AEDHunter 技术总结报告

1. 研究背景与问题定义 (Problem)

背景：
心脏骤停（OHCA）是全球主要的死亡原因之一。自动体外除颤器（AED）的早期使用能显著提高生存率（每延迟一分钟，生存率下降 7-10%）。然而，尽管公共场合的 AED 数量在增加，其实际使用率极低（例如在韩国和德国仅为 0.7% 和 1.4%）。

核心挑战：
论文指出了阻碍 AED 有效使用的四个关键挑战：

1. 公众意识匮乏 (C1)： 大多数人不知道身边的 AED 位置，甚至受过专业训练的医学生也缺乏相关知识。
2. 室内导航困难 (C2)： 现有的 2D 静态地图在紧急情况下（尤其是室内复杂环境、GPS 信号弱时）难以解读，增加了认知负荷。
3. 缺乏实证数据 (C3)： 现有研究多关注主观报告，缺乏基于真实世界、客观指标（如检索时间）的干预效果验证。
4. 行为细节缺失 (C4)： 缺乏对检索过程中微观行为（如犹豫、停顿）的细粒度测量，难以定位具体的障碍点。

研究目标：
开发并验证一种基于游戏化（Gamified）和移动感知（Mobile Sensing）的解决方案，通过重复的实地练习，提高公众对 AED 位置的熟悉度、检索效率及紧急干预信心。

---

2. 方法论与系统设计 (Methodology & System Design)

2.1 系统架构：AEDHunter

AEDHunter 是一款基于 iOS 的 gamified 移动应用，旨在将 AED 检索转化为一种引人入胜的探索游戏。

• 核心功能模块：

  • 常规游戏模式 (Routine Game Sessions)： 用户可随时发起，模拟紧急场景（如“有人晕倒”），引导用户寻找指定 AED。提供实时反馈（剩余时间、生存概率、距离）。
  • 结构化考试 (Exams)： 包含三个阶段：
    • Pre-exam： 基线测试，评估初始检索能力。
    • Post-exam I： 干预后测试，检索同一 AED，评估学习效果。
    • Post-exam II： 迁移测试，检索全新的、未练习过的 AED，评估知识迁移能力。
  • 自适应引导： 支持“地图组”（提供地图导航）和“无地图组”（仅提供距离/方向提示），以研究不同引导方式对空间记忆构建的影响。

• 硬件与传感技术：

  • 设备： 智能手机（内置 GPS、加速度计、陀螺仪、磁力计、气压计、Wi-Fi）。
  • 定位验证： 在 AED 附近部署低功耗蓝牙标签（Bluetooth Low Energy Beacons），用于精确验证用户是否到达目标位置。
  • 数据收集： 每秒记录位置、Wi-Fi BSSID（用于室内/室外及楼层判断）、气压计数据；运动传感器数据以 100Hz 频率采集。

2.2 行为分析与算法

为了量化学习过程，研究团队开发了一套基于传感器数据的细粒度行为分析框架：

• 检索阶段划分 (Activity Segmentation)：
  利用 Wi-Fi BSSID 和气压计数据，将单次检索任务自动划分为三个阶段：

  1. 准备阶段 (Preparation)： 出发前的规划/静止。
  2. 建筑搜索 (Building Search)： 寻找并进入目标建筑。
  3. 室内 AED 搜索 (Indoor AED Search)： 进入建筑后寻找具体设备。

• 探索性停顿检测 (Exploratory Pauses)：
  利用机器学习分类器（SVM、Random Forest、XGBoost）分析加速度和角速度数据，区分“移动”与“探索性停顿”（犹豫、思考、查看手机）。

  • 学习信号： 将“停顿时长”的减少量（$\Delta D_P$）作为衡量空间熟悉度提升和行为犹豫减少的关键指标。

2.3 实验设计

• 地点： 日本两所大学校园（Campus I 和 Campus II），覆盖不同建筑布局和 AED 分布。
• 参与者： 20 名大学生，分为“地图组”和“无地图组”。
• 流程： 基线调查 -> Pre-exam -> 3 周常规游戏练习 -> Post-exam I & II -> 后测调查。

---

3. 主要贡献 (Key Contributions)

1. 基于感知的检索洞察 (Sensor-enabled Retrieval Insights)：
   首次利用智能手机传感器和轻量级蓝牙标签，在真实世界环境中客观地分割并追踪 AED 检索的每一个步骤（准备、建筑搜索、室内搜索）。提出了“探索性停顿”作为衡量学习效果的微观行为指标。

2. 实证验证的 gamified 训练 (Empirical Validation)：
   通过严格的 Pre-Post 对照实验，提供了客观证据证明：重复的 gamified 实地练习能显著缩短 AED 检索时间，并提升用户信心。

3. 细粒度行为学习信号：
   不仅关注总时间，还通过 $\Delta D_P$（停顿减少率）揭示了用户从“犹豫/探索”到“熟练/直接”的认知转变过程，为理解空间学习机制提供了新视角。

4. 可扩展的系统设计：
   设计了一个无需专用硬件（仅需低成本蓝牙标签）的轻量级系统，可部署于各类公共空间，支持自发性练习和结构化评估。

---

4. 实验结果 (Results)

4.1 检索效率提升 (Objective Performance)

• 总时间显著缩短： 经过训练，所有参与者的中位检索时间从 132.7 秒 降至 97.3 秒（减少约 27%），统计显著 ($p < 0.001$)。
• 相对检索时长减少 ($\Delta D_T$)： 中位减少率为 0.39，85% 的参与者表现出进步。
• 阶段分析：
  • 建筑搜索阶段耗时减少最明显（中位减少 27.1 秒），表明空间熟悉度提升主要发生在此阶段。
  • 准备阶段在 Post-exam 中几乎消失，表明用户不再需要花费时间规划路线。
• 组间差异： “地图组”和“无地图组”在总时间改善上无显著差异，但“无地图组”在建筑搜索阶段提升更显著，而“地图组”在准备阶段提升更显著。

4.2 行为学习信号 (Behavioral Learning Signal)

• 停顿减少 ($\Delta D_P$)： 中位停顿时长减少了 40% ($\Delta D_P = 0.40$)。
• 这表明随着练习，用户在检索过程中的犹豫和不确定性显著降低，移动更加流畅和自信。

4.3 主观反馈与意识提升 (Subjective Outcomes)

• 信心与熟悉度： 用户对自己找到 AED 的信心（Confidence）和对位置的熟悉度（Familiarity）显著提升。
• 意识转变： 实验后，用户对外部环境中 AED 位置的主动关注度显著提高（从“完全不知”转变为“主动寻找”）。
• 动机： 75% 的参与者表示参与是因为“有趣”，表明游戏化机制能有效激发内在动机。
• 可用性： 系统可用性量表（SUS）得分为 83.1，表明用户体验良好。

4.4 长期记忆 (Long-term Retention)

• 在 6-7 个月后的随访中，虽然对未练习过的 AED 记忆衰退，但对练习过的 AED 检索时间仍优于基线水平，表明空间记忆具有一定的长期保留性。

---

5. 意义与启示 (Significance)

1. 公共卫生价值： 证明了通过低成本、基于智能手机的游戏化训练，可以有效解决公众对 AED 位置“看不见、找不到”的问题，从而在关键时刻挽救生命。
2. 技术范式创新： 将移动感知技术（Mobile Sensing）应用于紧急救援培训，从单纯的“位置查询”转向“行为训练”和“认知构建”，为公共安全应用提供了新的设计思路。
3. 设计启示：
   • 重复性实地练习比单纯的理论学习或静态地图更有效。
   • 无需复杂地图：在资源受限场景下，仅提供距离和方向提示也能达到良好的训练效果。
   • 环境提示的重要性：建议结合物理环境（如醒目的标识、灯光）与数字训练，以增强 AED 的可见性。
4. 未来方向： 研究指出了将此类训练扩展到更多样化人群（老年人、儿童）以及在高压力真实场景下验证效果的必要性。

总结： AEDHunter 成功地将 AED 检索从一项被动的知识查询任务，转化为一种主动的、可重复的、数据驱动的技能训练，显著提升了公众的应急准备能力和实际检索效率。