Úvod

Význam Spotřebitelských Sledování Spánek Zařízení

Mít dostatek regenerační spánek je zásadní pro fyzické a duševní zdraví . V posledních letech, spotřebitel spánku-monitorovací náramky a související aplikace mobilní telefon vytvořili efektivní způsob, jak pro jednotlivce pochopit osobní spánku nebo ke zlepšení kvality spánku v denní nastavení . Tato zařízení jsou relativně cenově dostupná, snadno použitelná a připravená k nákupu na spotřebitelském trhu. Většina spotřebitelských náramků se spoléhá na podobný mechanismus klinické aktigrafie, který odvozuje cykly probuzení a spánku z pohybu končetin . Nově spuštěné modely také obsahují další proudy biosignálů, jako je srdeční frekvence pro měření fází spánku. Uživatelé mohou vizualizovat celou noc spánku hypnogram (časové posloupnosti fází spánku) a souhrnné spát parametry, jako jsou celková doba spánku (TST) a poměr jednotlivých fází spánku na palubní desce . Existuje stále více důkazů, že spotřebitel spánku-monitorovací náramky zvýšit povědomí o spánku zdraví a mají pozitivní vliv na osobní hygienu spánku , když je dlouhodobý dopad těchto technologií nebyl objasněn . Mezitím vědci a lékaři stále více přijímají spotřebitelské náramky, jako jsou zařízení Fitbit, jako nástroje pro měření výsledků ve výzkumných studiích . Ve srovnání s tradiční polysomnografie (PSG), Fitbit zařízení výrazně snížit čas a peněžní náklady pro podélné spát sběru dat, a mohli by poskytnout bohaté informace, které nebylo možné sbírat mimo spánkové laboratoře či kliniky v minulosti. Účastníci mohou zařízení používat za podmínek volného života bez nutnosti neustálé technické podpory. Nová generace zařízení Fitbit by také mohla překonat klinickou aktigrafii, protože využívají více proudů biosignálů pro staging spánku, zatímco aktigrafie je schopna detekovat probuzení a spánek pouze na základě pohybu končetin .

Přesnost Spotřebitele Sledování Spánek Zařízení

Jako spotřebitel spánku-monitorovací náramky i nadále získat popularitu, jejich omezení v přesnosti měření zvedl široké obavy o kvalitu údajů shromažďovaných prostřednictvím těchto zařízení . Údaje nízké kvality mohou uživatele uvést v omyl, aby dospěli k nesprávným závěrům svého spánku. Kromě toho je kvalita dat nejvyšší prioritou pro výzkumné pracovníky, kteří mají v úmyslu používat tato zařízení ve vědeckých studiích. Pochopení platnosti sledovačů spánku spotřebitelů má proto praktický přínos jak pro jednotlivé uživatele, tak pro výzkumnou komunitu. V reakci na tuto potřebu, mnohé studie zkoumaly přesnost populární spánku trackery ve srovnání s lékařské zařízení, pokud jde o souhrnné spát metriky, včetně TST, služba po nástupu spánku (WASO), efektivita spánku (SE), a fází spánku, který je, lehkého spánku, hlubokého spánku, a rychlé pohyby očí (REM) spánku . Tyto studie ukazují, že předchozí modely spotřebitelských náramků mají společný problém přeceňovat spánek a podceňovat probuzení . Nedávné modely, jako je například Fitbit Charge 2, které se spoléhají na multistreams z biosignálů mít uspokojující výkon v měření TST a SE ale nepodaří produkovat přesné výsledky při klasifikaci fází spánku .

i když hlavní část validační studie byla převážně zaměřena na polysomnografické metriky (např, TST, WASO, citlivost a specifičnost) , výkon spotřebitelských náramky v měření fází spánku přechody zůstává neznámý. Spát výzkum ukázal, že spánek fázi přechodu pravděpodobností tvoří bohaté informace o spánku, které byly považovány za účinnější než polysomnografické parametry charakterizující spát stabilitu . Abnormalita přechodu ve fázi spánku je důležitým ukazatelem poruch spánku . Některé studie se také spoléhaly na pravděpodobnosti přechodu ve fázi spánku, aby posoudily účinek léčby . Klinický význam dynamiky přechodu ve fázi spánku naznačuje nutnost zahrnutí relevantních metrik (pravděpodobnosti přechodu ve fázi spánku) jako parametrů výsledného spánku do validačních studií. Na obrázku 1 je představena vizualizace dynamiky přechodu fáze spánku. Celková pravděpodobnost přechodu z jednoho státu do jiných států (včetně pobytu ve stejném stavu) je vždy 1. SX→Y představuje pravděpodobnost přechodu ze fáze spánku X do Y. { X, Y } jsou odvozeny od { W, L, D, R}, což jsou zkratky pro spánek, lehký spánek, hluboký spánek a REM spánek. Například sW→R označuje pravděpodobnost přechodu z probuzení do REM spánku a sW→W označuje pravděpodobnost pobytu v bdění.

Význam Této Studie

Tato studie se zaměřila na posouzení, zda by přesné měření fází spánku přechody (pravděpodobnosti přechodu mezi bděním, lehké, hluboké a REM spánku) pomocí Fitbit Charge 2. Přes bohaté validační studie, přesnost spotřebitelských náramků při měření přechodu ve fázi spánku nebyla zkoumána. Zkoumali jsme také faktory, které jsou spojeny s chybami měření na pravděpodobnostech přechodu ve fázi spánku. Předchozí validační studie na další typy nositelné zařízení zjistil, že zařízení, přesnost se může lišit jako funkce hlubších spánku, populace studoval, a dokonce, jak měřenou veličinou byla definována . Po stejné trati, jsme si vybrali sadu nezávislých proměnných (možné prediktory), včetně demografické charakteristiky účastníků, subjektivní kvalita spánku měřena pomocí Pittsburgh Sleep Quality Index (PSQI) , a objektivní kvalita spánku získané z lékařských údajů. Závislé proměnné byly absolutní procentuální chyby Fitbit Charge 2 na pravděpodobnostech přechodu ve fázi spánku ve srovnání se zdravotnickým zařízením. Výsledky této studie doplňují předchozí validační studie a přispívají k vytvoření holistického pohledu na kapacitu spotřebitelských náramků při měření struktury spánku za podmínek volného života. Tato studie také stanoví předběžný odkaz pro vědce, kteří mají v úmyslu použít Fitbit k měření přechodů fáze spánku, a pro jednotlivé uživatele, kteří se při rozhodování o zdraví spoléhají na údaje o spánku Fitbit.

Zobrazit tento obrázek

Metody

Nábor

Jsme přijati účastníci distribucí plakátů kolem kampusu University of Tokyo. Celkem 38 lidí zaregistrovalo zájem prostřednictvím webového formuláře, z nichž 28 (74%) bylo způsobilé k účasti na studii. Kritéria pro zařazení vyžaduje, aby účastníci byli dospělí (věk>18 let), byli bez diagnostikována chronická onemocnění, a byli schopni, aby se zúčastnili briefingu před fázi shromažďování údajů. Tento výzkum byl schválen etickým výborem Tokijské univerzity. Všichni účastníci poskytli informovaný souhlas.

studijní postupy

osobní briefing se konal s každým účastníkem individuálně před fází sběru dat. Na tomto setkání jsme nainstalovali aplikaci Fitbit na mobilní telefony účastníků a poskytli slovní pokyny, jak používat zařízení a jak synchronizovat zařízení Fitbit s aplikací pro mobilní telefony. Účastníkům byly poskytnuty následující položky pro sběr dat: Fitbit Charge 2, zdravotnické zařízení s názvem Sleep Scope, elektrody, nabíječky a manuály. Na konci briefingu byli účastníci požádáni, aby vyplnili dotazník PSQI k měření jejich vnímané kvality spánku. V PSQI je široce používaný nástroj pro hodnocení subjektivní kvality spánku v průměru za posledních 1 měsíc, a PSQI≥5 je orientační vnímané špatné spaní. Shromáždili jsme PSQI, protože to může souviset s přesností měření Fitbit. Další podrobnosti o možných asociačních faktorech přesnosti měření budou uvedeny v další části.

Po briefingu, účastníci měřili jejich spánku pomocí obou zařízení po dobu 3 po sobě jdoucích nocí do svých domovů, aby se zajistilo, že Fitbit Charge 2 byla hodnocena v ekologicky platné nastavení. Během sběru dat byli požádáni, aby nosili Fitbit na nedominantním zápěstí. Všichni účastníci obdrželi peněžní odměnu, když vrátili zařízení po sběru dat.

sběr dat

v této studii jsme shromáždili data spánku současně pomocí Fitbit Charge 2 a zdravotnického zařízení. Fitbit Charge 2 (Fitbit Inc) je nositelný náramek s integrovaným triaxiálním akcelerometrem. Odhaduje fáze spánku pro každé 30 druhé období integrací údajů o pohybu a srdeční frekvenci uživatele. S pokrokem v softwaru a hardwaru překonal Fitbit Charge 2 Některé problémy předchozích modelů a je schopen měřit TST a SE s dobrou přesností . Lékařský monitor spánku s názvem Sleep Scope (Sleep Well Co) byl použit k získání pozemní pravdy na hypnogramech spánku. Spát Rozsah je klinický-grade single-channel elektroencefalogram (Japonské Lékařské Zařízení Certifikace 225ADBZX00020000), která byla validována proti PSG (dohoda=86.9%, průměrná Cohen Kappa hodnota =0.75) . Rozsah spánku byl vybrán přes PSG, protože umožnil sběr dat spíše v domácnostech účastníků než ve spánkové laboratoři. Tím je zajištěno, že Fitbit Charge 2 byl vyhodnocen v ekologicky platném prostředí; to také zajišťuje minimalizaci možného narušení spánku neznámým prostředím.

ve fázi sběru dat účastníci sledovali svůj spánek po dobu 3 po sobě jdoucích nocí ve svých domovech. V návaznosti na běžnou praxi ve vědě o spánku jsme analyzovali druhou noc pro každého účastníka, abychom odstranili první noční efekt . Pokud údaje druhé noci nebyly platné, byly analyzovány údaje třetí noci. Údaje o první noci byly vybrány pouze tehdy, když nebyla platná ani druhá noc, ani třetí noc.

data spánku Fitbit byla načtena prostřednictvím rozhraní aplikačního programu (API) Fitbit. Fitbit Charge 2 poskytuje data spánku na 2 úrovních prostřednictvím veřejného API. Údaje o úrovni fáze zahrnují úrovně fáze spánku, včetně probuzení, lehkého spánku, hlubokého spánku a REM spánku. Tyto údaje jsou agregovány při 30sekundové granularitě, která odpovídá standardnímu stagingu spánku v klinickém prostředí. Pokud nejsou k dispozici údaje o úrovni fáze, budou jako alternativa poskytnuty klasické údaje o úrovni. Klasická data úrovně zahrnují úrovně spánku, včetně spánku, neklidný, a vzhůru,a jsou agregovány s hrubší zrnitostí 60 sekundy. V této studii jsme se zajímali o data spánku na úrovni fáze a klasická data na úrovni byla vyřazena, protože neobsahovala žádné informace o hlubokém spánku,lehkém spánku a REM spánku.

data ze zdravotnických zařízení byly analyzovány pomocí Dobře Spát Společnosti, a to pomocí patentované automatické vyhodnocování algoritmů, následuje epocha-epocha vizuální inspekce specialisté na základě stanovených standardů , a opravy, které byly přidány v případě potřeby. Fitbit data a lékařské údaje byly synchronizovány, aby se ujistil, že počáteční čas byl zarovnán.

abychom prozkoumali vliv faktorů specifických pro uživatele na přesnost měření, shromáždili jsme také údaje o faktorech uvedených v tabulce 1. Věk a pohlaví byly založeny na vlastní zprávě, a PSQI byl měřen dotazníkem PSQI . Metriky kvality spánku byly odvozeny z lékařských údajů.

Statistická analýza

celkový cíl analýzy byl dvojnásobný. Naším cílem bylo prozkoumat přesnost Fitbit Charge 2 při měření přechodů fáze spánku ve srovnání se zdravotnickým zařízením. Zajímala nás také asociace uživatelsky specifických faktorů s přesností měření Fitbit Charge 2. Všechny hlášené úrovně statistické významnosti byly 2stranné a statistická analýza byla provedena pomocí statistického softwaru R verze 3.5.3 (nadace R).

nejprve byla z lékařských údajů odvozena popisná statika parametrů spánku. Spárované 2-tailed t test byl použit k sonda, jestli tam byly statisticky významné rozdíly na spánku mezi muži a ženami, stejně jako mezi účastníky pod 25 let a nad 25 let věku. Za druhé, spát fázi přechodu pravděpodobností byly vypočítány vydělením počtu přechodů z konkrétního stavu spánku do spánku konkrétní stát tím, že celkový počet přechodů z daného stavu pro všechny režimy spánku (včetně pobytu ve stejném stavu). Jak je znázorněno na obrázku 2, { X, Y a B } jsou odvozeny od { W, L, D a R } A nX→Y je počet přechodů ze spánkové fáze X do Y během celého nočního spánku. W, L, D A R jsou zkratky pro probuzení, lehký spánek, hluboký spánek a REM spánek. Pravděpodobnosti přechodu ve fázi spánku byly vypočteny z dat Fitbit a lékařských údajů pro každého účastníka a poté zprůměrovány na celou kohortu, aby se získala průměrná pravděpodobnost přechodu ve fázi spánku. Systematický rozdíl mezi 2 zařízeními byl hodnocen použitím párového t testu na pravděpodobnosti přechodu ve fázi spánku. Hodnota P níže .05 byl považován za statisticky významný. Úroveň dohody mezi 2 zařízeními byla zkoumána pomocí grafů Bland-Altman .

Zobrazit tento obrázek

Zobrazit tento obrázek

absolutní procentní chyba eX→Y byla vypočtena pomocí rovnice na Obrázku 3, kde { X, Y, a, B } jsou odvozeny z { Š, L, D, R }, sFX→Y a sMX→Y je pravděpodobnost přechodu ze spánku fázi X do Y, odvozený od Fitbit data a zdravotní údaje.

zkoumat vliv user-specifické faktory na absolutní procentní chyba datový soubor byl rozdělen do 2 podskupin podle cut-off mezní hodnoty uvedené v Tabulce 1. Wilcoxonův signed–rank test byl proveden zkoumat, jestli tam byly významné rozdíly mezi 2 podskupiny, pokud jde o výsledku spát metriky (fází spánku pravděpodobností přechodu). Výběr mezních prahových hodnot byl v souladu s literaturou ve vědě o spánku .

výsledky

popisné statistiky

studie se zúčastnilo celkem 28 mladých dospělých bez chronických onemocnění. Celkem 5 účastníků bylo vyloučeno z analýzy kvůli tomu, že se nepodařilo získat údaje o spánku na úrovni fáze s Fitbit. To znamená, že od těchto účastníků byly získány pouze klasické údaje o spánku; data neměla žádné informace o lehkém, hlubokém a REM spánku. Proto pro tyto účastníky nebylo možné vypočítat pravděpodobnosti přechodu ve fázi spánku. Konečná datová sada tedy obsahuje údaje o spánku od 23 účastníků (muži:ženy=14: 9). Tento počet účastníků je srovnatelný s jinými validačními studiemi . Všichni účastníci byli vysokoškolští studenti ve věku od 21 do 30 let (průměr 24.3, SD 2.7). Celkem 8 z 23 účastníků mělo PSQI vyšší než 5, což svědčilo o neuspokojené kvalitě spánku. Statisticky významné rozdíly byly zjištěny mezi muži a ženami z hlediska doby bdění (ženy: 9,7 min; muži: 22,8 min; P=.02) a poměr fáze spánku 1 (ženy: 7,7 (%); muži: 14,3 (%); P=.02). Také jsme porovnali spánkové vzorce mezi účastníky pod a nad 25 let. Statisticky významné rozdíly byly zjištěny z hlediska TST (do 25 let: 308,7 min; nad 25 let: 396,8 min; P=.03), pravděpodobnost přechodu z hlubokého spánku do lehkého spánku (do 25 let: 5,5%; nad 25 let: 1,5%; P=.02) a pravděpodobnost pobytu v lehkém spánku (do 25 let: 85,3 (%); nad 25 let: 94,8 (%); P=.008).

Systematické Rozdíly

Tabulka 2 uvádí odhadované spánku fázi přechodu pravděpodobností odvozen od zdravotní údaje a data Fitbit, jakož i výsledky párového t testu. Vypočítali jsme pravděpodobnosti přechodu fáze spánku individuálně pro každého účastníka a poté jsme zprůměrovali výsledky v celé kohortě. Ukazuje se, že k následujícím přechodům došlo jen zřídka: hluboký spánek k REM spánku a probuzení, lehký spánek k REM spánku, REM spánku k hlubokému spánku a REM spánku k lehkému spánku. T-test, výsledky ukazují, že existují výrazné rozdíly mezi fází spánku pravděpodobnosti přechodu měří Fitbit a ty měří zdravotnických zařízení. Fitbit odchýlila od zdravotnických zařízení na všech pravděpodobností přechodu, s výjimkou pravděpodobnost přechodu z lehkého spánku do REM spánku (sFL→R = 0.9%; sML→R =1.7%), pravděpodobnost přechodu z hlubokého spánku probudit (směrnice o neodvolatelnosti zúčtování→W = sMD→W =0.2%) a pravděpodobnost pobytu ve fázi spánku REM (sFR→R = sMR→R =96,9%). Obecně Fitbit podcenil dynamiku přechodu fáze spánku. Pravděpodobnost pobytu v určité fázi spánku byla významně nadhodnocena, zatímco pravděpodobnost přechodů z určité fáze do jiné fáze byla většinou podceňována.

úroveň shody a korelace

obrázky 4-6 ukazují grafy Bland-Altman porovnávající Fitbit Charge 2 se zdravotnickým zařízením. Nesrovnalosti zařízení pro výsledky spánku jsou vyneseny jako funkce lékařských výsledků pro každého jednotlivce. Střední zkreslení se pohybovalo od 0% (sR→R a sD→W) do přibližně 60% (sL→D). Ne více než 2 účastníci se nacházeli mimo dolní hranici dohody nebo horní hranici dohody.

v souladu s předchozími studiemi jsme definovali přijatelný rozsah chyb jako ei ≤5%, protože se to blíží široce přijatelnému standardu pro statistickou významnost v literatuře . Na základě tohoto kritéria, žádné systematické zkreslení mezi Fitbit a lékařské zařízení v měřicí sW→L, sW→R, sL→R, sD→W, sR→L, sR→D, a sR→R.

Obrázek 4 ukazuje, že žádný trend byl nalezen mezi rozdíl a průměr sR→L, sL→R a sR→R. V kontrastu, Obrázek 5 a Obrázek 6 ukazují trendy, že měření rozdíly byly větší pro nižší sL→L, sD→D, a sW→W, a rozdíly byly větší pro vyšší sW→L,sW→R, sW→D, sL→W, sL→D, sD→W, sD→L, sD→R, sR→W, a sR→D. Tyto výsledky naznačují, že přesnost Fitbit Charge 2 v měření fází spánku, změny by mohly být zhoršený spánek se stal dynamičtější (více přechody mezi různými fází spánku).

Zobrazit tento obrázek

Zobrazit tento obrázek

Zobrazit tento obrázek

Efekt User-Specifické Faktory

výsledky Wilcoxonův signed–rank test ukázal, že dobré subjektivní kvalitu spánku indikován PSQI jako nižší než 5 byl spojen s snížil chyby v pravděpodobnosti pobyt v hluboké fázi spánku (PSQI<5, 132.1±173.1%; PSQI≥5, 346.8±250.0%; P=.04), ale byla spojena se zvýšenými chybami v pravděpodobnosti přechodu z probuzení do REM spánku (PSQI< 5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P=.02).

čas Probuzení déle než 30 min byla spojena se zvýšenou chyby v přechodové pravděpodobnosti, od lehkého spánku do REM spánku (WASO≥30, 265.8±176.5; WASO<30, 103.9±49.1%; P=.02), ale to bylo spojeno se snížením chyby v přechodové pravděpodobnosti, od lehkého spánku do probuzení (WASO≥30, 78.6±10.2%; WASO<30, 86.7±8.6%; P=.049), stejně jako pravděpodobnost pobytu v wake (WASO≥30, 117.3±269.5%; WASO<30, 125.2±103.6%; P=.006).

SE nad 90% bylo spojeno se zvýšenou chyby měření pravděpodobnost přechodu z REM spánku do lehkého spánku (SE>90, 107.1±53.2%; SE≤90%, 55.9±40.4%; P=.047).

navíc věk do 25 let (věk< 25, 7,9±5,4%; věk≥25, 3,1±2,3%; P=.01), latence nástupu spánku (SOL) kratší než 30 minut (SOL< 30, 8,6±5,8%; SOL≥30, 4,1±3,4%; P=.02) a poměr hlubokého spánku nad 20% (spánek s pomalými vlnami; SWS< 20%, 3,9±3,5%; SWS≥20, 9,5±5,2; P=.007) byly spojeny s mírnou zvýšenou chybou měření v pravděpodobnosti pobytu ve fázi lehkého spánku. Průměrné chyby však nebyly ve všech odpovídajících případech vyšší než 10%.

nebyly zjištěny žádné významné souvislosti mezi chybami měření Fitbit a dalšími faktory, včetně pohlaví, TST, SOL, poměru lehkého spánku, poměru spánku REM a Tavg.

Diskuse

Hlavní Zjištění

Jsme prokázali numerické srovnání na spánku fázi pravděpodobnosti přechodu mezi Fitbit Charge 2 a zdravotnických zařízení. Úroveň a limity dohody mezi 2 typy zařízení byly ilustrovány pomocí grafů Bland-Altman. Výsledky Wilcoxonův signed–rank test byly předloženy k prokázání asociace mezi uživateli specifické faktory a chyby měření. Tato studie vygenerovala 2 hlavní zjištění. Nejprve jsme zjistili, že Fitbit Charge 2 podcenil dynamiku přechodu fáze spánku ve srovnání se zdravotnickým zařízením. Za druhé, přesnost zařízení byla spojena hlavně se 3 faktory specifickými pro uživatele: Subjektivní kvalita spánku měřená PSQI, WASO a SE.

analýza přechodu fáze spánku byla použita k charakterizaci kontinuity spánku a časové stability záchvatů bez REM a REM ve vědě o spánku. V této studii ukázaly pravděpodobnosti přechodu ve fázi spánku odvozené z lékařských údajů zajímavé vzorce. Jak se dalo očekávat, pravděpodobnost, že jakákoli fáze spánku zůstane ve stejné fázi, byla neustále vyšší než pravděpodobnost, že se tato fáze změní na jinou fázi. Přímý přechod mezi hlubokým spánkem a rem spánkem se zřídka stal. Pravděpodobnost přechodu z probuzení do hlubokého spánku nebo z probuzení do REM spánku byla nízká. Podobně byla také nízká pravděpodobnost přechodu z hlubokého spánku na probuzení. Tyto charakteristiky byly v souladu se zjištěními hlášenými v předchozích studiích spánku o vzorcích přechodu ve fázi spánku u zdravých lidí .

přechod fáze spánku je výsledkem komplexních interakcí mezi mnoha oblastmi mozku. Není schopen detekovat markery v mozkové vlny, jako jsou k-komplexy , spotřebitelské náramky mají omezený výkon při klasifikaci fází spánku. Předchozí studie ukazují, že Fitbit Charge 2 zařízení výrazně přecenil lehkého spánku a podcenil hlubokého spánku, když ověřena v laboratoři, nastavení , vzhledem k tomu, že podcenili hlubokého spánku a přecenil světlo a REM spánku, kdy ověřena v rámci free-životní podmínky . Tato studie doplňuje předchozí zjištění a přispívá novými poznatky o kapacitě Fitbit při zachycení přechodů fáze spánku. Celkově jsme zjistili, že Fitbit Charge 2 se významně odchyluje od zdravotnického zařízení při měření dynamiky přechodu ve fázi spánku. Zejména průměrné pravděpodobnosti pobytu v bdělém stádiu a hlubokém stádiu měřené pomocí Fitbit byly významně vyšší než pravděpodobnosti měřené zdravotnickým zařízením. Naproti tomu Fitbit podcenil pravděpodobnost přechodů fáze od lehkého spánku k probuzení a od lehkého spánku k hlubokému spánku. Je to pravděpodobně kvůli nesprávné klasifikaci období bdění a hlubokého spánku na lehký spánek . Systematické zkreslení (mezi 40% a 60%) bylo ilustrováno v grafech Bland-Altman na těchto pravděpodobnostech přechodu ve fázi spánku. Na druhé straně nebyly pozorovány žádné systematické zkreslení a průměrný rozdíl při měření pravděpodobnosti pobytu ve fázi spánku REM. Tento výsledek poskytuje doplňující důkazy ke zjištění ve studii De Zambotti et al, že Fitbit Charge 2 souhlasil dobře se zdravotnickými prostředky při detekci REM spánku.

jedinečným aspektem této studie je, že jsme také zkoumali účinek faktorů specifických pro uživatele a našli jsme více asociací. Naše analýza ukázala, že subjektivní kvalita spánku měřená pomocí PSQI, wake after WASO a SE byly významně silnými prediktory chyb měření v pravděpodobnostech přechodu ve fázi spánku. Věk, SOL a poměr hlubokého spánku byly významné, ale slabé prediktory, zatímco sex, TST, poměr lehkého spánku, poměr spánku REM a průměrný spánkový cyklus nebyly spojeny s chybami měření Fitbit.

i Přes zjištění z předchozí validační studie, že špatná kvalita spánku je spojena s zhoršila výkonnost sledování spánek zařízení na měření spánku, polysomnografické metriky , tato studie odhaluje, že vztah je komplikovanější mezi kvalitní spánek a zařízení, přesnost měření fází spánku přechody. Opravdu, jsme zjistili, že dobré subjektivní kvality spánku (PSQI<5) byl spojen s snížil chybu měření pravděpodobnost pobyt v hluboké fázi spánku, a méně roztříštěné spánku (WASO<30 min) byl spojen s snížil chyby v přechodové pravděpodobnosti, od lehkého spánku do fáze REM spánku. Nicméně, to je také zjištěno, že dobrý spánek se vyznačuje tím, že rychlý nástup spánku (SOL<30 min), vysoký podíl hlubokého spánku (SWS>20%), dobrý subjektivní pocit (PSQI<5), krátké probuzení (WASO<30 min), a vysoká JV (JV>90%) spojena se zvýšenou chyby měření v různých výsledek pravděpodobnosti přechodu. Tento výsledek je v rozporu s předchozími zjištěními o aktigrafii, která zhoršila spánek (např. Tento rozdíl naznačuje, že zjištění týkající se klinické aktigrafie by neměla být zobecněna na spotřebitelské náramky bez další validace.

kromě toho bylo zjištěno, že věk je významným, ale slabým prediktorem chyb měření. Účastníci ve věkovém rozmezí 25 až 30 let měli snížené chyby měření v pravděpodobnosti pobytu ve fázi lehkého spánku ve srovnání s těmi mladšími než 25 let. Jako je věk byl široce uznávána jako významný faktor, který ovlivňuje spánek , vliv věku, může být také vysledovat rozdíl v hlubších spánku. Lékařské spát data ukázala, že mladší účastníci obecně měl kratší spánek a vyšší spánku fázi přechodu dynamics (přechod z hlubokého spánku do lehkého spánku), které může účet pro nárůst chyby měření. Nicméně, toto zjištění by nemělo být zobecněno na širokou škálu věkových skupin kvůli omezenému vzorkování věku v této studii. K systematickému zkoumání vlivu věku na přesnost zařízení jsou zapotřebí další studie.

naše zjištění doplňují výsledky předchozích validačních studií na spotřebitelských náramcích pro sledování spánku obecně. Fitbit Charge 2 prokázal uspokojivý výkon při měření TST a SE, ale zůstává neschopný klasifikovat fáze spánku s dobrou přesností . Naše zjištění ukazují, že Fitbit Charge 2 může také podceňovat dynamiku přechodu spánku, a proto by měl být používán s opatrností. Tato studie stanoví předběžné reference pro výzkumné pracovníky, kteří mají v úmyslu používat Fitbit zařízení pro měření fází spánku přechody ve vědeckých studiích, a to studie naznačuje, že vnímané a objektivní spánku, může být třeba zvážit při výběru spát monitorovací nástroje.

omezení

tato studie podléhá následujícím omezením. Za prvé, účastníci představují mladou zdravou populaci, která byla bez poruch spánku nebo chronických onemocnění. Výsledky proto nelze zobecnit na starší nebo klinické populace. Za druhé, fáze sběru dat neměla podélnou povahu a byla analyzována pouze 1 noc spánku od každého účastníka. Výsledky tedy nemusí počítat intrapersonální variace. Zatřetí, seznam potenciálních ovlivňujících faktorů zkoumaných v této studii nebyl vyčerpávající a může být ovlivněn omezeným odběrem vzorků. Další výzkum by měl tato omezení řešit zahrnutím rozmanité populace, prodloužení doby sběru dat, a zkoumání účinku dalších potenciálních prediktorů přesnosti zařízení.

Závěry

prokázali Jsme, že Fitbit Charge 2 výrazně podcenil spánku fázi přechodu dynamika ve srovnání s lékařské přístroje a přesnost měření může být ovlivněn především vnímanou kvalitu spánku, spánek kontinuitu, a SE. Navzdory pozitivnímu trendu zvýšené přesnosti pro nejnovější spotřebitelské nositelné sledovače spánku je třeba uznat omezení těchto zařízení při detekci dynamiky přechodu ve fázi spánku. Jako nástroj pro měření výsledků nemusí být Fitbit Charge 2 vhodný pro výzkumné studie týkající se přechodů fáze spánku nebo pro rozhodování o zdravotní péči. Další výzkum by se měl zaměřit na zvýšení přesnosti těchto spotřebitelů náramky v měření nejen polysomnografické parametry, ale také spánku fázi přechodu dynamiku.