中华预防医学杂志    2018年06期 时间-活动模式调查方法及其在空气污染物暴露评价中的应用    PDF     文章点击量:468    
中华预防医学杂志2018年06期
中华医学会主办。
0

文章信息

莫杨 李娜 徐春雨 徐东群
MoYang,LiNa,XuChunyu,XuDongqun
时间-活动模式调查方法及其在空气污染物暴露评价中的应用
Review of survey method for human time-activity pattern and its application in the exposure assessment of air pollutants
中华预防医学杂志, 2018,52(6)
http://dx.doi.org/10.3760/cma.j.issn.0253-9624.2018.020

文章历史

投稿日期: 2018-02-09
上一篇:癌症发病年龄变化分析
下一篇:酒精摄入的风险阈值:基于83项前瞻性队列研究的联合分析
时间-活动模式调查方法及其在空气污染物暴露评价中的应用
莫杨 李娜 徐春雨 徐东群     
莫杨 100021 北京,中国疾病预防控制中心环境与健康相关产品安全所
李娜 100021 北京,中国疾病预防控制中心环境与健康相关产品安全所
徐春雨 100021 北京,中国疾病预防控制中心环境与健康相关产品安全所
徐东群 100021 北京,中国疾病预防控制中心环境与健康相关产品安全所
摘要: 时间-活动模式是指人们在不同地点进行各种活动的时间和行为。当人们处于不同环境或进行各种行为活动时对污染的暴露水平不同,因此,在空气污染暴露评价中,当不能进行直接的个体暴露测量时,将研究对象的时间-活动模式信息应用于暴露评价中将有助于提高评价结果的准确性。本文将就人群时间-活动模式的调查方法及其在空气污染物暴露评价中的应用进行综述,通过对问卷调查法和全球定位系统(GPS)法进行介绍与比较,认为问卷调查法可以获得更为全面和详细的行为活动以及环境信息,而GPS法在记录调查对象时间、位置和交通出行方面更加准确可靠。同时,空气污染物暴露评价模型按照评估的对象可分为人群水平模型和个体水平模型,两类模型所需的时间-活动模式信息、微环境浓度信息及具体的获取方法都存在较大的差别。
关键词 :空气污染;环境暴露;时间-活动模式;暴露评价;GPS
Review of survey method for human time-activity pattern and its application in the exposure assessment of air pollutants
MoYang,LiNa,XuChunyu,XuDongqun     
National Institute of Environmental Health, Chinese Center for Disease Control and Prevention, Beijing 100021, China
Corresponding author: Xu Dongqun, Email: dongqunxu@126.com
Abstract:Time activity pattern refers to the time and behavior of people at different locations. The knowledge of time-activity pattern is essential for air pollution exposure assessment when direct personal exposure monitoring can't not be conducted, because air pollutant concentrations may vary significantly by location and activity. This review is focused on the survey method for human time-activity pattern and its application in the exposure assessment of air pollutants. After comparing the diary-reported trips and Global Positioning System (GPS) recording method, we believed that diary-reported trips were more reliable in describing comprehensive and detail records of the behavior and environmental circumstances while GPS-recorded trend to maintain sound information of time, location and transportations. Meanwhile, according to different subjects, the air pollution exposure model could be divided for population and individuals. There were great difference between two types of model in many areas, including the required information about time, activity and microenvironment.
Key words :Air pollution;Environmental exposure;Time-activity pattern;Exposure assessment;GPS
全文

时间-活动模式是指人们在不同地点进行各种活动的时间和行为,它包括三个基本要素,即地点、持续时间和行为[1]。当人们处于不同环境或进行各种行为活动时对污染的暴露水平通常并不相同。例如,对于那些主要由室内源产生的污染物(如环境烟草烟雾、烹调油烟)室内浓度远高于室外浓度,而对于那些主要来源于室外的污染物(如臭氧、黑炭),关系正好相反[2,3]。交通工具内来源于机动车尾气的超细颗粒物、黑炭等暴露浓度是一般环境浓度的数十倍[4,5],个体暴露监测结果表明交通出行时间可以解释个体对颗粒物共存多环芳烃暴露变异的40%[6]。因此,时间-时间活动模式是决定不同个体或群体空气污染物暴露水平的重要因素。与单纯的室内外污染物浓度监测相比,将研究对象的时间-活动模式信息应用于污染暴露评价中将有助于提高评价结果的准确性。本文就人群时间-活动模式的调查方法及其在空气污染物暴露评价中的应用进行综述。

一、时间-活动模式的调查方法  时间-活动模式的调查方法包括问卷调查法和全球定位系统(global positioning system, GPS法,两种方法各有优缺点,目前均有广泛应用。

(一)问卷调查法  问卷调查法是通过调查对象填写时间-活动日志及相关问卷的方式收集调查对象时间-活动模式信息的方法。该类方法目前应用最为广泛,具有方法简单,成本低,可以直接得到分类详尽的活动信息等优点,但也存在应答误差(回忆偏倚)、时空分辨率低和参与者报告负担大等不足。
        问卷调查法按照获得时间-活动信息的方式又可以分为两类,实时日志记录法和回顾性问卷调查法。前者要求调查对象实时记录出入各类微环境的时间、地点、行为活动以及周围环境状况,而后者是通过调查对象回忆获得过去一段时间(通常为24 h)或特地时间点的上述信息。虽然实时日志的方法相对更为准确,但被调查对象负担更大,通常只适用于小样本量的个体监测研究,而在大规模的人群调查中通常都采用回顾性调查方法[1]。通过电话拨号调查是最常用的调查方式之一。例如,美国国家环保局(United States Environmental Protection Agency,EPA)在1992—1994年开展了国家人类活动模式(National Human Activity Pattern Survey,NHAPS)调查[1],以收集全国范围的人群暴露相关时间-活动模式信息。该调查由马里兰大学调查中心采用计算机辅助的电话采访设备进行,共调查48个州9 386名受访者。其采用的调查问卷共分为记录24 h-活动状况的时间表和补充问卷两部分,前者是调查问卷的核心,在时间表中调查对象按照时间先后顺序报告前一天的所有活动开始和结束时间、详细的位置(83种位置编码)和行为(91种位置编码),并且根据回忆填写在每一场所是否存在人员吸烟;在补充问卷部分,通过询问相关问题辅助调查对象回忆是否发生高暴露行为,如加油、干洗衣物等。此外,在1994—1999年期间,美国EPA使用美国国家人群暴露评价调查(National Human Exposure Assessment Survey,NHEXAS)日志对其所属的4个区域的近600名调查对象进行了时间-活动模式调查[7]。NHEXAS日志同样分为两部分,其中时间表部分要求调查对象回顾过去24 h在7类场所(交通出行、住宅、工作场所/学校、其他室内以及上述场所的相应室外)的行为和时间,而问卷部分包括29个指示各种暴露和事件的问题,如加油、游泳、被动吸烟、使用杀虫剂等。在大范围调查前,对问卷效度和信度进行了测试,其中通过检查所有微环境时间加和值是否为24 h,评价时间表部分的效度以及完整性;通过在问卷和时间表中对某一特殊场所驻留时间或行为持续时间(交通出行时间)设置重复的问题检查NHEXAS日志的信度和一致性,结果表明在问卷和时间表中回答的时间具有高度相关性(r值在0.811~0.922范围内,P<0.001)。
        问卷方式调查方式除了上述通过电话调查外,还包括面对面的调查及网络调查[8]。在2013中国人群(成人)环境暴露相关活动模式研究(Chinese Environmental Exposure-Related Human Activity Patterns Survey Adults,CEERHAPS-A)中[9],采用多阶段分层整群随机抽样方式抽取调查对象,通过面对面问卷调查方式,调查了中国人群在室内、室外和出行时间,出行方式又分为步行、骑自行车、电动车、摩托车、小汽车、公交和火车/地铁。有研究认为在采用电话拨号方式调查时,有可能高估人群在家庭内的时间,因为在家庭时间多的人群理论上倾向于具有更好的应答率,然而在加州进行的一项采用网络方法进行调查的结果表明,电话采访法并不一定会高估在家庭室内时间[8]

(二)GPS法  GPS法是通过调查者佩戴GPS、加速度计等设备实时连续记录时间、位置、速度、运动状态等信息,结合地理信息系统(geographic information system,GIS)、统计软件包等工具进行时间-活动状态的解析,进而得出时间-活动模式的方法[10,11,12,13,14,15]。近年来,随着相关技术的发展,GPS法应用越来越普遍。与传统的问卷调查方法相比,GPS法具有可连续记录、高时空分辨率、调查对象报告负担小等优点[16]。然而目前该方法也存在因多种因素(如卫星或接收器的问题、大气与电离层的干扰、多路径信号反射、信号丢失和阻塞)造成的GPS定位信息不准确问题,尤其是在建筑物密集的城市地区[17]
        在早期应用GPS法进行人群时间活动模式监测时,需人工将GPS记录的海量的时间、位置坐标、速度等信息解析为时间-活动状态分类,在操作上费时费力[14,18,19,20]。近年来,越来越多的研究者尝试利用统计模型和软件,建立基于GPS数据的时间-活动状态分类、汇总模型,实现时间-活动模式的自动解析[21,22,23,24,25],其中随机森林模型和多元Logistic回归是最常用的统计模型。在美国进行的一项研究中,以40名大学职员为研究对象,从其GPS、加速度计的监测数据中,提取出由一个41个加速度和6个GPS速度参数组成的47个特征向量作为候选预测变量,采用随机森林的方法构建时间-活动状态分类模型,实现了对5种活动状态(骑自行车、乘坐交通工具、坐、站、走/跑)的自动识别;经交叉验证,模型预测结果平均准确率达89.2%(范围为83.0~95.7%)[26]。Hu等[10]同样采用随机森林模型利用GPS、照度和加速度数据预测了调查对象在室内、室外静止、室外走动和乘坐交通工具等4种活动模式,结果表明使用15个预测变量预测准确度大于99%,特异性范围为96.33%~99.98%;除室外步行外,其他方式的预测灵敏度均为97.55%,室外步行为84.62%;最大速度、平均速度和距离高速路的距离是模型中最为重要的预测变量。在另一项研究报道中,利用GPS和加速度计数据的9个特征指标,采用多分类logistic回归模型,实现了对摩托车/助力车、轨道交通、自行车和步行、公交等8种交通出行方式的识别,总体准确率达79%[27]。除了上述两类模型外,Breen等[22]基于多阶段逻辑判断方法建立了针对GPS数据的微环境分类模型(microenvironment tracker model,MicroTrac),对微环境分类整体准确度为99.5%。此外,有研究将反映GPS定位信息质量的参数用于时间-位置信息的识别。在Kim等[28]研究中,当可用的卫星数<9,并且位置在住宅的40m内识别为在家,对在家识别灵敏度为89.3%。在Tandon等研究中,信噪比被用作室内外位置的判别,当视野范围内所有卫星的信噪比>250时判断为室外,对儿童在儿童看护中心室外的识别灵敏度为82%;此外在该研究中还使用光强度进行室内外识别,当光强度>110 lux时识别为室外,灵敏度为74%[29]

(三)问卷调查法和GPS法比较  两类方法的特性比较见表1,总体而言通过问卷调查法可以获得更为全面和详细的行为活动以及环境信息,而GPS法在记录调查对象时间、位置和交通出行方面更加准确可靠[18, 30,31]。有研究对两种调查方法进行比较。Elgethun等[12]用GPS追踪了31名西雅图3~5岁儿童,同时要求父母实时记录NHEXAS日志,结果发现两种方法间的相关性较弱(相关系数在0.33~0.35范围内),日志错分了儿童48%时间的位置信息,日志低估了儿童17%的住宅内时间,高估了其他室内,家庭和其他建筑室外以及乘坐交通工具的时间;母亲没有工作或从事低技术含量工作,以及说西班牙语家庭误报率更高。在洛杉矶的研究中,以47名港口社区居民为研究对象,同时使用回顾性问卷法和GPS法进行时间活动模式调查,总体而言单独的回顾问卷漏报了49%的位置和行程,导致3 h/d位置信息和0.6 h/d行程未报道[18]。基于两种方法各具优缺点,在法国开展的对40名孕妇的暴露评价研究中,采用GPS法监测调查对象时间-位置信息,并利用时间-活动日志信息对GPS缺失数据进行了有效补充[32],很好的克服了两种方法各自的不足。

表1问卷调查法与GPS法在调查空气污染物暴露水平时的特征比较

二、时间-活动模式在空气污染物暴露评价中的应用  模型法是目前应用日益广泛的空气污染物暴露评价方法,其整合了空气污染物环境浓度监测数据、时间-活动模式数据、人口统计学特征以及污染物由室外向室内的渗透系数等多种暴露因子,与单纯基于室外空气质量监测数据进行暴露评价相比,提高了对暴露水平评价的准确性[33]。虽然暴露评估模型的形式各种各样,但他们最根本的思路是一致的[34],即以调查对象在各微环境的驻留时间为权重,计算各微环境浓度的时间加权值即为研究对象的实际暴露水平,可用如下公式表示:
        Ei=∑Cjtij/∑tij
        式中,Ei为个体i在不同的微环境j中对某种污染物的综合平均暴露浓度;Cj为微环境j中某种污染物的浓度;tij为调查对象i处于微环境j中的时间。从上式可以看出,获得研究对象时间-活动模式信息以及所处各微环境空气污染浓度水平数据是利用暴露评估模型进行暴露评估的关键。在空气污染物暴露评估中,最基本的微环境分类包括室内和室外,但在许多情况下还需要进行更加精细的分类,如住宅、工作场所、学校,交通工具等。评估对象处于室外环境时的暴露水平通常利用外环境空气质量监测数据、社区监测数据或各种模型(如空间插值模型、大气扩散模型、土地利用回归模型等)模拟的室外浓度替代[32,35,36,37],但对交通工具及建筑室内微环境浓度监测和模拟通常更加困难。例如,住宅室内PM2.5的浓度受到室外PM2.5浓度、开关门窗、建筑结构、净化设备使用、室内污染源(如人员吸烟、烹饪、打扫)、气象条件等多种因素影响。对室内污染物浓度的预测模型包括基于化学质量平衡方程的物理模型,基于数学统计分析方法(如最小平方回归分析)的统计模型以及将两种原理结合起来的整合模型[35, 38,39,40,41]。但每一类模型都有具有其优点和不足。通常确定模型(如单室模型和多室模型)具有强的普遍适用性,但通常准确性和精密度相对较差;当统计模型应用于其适用的环境条件时,可以提供更为准确的信息,但外推具有更大的局限性。
        空气污染物暴露评价模型按照评估的对象可分为人群水平模型和个体水平模型,两类模型所需的时间-活动模式信息、微环境浓度信息及具体的获取方法都存在较大的差别。

(一)人群水平的空气污染物暴露评估模型  人群水平的暴露评价模型通常属于概率模型,用于预测不同人口学特征组别的人群(如学龄儿童、老年人群)的暴露分布及变异,而不是预测个体暴露。模型的输入参数也为人群水平,并且通常来源于其他调查研究所建立的数据库,如人口学普查数据、时间-活动模式综合数据库数据(consolidated human activity database,CHAD)等[38,39,42]。此类模型适用于那些使用群体健康效应指标为效应终点的流行病学研究(如时间序列研究)。国内外应用最为广泛的人群暴露模型包括随机人体暴露和剂量模拟模型(stochastic human exposure and dose simulation,SHEDS)、有害空气污染物暴露模型(hazardous air Pollution exposure model,HAPEM)[43]、二氧化氮及颗粒物等空气污染物暴露模型(exposure to air pollution especially to nitrogen dioxide and particulate matter,EXPAND)[44]以及欧洲城市成人空气污染物暴露分布评估模型(Air Pollution Exposure Distributions Within Adult Urban Populations In Europe,EXPOLIS)[45]
        以SHEDS模型应用为例,其主要输入参数和获取方法如下:利用社区监测数据和大气扩散模型获得的室外浓度空间分布数据;利用室外颗粒物浓度、物理因素(如空气交换、穿透和沉降)和室内颗粒物源释放强度(如吸烟、烹饪)数据,通过单室-稳态质量平衡方程计算得到的住宅室内颗粒物浓度;利用已有的非住宅(交通工具、办公室、学校、商店、酒吧和饭店等)室内外浓度测定结果,建立线性回归方程,估算的非住宅室内浓度;从CHAD数据库获取的人群时间-活动模式数据。SHEDS模型可以估算出人群在各种微环境(室内、交通工具、室外)的暴露及室外来源PM2.5对人群总暴露的贡献[38]。近期在新加坡开展的一项研究中[46],研究者采用微环境模型法,利用环境监测数据(来源于6个监测站点小时均值浓度)、来源室外污染物室内外比值数据(来源于文献回顾)、人口学特征数据以及分性别、年龄组的人群时间-活动模式数据(均来源政府调查数据库),评估了城市人群对室外来源污染物的暴露水平,结果表明人群对室外来源PM2.5、PM10、臭氧的暴露水平分别为室外浓度的59%、52%和47%。此外,在印度新德里的研究中,使用基于GIS的整合概率模型评价PM2.5人群暴露水平,其中模型参数中的室外浓度来源于土地利用回归模型的模拟,交通工具以及建筑室内PM2.5浓度来源于基于室内/室外比值的估算,时间-活动模式数据来自于另一项随机抽样调查(n=1 012),模型模拟计算了三种工作场景下的人群PM2.5暴露水平[35]

(二)个体水平的空气污染物暴露评估模型  与人群水平暴露评价模型相反,个体水平的暴露评价模型以研究对象的个体信息为输入参数,并预测每个个体的暴露水平,适用于以个体水平健康结局为效应终点的流行病学研究,如固定群组研究[39]。个体暴露评价模型所需的时间-活动模式数据通常直接来自于对所调查对象的问卷调查或GPS监测[22,47]。个体暴露模型(exposure model for individuals,EMI)是近年新开发的用于预测颗粒物个体暴露水平的复杂模型,其整合了空气交换率模型、质量平衡渗透系数模型,通过输入各住宅建筑特征、温度、风速、室外污染物浓度以及个体的时间-位置信息等参数,模拟计算个体对室外来源颗粒物的暴露水平[39]。在美国北卡罗莱纳州开展了模型模拟预测与个体暴露实测比较研究中,通过时间-活动日志获得调查对象的时间位置信息,模型模拟的对室外来源的PM2.5暴露浓度与实测浓度的偏差为20%(1.8 μg/m3[39]。在北京开展的研究中,通过回归分析建立35个环境监测站PM2.5浓度与各种微环境浓度间定量关系,并利用问卷收集调查对象的时间-活动模式信息,通过微环境模型法对采暖季和非采暖季调查对象个体暴露水平进行了预测[40]。在土耳其的研究中,以65名小学生为研究对象,同时测定住宅和学校室内外二氧化氮、臭氧及苯、甲苯、二甲苯等挥发性有机化合物(volatile organic compounds,VOCs)浓度,采用日志法收集时间-活动模式信息并利用微环境模型估算个体暴露水平,结果表明模型预测值与实测值相关系数范围为0.32~0.87[48]。采用与上述报道[48]相似的设计和方法,在澳大利亚[49]、英格兰[50]以及加拿大[51]的研究中,分别评估了儿童或成人对甲醛、二氧化氮、超细颗粒物和黑炭等污染物的个体暴露水平。此外,Su等[36]通过智能手机综合利用GPS定位、通信基站定位、WIFI网路定位方法记录调查对象3个月内时间-位置信息,通过与土地利用回归模型(land use regression model,LUR)模拟的氮氧化物浓度叠加计算,获得个体在不同时间-空间对交通相关污染物的氮氧化物的暴露。
        除了直接将时间活动模式作为暴露参数,代入模型进行暴露评价外,特定的行为活动本身也可以间接反映暴露状况,如是否到过加油站或干洗店(挥发性有机化合物)、交通出行的时间(超细颗粒物、多环芳烃),是否和吸烟者在同一个房间(环境烟草烟雾)都是很好的反映调查对象对特定空气污染污染暴露状况[48]

三、结语  综上所述,问卷调查法和GPS监测法是当前获得人群时间-活动模式信息主要方法,这些调查方法或利用这些方法获得人群时间-活动模式信息已经广泛应用于空气污染物暴露评估研究中。然而,近年来随着空气污染物暴露评估模型的发展,需要输入更加准确和详细的时间-活动信息,对时间-活动模式调查方法也提出了新的挑战。例如,为了实现与各监测站点的实时浓度做到时间和空间上的精确匹配,不仅需要获得调查对象总的室外活动时间,而且需要获知具体位置坐标以及相应的时间信息,此时传统的问卷调查显然已经难以满足需要,GPS法更加适合。此外,随着具备整合定位技术(包括GPS、通信基站和WIFI定位)的智能手机广泛使用,GPS法不仅可以克服因GPS信号质量造成的定位错误,同时还具备了进行大规模人群监测潜能[52,53,54],此外,开发出针对此类定位数据的时间-活动状态解析技术在未来的空气污染物暴露评价中具有重要的应用价值。

参考文献
[1]KlepeisNE, NelsonWC, OttWR, et al. The National Human Activity Pattern Survey (NHAPS): a resource for assessing exposure to environmental pollutants[J]. J Expo Anal Environ Epidemiol, 2001,11(3):231-252. DOI: 10.1038/sj.jea.7500165.
[2]WeiselCP, ZhangJ, TurpinBJ, et al. Relationships of Indoor, Outdoor, and Personal Air (RIOPA). Part I. Collection methods and descriptive analyses[J]. Res Rep Health Eff Inst,2005,(130Pt 1):1-107, 109-127.
[3]SuhHH, BahadoriT, VallarinoJ, et al. Criteria air pollutants and toxic air pollutants[J]. Environ Health Perspect, 2000, 108(Suppl 4): 625-633. DOI: 10.2307/3454398.
[4]ZhuY, Eiguren-FernandezA, HindsWC, et al. In-cabin commuter exposure to ultrafine particles on Los Angeles freeways[J]. Environ Sci Technol, 2007,41(7):2138-2145.
[5]WesterdahlD, FruinS, SaxT, et al. Mobile platform measurements of ultrafine particles and associated pollutant concentrations on freeways and residential streets in Los Angeles[J]. Atmos Environ, 2005, 39(20): 3597-3610. DOI: 10.1016/j.atmosenv.2005.02.034.
[6]WuJ, TjoaT, LiL, et al. Modeling personal particle-bound polycyclic aromatic hydrocarbon (pb-pah) exposure in human subjects in Southern California[J]. Environ Health, 2012,11:47. DOI: 10.1186/1476-069X-11-47.
[7]FreemanNC, LioyPJ, PellizzariE, et al. Responses to the region 5 NHEXAS time/activity diary. National Human Exposure Assessment Survey [J]. J Expo Anal Environ Epidemiol, 1999, 9(5):414-426. DOI: 10.1038/sj.jea.7500052.
[8]WuXM, BennettDH, LeeK, et al. Feasibility of using web surveys to collect time-activity data[J]. J Expo Sci Environ Epidemiol, 2012, 22(22): 116-125. DOI: 10.1038/jes.2011.23.
[9]DuanX. Highlights of the Chinese Exposure Factors Handbook[M]. London: Academic Press, 2015: 31-39. DOI: 10.1016/c2014-0-03838-5.
[10]HuM, LiW, LiL, et al. Refining Time-Activity Classification of Human Subjects Using the Global Positioning System[J]. PLoS One, 2016,11(2):e0148875. DOI: 10.1371/journal.pone.0148875.
[11]DuncanMJ, MummeryWK. GIS or GPS? A comparison of two methods for assessing route taken during active transport[J]. Am J Prev Med, 2007,33(1):51-53. DOI: 10.1016/j.amepre.2007.02.042.
[12]ElgethunK, YostMG, FitzpatrickCT, et al. Comparison of global positioning system (GPS) tracking and parent-report diaries to characterize children's time-location patterns[J]. J Expo Sci Environ Epidemiol, 2007, 17(2): 196-206. DOI: 10.1038/sj.jes.7500496.
[13]SchantzP, StigellE. A criterion method for measuring route distance in physically active commuting[J]. Med Sci Sports Exerc, 2009,41(2):472-478. DOI: 10.1249/MSS.0b013e3181877aaf.
[14]PhillipsML, HallTA, EsmenNA, et al. Use of global positioning system technology to track subject's location during environmental exposure sampling[J]. J Expo Anal Environ Epidemiol, 2001,11(3):207-215. DOI: 10.1038/sj.jea.7500161.
[15]StopherP, FitzGeraldC, ZhangJ. Search for a global positioning system device to measure person travel. Transp Res Part C – Emerging Technol, 2008, 16(3): 350-369. DOI: 10.1016/j.trc.2007.10.002.
[16]RainhamD, McDowellI, KrewskiD, et al. Conceptualizing the healthscape: contributions of time geography, location technologies and spatial ecology to place and health research[J]. Soc Sci Med, 2010,70(5):668-676. DOI: 10.1016/j.socscimed.2009.10.035.
[17]DierendonckAJ, FentonP, FordT. Theory and performance of narrow correlator spacing in a GPS receiver[J]. Navigation, 1992, 39(3): 265-283. DOI: 10.1002/j.2161-4296.1992.tb02276.x.
[18]HoustonD, OngP, JaimesG, et al. Traffic exposure near the Los Angeles–Long Beach port complex: using GPS-enhanced tracking to assess the implications of unreported travel and locations [J]. J Transp Geogr, 2011, 19(6): 1399–1409. DOI: 10.1016/j.jtrangeo.2011.07.018.
[19]ElgethunK, FenskeRA, YostMG, et al. Time-location analysis for exposure assessment studies of children using a novel global positioning system instrument[J]. Environ Health Perspect, 2003,111(1):115-122.
[20]NetheryE, LeckieSE, TeschkeK, et al. From measures to models: an evaluation of air pollution exposure assessment for epidemiological studies of pregnant women[J]. Occup Environ Med, 2008,65(9):579-586. DOI: 10.1136/oem.2007.035337.
[21]NetheryE, MallachG, RainhamD, et al. Using Global Positioning Systems (GPS) and temperature data to generate time-activity classifications for estimating personal exposure in air monitoring studies: an automated method[J]. Environ Health, 2014,13(1):33. DOI: 10.1186/1476-069X-13-33.
[22]BreenMS, LongTC, SchultzBD, et al. GPS-based microenvironment tracker (MicroTrac) model to estimate time-location of individuals for air pollution exposure assessments: Model evaluation in central North Carolina[J]. J Expo Sci Environ Epidemiol, 2014, 24(4): 412-420. DOI: 10.1038/jes.2014.13.
[23]WuJ, JiangC, HoustonD, et al. Automated time activity classification based on global positioning system (GPS) tracking data[J]. Environ Health, 2011,10:101. DOI: 10.1186/1476-069X-10-101.
[24]OreskovicNM, BlossomJ, FieldAE, et al. Combining global positioning system and accelerometer data to determine the locations of physical activity in children[J]. Geospat Health, 2012,6(2):263-272. DOI: 10.4081/gh.2012.144.
[25]KangB, MoudonAV, HurvitzPM, et al. Walking objectively measured: classifying accelerometer data with GPS and travel diaries[J]. Med Sci Sports Exerc, 2013,45(7):1419-1428. DOI: 10.1249/MSS.0b013e318285f202.
[26]EllisK, GodboleS, ChenJ, et al. Physical activity recognition in free-living from body-worn sensors[C]. International SenseCam & Pervasive Imaging Conference. San Diego, America. San Diego:International SenseCam & Pervasive Imaging Conference, 2013: 88-89. DOI: 10.1145/2526667.2526685.
[27]KohlaB, GerikeR, H?ssingerR, et al. A new algorithm for mode detection in travel surveys: mobile technologies for activity-travel data collection and analysis[M]. Hershey: IGI Global. 2014: 134-151.
[28]KimT, LeeK, YangW, et al. A new analytical method for the classification of time-location data obtained from the global positioning system (GPS)[J]. J Environ Monit, 2012,14(8):2270-2274. DOI: 10.1039/c2em30190c.
[29]TandonPS, SaelensBE, ZhouC, et al. Indoor versus outdoor time in preschoolers at child care[J]. Am J Prev Med, 2013,44(1):85-88. DOI: 10.1016/j.amepre.2012.09.052.
[30]BrickaS, BhatCR. A comparative analysis of GPS-based and travel survey-based data [J]. Transport Res Rec, 2006, 1972: 9-20. DOI: 10.3141/1972-04.
[31]WolfJ, OliveiraM, ThompsonM. Impact of underreporting on mileage and travel time estimates: Results from global positioning system-enhanced household travel survey [J]. Transport Res Rec, 2003, 1854: 189-198. DOI: 10.3141/1854-21.
[32]OuidirM, Giorgis-AllemandL, Lyon-CaenS, et al. Estimation of exposure to atmospheric pollutants during pregnancy integrating space-time activity and indoor air levels: Does it make a difference?[J]. Environ Int, 2015,84:161-173. DOI: 10.1016/j.envint.2015.07.021.
[33]?zkaynakH, BaxterLK, DionisioKL, et al. Air pollution exposure prediction approaches used in air pollution epidemiology studies [J]. J Expo Sci Environ Epidemiol, 2013, 23(6): 566-572. DOI: 10.1038/jes.2013.15.
[34]OttWR, SteinemannAC, WallaceLA. Exposure Analysis [M]. Boca Raton, Florida: CRC Press, 2006: 445-466.
[35]SaraswatA, KandlikarM, BrauerM, et al. PM2.5 Population Exposure in New Delhi Using a Probabilistic Simulation Framework[J]. Environ Sci Technol, 2016,50(6):3174-3183. DOI: 10.1021/acs.est.5b04975.
[36]SuJG, JerrettM, MengYY, et al. Integrating smart-phone based momentary location tracking with fixed site air quality monitoring for personal exposure assessment[J]. Sci Total Environ, 2015,506-507:518-526. DOI: 10.1016/j.scitotenv.2014.11.022.
[37]PillaF, BroderickB. A GIS model for personal exposure to PM10 for Dublin commuters [J]. Sustain Cities Soc, 2015, 15: 1–10. DOI: 10.1016/j.scs.2014.10.005.
[38]BurkeJM, ZufallMJ, OzkaynakH. A population exposure model for particulate matter: case study results for PM(2.5) in Philadelphia, PA [J]. J Expo Anal Environ Epidemiol, 2001, 11(6):470-89. DOI: 10.1038/sj.jea.7500188.
[39]BreenMS, LongTC, SchultzBD, et al. Air Pollution Exposure Model for Individuals (EMI) in Health Studies: Evaluation for Ambient PM2.5 in Central North Carolina [J]. Environ Sci Technol, 2015, 49(24): 14184-14194. DOI: 10.1021/acs.est.5b02765.
[40]张潇尹,闫伟奇,曹军.北京地区PM2.5个体暴露水平模拟[J].环境与健康杂志,2015,(6):471-476. DOI: 10.16241/j.cnki.1001-5914.2015.06.001.
[41]ShiS, ChenC, ZhaoB. Modifications of exposure to ambient particulate matter: Tackling bias in using ambient concentration as surrogate with particle infiltration factor and ambient exposure factor[J]. Environ Pollut, 2017,220(Pt A):337-347. DOI: 10.1016/j.envpol.2016.09.069.
[42]McCurdyT, GlenG, SmithL, et al. The national exposure research laboratory's consolidated human activity database[J]. J Expo Anal Environ Epidemiol, 2000,10(6Pt 1):566-578.
[43]United States Environmental Protection Agency. Human Exposure Modeling-Hazardous Air Pollutant Exposure Model (HAPEM) [EB/OL]. [2018-04-04]. https://www.epa.gov/fera/human-exposure-modeling-hazardous-air-pollutant-exposure-model-hapem.
[44]KousaA, KukkonenJ, KarppinenA, et al. A model for evaluating the population exposure to ambient air pollution in an urban area [J]. Atmos Environ, 2002, 36(13): 2109-2119. DOI: 10.1016/s1352-2310(02)00228-5.
[45]JantunenM, HanninenO, KatsouyanniK, et al. Air pollution exposure in European cities: the 'EXPOLIS' study [J]. J Expo Anal Environ Epidemiol, 1998, 8(2): 495-518.
[46]GallET, ChenA, ChangWC, et al. Exposure to particulate matter and ozone of outdoor origin inSingapore [J]. Build Environ, 2015, 93: 3-13. DOI: 10.1016/j.buildenv.2015.03.027.
[47]BreenMS, BreenM, WilliamsRW, et al. Predicting residential air exchange rates from questionnaires and meteorology: model evaluation in central North Carolina[J]. Environ Sci Technol, 2010,44(24):9349-9356. DOI: 10.1021/es101800k.
[48]DemirelG, OzdenO, D??ero?luT, et al. Personal exposure of primary school children to BTEX, NO2 and ozone in Eski?ehir, Turkey: relationship with indoor/outdoor concentrations and risk assessment[J].Sci Total Environ, 2014,473-474:537-548. DOI: 10.1016/j.scitotenv.2013.12.034.
[49]LazenbyV, HinwoodA, CallanA, et al. Formaldehyde personal exposure measurements and time weighted exposure estimates in children[J]. Chemosphere, 2012,88(8):966-973. DOI: 10.1016/j.chemosphere.2012.03.029.
[50]M?lterA, LindleyS, VochFD, et al. Performance of a microenviromental model for estimating personal NO2 exposure in children [J]. Atmos Environ, 2012, 51(5): 225-233. DOI: 10.1016/j.atmosenv.2012.01.030.
[51]WheelerAJ, WallaceLA, KearneyJ, et al. Personal, indoor, and outdoor concentrations of fine and ultrafine particles using continuous monitors in multiple residences [J]. Aerosol Sci Technol, 2011, 45(9): 1078-1089. DOI: 10.1080/02786826.2011.580798.
[52]WuJ, JiangC, LiuZ, et al. Performances of different global positioning system devices for time-location tracking in air pollution epidemiological studies[J]. Environ Health Insights, 2010,4:93-108. DOI: 10.4137/EHI.S6246.
[53]HurvitzPM, MoudonAV, KangB, et al. Emerging technologies for assessing physical activity behaviors in space and time[J]. Front Public Health, 2014,2:2. DOI: 10.3389/fpubh.2014.00002.
[54]SunQ, ZhuangJ, DuY, et al. Design and application of a web-based real-time personal PM2.5 exposure monitoring system [J]. Sci Total Environ, 2018, 627: 852-859. DOI: 10.1016/j.scitotenv.2018.01.299.