar

Srinivasan, K. et al. Ein Regularisierungsansatz zur Identifizierung kumulativer verzögerter Effekte in Smart-Health-Anwendungen. In Proceedings of the 7th International Conference on Digital Health 99–103 (ACM Press, 2017).

Gadaleta, M. et al. Passive Erkennung von COVID-19 mit tragbaren Sensoren und erklärbaren Algorithmen für maschinelles Lernen. npj Digital Med. 2021 4:1 4, 1–10 (2021).

Google Scholar

Verkuil, B., Brosschot, JF, Tollenaar, MS, Lane, RD & Thayer, JF Längere nicht-metabolische Verringerung der Herzfrequenzvariabilität als physiologischer Marker für psychischen Stress im täglichen Leben. Ann. Verhalten. Med. 50, 704–714 (2016).

Artikel Google Scholar

Xhyheri, B., Manfrini, O., Mazzolini, M., Pizzi, C. & Bugiardini, R. Herzfrequenzvariabilität heute. Prog. Herz-Kreislauf-Dis. 55, 321–331 (2012).

Artikel Google Scholar

Shaffer, F. & Ginsberg, JP Ein Überblick über Metriken und Normen der Herzfrequenzvariabilität. Vorderseite. Öffentliche Gesundheit 5, 1–17 (2017).

Artikel Google Scholar

Das, A., Poole, WK & Bada, HS Ein Ansatz mit wiederholten Messungen zur gleichzeitigen Modellierung mehrerer neurologischer Verhaltensergebnisse bei Neugeborenen, die in der Gebärmutter Kokain ausgesetzt waren. Bin. J. Epidemiol. 159, 891–899 (2004).

Artikel Google Scholar

Pituch, KA & Stevens, JP Angewandte multivariate Statistik für die Sozialwissenschaften. (Routledge, 2016).

Ritz, C., Pilmann Laursen, R. & Trab Damsgaard, C. Simultane Inferenz für mehrstufige lineare gemischte Modelle – mit einer Anwendung auf eine groß angelegte Schulspeisungsstudie. JR-Stat. Soc.: Ser. C. (Appl. Stat.) 66, 295–311 (2017).

Artikel Google Scholar

Lin, Y.-K., Chen, H., Brown, RA, Li, S.-H. & Yang, H.-J. Prädiktive Analysen im Gesundheitswesen zur Risikoprofilierung in der chronischen Pflege: Ein bayesianischer Multitasking-Lernansatz. MIS Q. 41, 473–495 (2017).

Artikel Google Scholar

Faraway, JJ Erweiterung des linearen Modells mit R: verallgemeinerte lineare, gemischte Effekte und nichtparametrische Regressionsmodelle. (CRC Press, 2016).

Muthén, BO Beyond SEM: Allgemeine Modellierung latenter Variablen. Behaviormetrika 29, 81–117 (2002).

Artikel Google Scholar

Kline, RB Annahmen in der Modellierung von Strukturgleichungen. Handbuch der Strukturgleichungsmodellierung (Guilford, 2012).

Raudenbush, SW & Bryk, AS Hierarchische lineare Modelle: Anwendungen und Datenanalysemethoden. (Sage, 2002).

Shmueli, G. Erklären oder vorhersagen? Stat. Wissenschaft. 25, 289–310 (2010).

Artikel Google Scholar

Malik, M. et al. Herzfrequenzvariabilität: Messstandards, physiologische Interpretation und klinische Anwendung. EUR. Heart J. 93, 1043–1065 (1996).

Google Scholar

Pereira, T., Almeida, PR, Cunha, JPS & Aguiar, A. Herzfrequenzvariabilitätsmetriken für eine feinkörnige Stressniveaubewertung. Computermethoden Prog. Biomedizin 148, 71–80 (2017).

Artikel Google Scholar

Razjouyan, J. et al. Tragbare Sensoren und die Beurteilung der Gebrechlichkeit bei gefährdeten älteren Erwachsenen: eine beobachtende Kohortenstudie. Sensoren 18, 1336 (2018).

Artikel Google Scholar

Thayer, JF et al. Auswirkungen der physischen Arbeitsumgebung auf physiologische Stressmessungen. EUR. J. Herz-Kreislauf Vorher. Reha. 17, 431–439 (2010).

Artikel Google Scholar

MacNaughton, P. et al. Umweltwahrnehmung und Gesundheit vor und nach dem Umzug in ein umweltfreundliches Gebäude. Bauen. Umgebung. 104, 138–144 (2016).

Artikel Google Scholar

Richards, DM et al. Tragbarer, sensorbasierter Dekompensationsindex für die kontinuierliche Fernüberwachung von Patienten mit COVID-19-Diagnose. npj Dig. Med. 4, 155 (2021).

Merkle, EC & Wang, T. Bayesianische latente Variablenmodelle für die Analyse experimenteller Psychologiedaten. Psychonomischer Bulle. Rev. 25, 256–270 (2018).

Artikel Google Scholar

Skrondal, A. & Rabe-Hesketh, S. Verallgemeinerte latente Variablenmodellierung: Mehrebenen-, Längsschnitt- und Strukturgleichungsmodelle. (CRC Press, 2004).

Heck, RH & Thomas, SL Eine Einführung in mehrstufige Modellierungstechniken: MLM- und SEM-Ansätze mit Mplus. (Routledge, 2015).

Zou, H. Das adaptive Lasso und seine Orakeleigenschaften. Marmelade. Stat. Assoc. 101, 1418–1429 (2006).

Artikel CAS Google Scholar

Searle, SR, Speed, FM & Milliken, GA Randmittelwerte der Bevölkerung im linearen Modell: Eine Alternative zu den Mittelwerten der kleinsten Quadrate. Bin. Stat. 34, 216–221 (1980).

West, BT & Galecki, AT Ein Überblick über aktuelle Softwareverfahren zur Anpassung linearer gemischter Modelle. Am Stat 65, 274–282 (2011).

Artikel Google Scholar

Mai, Y. & Zhang, Z. Softwarepakete für die Bayesianische Mehrebenenmodellierung. Struct Equ Modeling 25, 650–658 (2018).

Artikel Google Scholar

Referenzen herunterladen

Diese Studie wurde durch einen Vertrag der United States General Services Administration mit der Nummer GS-00-H-14-AA-C-0094 finanziert.

School of Business, University of Kansas, Lawrence, KS, USA

Karthik Srinivasan

Abteilung für Managementinformationssysteme, Eller College of Management, University of Arizona, Tucson, AZ, USA

Faiz Currim & Sudha Ram

HKS Inc, Denver, CO, USA

Casey M. Lindberg

Institut für Ort, Wohlbefinden und Leistung, University of Arizona, Tucson, AZ, USA

Casey M. Lindberg & Esther M. Sternberg

Zentrum für Innovationen in Qualität, Wirksamkeit und Sicherheit (IQuESt), Baylor College of Medicine, Houston, TX, USA

Javad Razjouyan

Medizinische Fakultät, Baylor College of Medicine, Houston, USA

Javad Razjouyan

Programm zur Verbesserung der Ausbildung von Big-Data-Wissenschaftlern, VA-Büro für Forschung und Entwicklung, Washington, District of Columbia, USA

Javad Razjouyan

Office of Federal High Performance Green Buildings, US General Services Administration, Washington, DC, USA

Brian Gilligan, Kelly J. Canada, Judith Heerwagen und Kevin Kampschroer

Best Buy, Boston, MA, USA

Hyoki Lee

Aclima, Inc, San Francisco, CA, USA

Nicole Goebel & Melissa M. Lunden

Institut für Psychologie, University of Arizona, Tucson, AZ, USA

Matthias R. Mehl

Center to Stream HealthCare in Place (C2SHIP), Michael E. DeBakey Abteilung für Chirurgie, Baylor College of Medicine, Houston, TX, USA

Bijan Najafi

Andrew Weil Center for Integrative Medicine, University of Arizona, Tucson, USA

Esther M. Sternberg

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

KS entwickelte das empirische Bayes-Modell und die Heterogenitätsmodellierungsmethode und führte Datenanalysen durch. FC und SR berieten bei der Entwicklung des empirischen Bayes-Modells und der Heterogenitätsmodellierungsmethode sowie bei der Präsentation der Analyseergebnisse. JR, HL und BJ konsolidierten Daten zu Herz und körperlicher Aktivität. NG- und MML-konsolidierte Umgebungssensordaten. SR, CML, BG, MRM, JH, EMS und KK haben die Studie konzipiert und gestaltet. KS, FC und SR haben das Manuskript verfasst. Alle Autoren trugen zur Interpretation der Ergebnisse bei. Alle Autoren haben das Manuskript gelesen und genehmigt.

Korrespondenz mit Karthik Srinivasan.

NG und MML erklären keine konkurrierenden nichtfinanziellen Interessen, sondern die folgenden konkurrierenden finanziellen Interessen: NG und MML sind bei Aclima Inc. beschäftigt, einer kommerziellen Organisation. Alle anderen Autoren erklären kein konkurrierendes Interesse.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Srinivasan, K., Currim, F., Lindberg, CM et al. Entdeckung assoziativer Muster zwischen Schallpegel am Arbeitsplatz und physiologischem Wohlbefinden mithilfe tragbarer Geräte und empirischer Bayes-Modellierung. npj Ziffer. Med. 6, 5 (2023). https://doi.org/10.1038/s41746-022-00727-1

Zitat herunterladen

Eingegangen: 22. Februar 2022

Angenommen: 29. November 2022

Veröffentlicht: 13. Januar 2023

DOI: https://doi.org/10.1038/s41746-022-00727-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

npj Digitale Medizin (2023)