Johdanto

kuluttajien Unenseurantalaitteiden merkitys

riittävän palauttavan unen saaminen on olennaista fyysiselle ja psyykkiselle terveydelle . Kuluttajien unta tarkkailevat Rannekkeet ja niihin liittyvät matkapuhelinsovellukset ovat viime vuosina luoneet yksilöille tehokkaan tavan ymmärtää omia unirytmejä tai parantaa unen laatua päivittäisissä asetelmissa . Nämä laitteet ovat suhteellisen edullisia, helppokäyttöisiä ja valmiita ostamaan kuluttajamarkkinoilla. Suurin osa kuluttajien rannekkeista luottaa samanlaiseen kliinisen aktigrafian mekanismiin, joka päättelee raajan liikkeestä Valve-ja unijaksoja . Uudet mallit sisältävät myös muita biosignaalien virtoja, kuten sykkeen mittaamaan univaiheita. Käyttäjät voivat visualisoida koko yön unihypnogrammi (aikajakso unen vaiheissa) ja yhdistetyt unen parametrit, kuten kokonaisuniaika (TST) ja suhde kunkin unen vaiheessa kojelautaan . On yhä enemmän näyttöä siitä , että kuluttajien unenseurantarannekkeet lisäävät tietoisuutta uniterveydestä ja vaikuttavat myönteisesti henkilökohtaiseen unihygieniaan, vaikka näiden teknologioiden pitkäaikaisvaikutuksia ei ole selvitetty . Tällä välin tutkijat ja kliinikot käyttävät yhä enemmän kuluttajien rannekkeita, kuten Fitbit-laitteita, tulosmittausvälineinä tutkimuksissa . Perinteiseen polysomnografiaan (PSG) verrattuna Fitbit-laitteet vähentävät merkittävästi pitkittäisunitietojen keräämisen aikaa ja rahallisia kustannuksia, ja ne saattoivat tarjota runsaasti tietoa, jota ei aiemmin ollut mahdollista kerätä unilaboratorioiden tai klinikoiden ulkopuolelta. Osallistujat voivat käyttää laitteita vapaissa olosuhteissa ilman jatkuvaa teknistä tukea. Uuden sukupolven Fitbit-laitteet voisivat myös mahdollisesti päihittää kliinisen aktigrafian, koska ne hyödyntävät useita biosignaaleja unen lavastukseen, kun taas aktigrafia pystyy havaitsemaan valveen ja unen vain raajan liikkeen perusteella .

kuluttajien Unenseurantalaitteiden tarkkuus

koska kuluttajien unenseurantarannekkeet jatkavat suosiotaan, niiden mittaustarkkuuden rajoittaminen herätti laajaa huolta näillä laitteilla kerättyjen tietojen laadusta . Huonolaatuinen Data saattaa johtaa käyttäjiä harhaan tekemään vääriä johtopäätöksiä unestaan. Lisäksi tietojen laatu on ensisijaisen tärkeää tutkijoille, jotka aikovat käyttää näitä laitteita tieteellisissä tutkimuksissa. Siksi kuluttajien unijälkien pätevyyden ymmärtämisestä on käytännön hyötyä sekä yksittäisille käyttäjille että tutkimusyhteisölle. Vastauksena tähän tarpeeseen monissa tutkimuksissa on tarkasteltu suosittujen unijäljittimien tarkkuutta verrattuna lääkinnällisiin laitteisiin yhdistettyjen unimittareiden, kuten TST: n, wake after sleep alkamisajankohdan (Waso), unitehokkuuden (se) ja univaiheiden eli kevyen unen, syvän unen ja nopean silmänliikkeen (REM) unen osalta . Nämä tutkimukset osoittavat, että aiemmissa kuluttajarannekemalleissa on yleinen ongelma unen yliarviointi ja valveen aliarviointi . Viimeaikaiset mallit, kuten Fitbit Charge 2, jotka perustuvat biosignaalien monisteisiin, ovat tyydyttäviä TST: n ja SE: n mittaamisessa, mutta eivät tuota tarkkoja tuloksia univaiheiden luokittelussa .

vaikka validointitutkimuksissa on keskitytty pääasiassa polysomnografisiin mittauksiin (esim.TST, WASO, herkkyys ja spesifisyys), kuluttajien rannekkeiden suorituskyky univaiheen siirtymien mittaamisessa on edelleen tuntematon. Unitutkimus on osoittanut, että univaiheen siirtymätodennäköisyydet sisältävät runsaasti tietoa unirytmeistä, joita on pidetty polysomnografisia parametreja tehokkaampina unen vakauden luonnehtimisessa . Univaiheen siirtymävaiheen poikkeavuus on tärkeä indikaattori unihäiriöistä . Joissakin tutkimuksissa vedottiin myös univaiheen siirtymätodennäköisyyksiin hoidon vaikutuksen arvioimiseksi . Univaiheen siirtymädynamiikan kliininen merkitys viittaa siihen, että validointitutkimuksissa on tarpeen sisällyttää relevantit mittarit (univaiheen siirtymätodennäköisyydet) tulosten uniparametreiksi. Kuvassa 1 esitetään univaiheen siirtymävaiheen dynamiikan visualisointi. Kokonaissiirtymätodennäköisyys yhdestä valtiosta muihin valtioihin (mukaan lukien samassa valtiossa pysyminen) on aina 1. SX→Y edustaa siirtymistodennäköisyyttä univaiheesta X vaiheeseen Y. { X, Y } on johdettu { W, L, D, r }, jotka ovat lyhenteitä valve -, kevyt uni -, syvä uni-ja REM-unelle. Esimerkiksi sw→R tarkoittaa siirtymistodennäköisyyttä valveunesta REM-uneen, ja sW→W tarkoittaa todennäköisyyttä jäädä valveunelle.

tämän tutkimuksen merkitys

tällä tutkimuksella pyrittiin selvittämään, mitattaisiinko sillä tarkasti univaiheen siirtymät (siirtymätodennäköisyydet valveilla, valolla, syvällä ja REM-unella) Fitbit Charge 2: n avulla. Runsaista validointitutkimuksista huolimatta kuluttajarannekkeiden tarkkuutta univaiheen siirtymän mittaamisessa ei ole tutkittu. Selvitimme myös tekijöitä, jotka liittyvät univaiheen siirtymätodennäköisyyksien mittausvirheisiin. Aiemmissa muuntyyppisiä puettavia laitteita koskevissa validointitutkimuksissa havaittiin, että laitteen tarkkuus saattoi vaihdella taustalla olevien unirytmien, tutkitun populaation ja jopa sen, miten mittausalue määriteltiin . Samalla linjalla valitsimme joukon riippumattomia muuttujia (mahdollisia ennustajia), mukaan lukien osallistujien demografiset ominaisuudet, Pittsburgh Sleep Quality Indexin (PSQI) mittaama Subjektiivinen unen laatu ja lääketieteellisistä tiedoista johdettu objektiivinen unen laatu. Riippuvia muuttujia olivat Fitbit Charge 2: n absoluuttiset prosenttivirheet univaiheen siirtymätodennäköisyyksistä verrattuna lääketieteelliseen laitteeseen. Tämän tutkimuksen tulokset täydentävät aiempia validointitutkimuksia ja auttavat luomaan kokonaisvaltaisen näkemyksen kuluttajien rannekkeiden kyvystä mitata unen rakennetta vapaissa elinolosuhteissa. Tämä tutkimus muodostaa myös alustavan viitekehyksen tutkijoille, jotka aikovat käyttää Fitbit-univaiheen siirtymien mittaamiseen, ja yksittäisille käyttäjille, jotka luottavat Fitbit-unitietoihin terveyspäätösten tekemisessä.

katso tätä lukua

metodit

rekrytointi

rekrytoimme osallistujia jakamalla julisteita ympäri Tokion yliopiston kampusta. Kaikkiaan 38 henkilöä rekisteröi kiinnostuksensa verkkopohjaisella lomakkeella, joista 28 (74%) oli kelpoisia osallistumaan tutkimukseen. Osallistumiskriteerit edellyttivät, että osallistujat olivat aikuisia (ikä>18 vuotta), heillä ei ollut diagnosoituja kroonisia sairauksia ja he pystyivät osallistumaan tiedotustilaisuuteen ennen tiedonkeruuvaihetta. Tutkimuksen hyväksyi Tokion yliopiston eettinen komitea. Kaikki osallistujat antoivat tietoon perustuvan suostumuksen.

tutkimusmenetelmät

kunkin osallistujan kanssa järjestettiin henkilökohtainen tiedotustilaisuus ennen tiedonkeruuvaihetta. Tässä tapaamisessa asensimme Fitbit-sovelluksen osallistujien matkapuhelimiin ja annoimme suullisia ohjeita siitä, miten laitteita käytetään ja miten Fitbit-laite synkronoidaan matkapuhelinsovellukseensa. Osallistujille toimitettiin seuraavat tiedot tiedonkeruuta varten: Fitbit Charge 2, lääketieteellinen laite nimeltä Sleep Scope, elektrodit, laturit ja käsikirjat. Tiedotustilaisuuden lopussa osallistujia pyydettiin täyttämään PSQI-kyselylomake, jolla mitattiin heidän koettua unenlaatuaan. PSQI on laajalti käytetty väline arvioitaessa subjektiivista unen laatua keskiarvona viimeisen 1 kuukauden aikana, ja PSQI≥5 on osoitus koetusta huonosta unesta. Keräsimme PSQI: n, koska se saattaa liittyä Fitbitin mittaustarkkuuteen. Tarkempia tietoja mittaustarkkuuden mahdollisista assosiaatiokertoimista annetaan seuraavassa jaksossa.

tiedotustilaisuuden jälkeen osallistujat mittasivat yöuniaan molemmilla laitteilla 3 peräkkäisenä yönä kodeissaan, jotta Fitbit Charge 2 arvioitiin ekologisesti pätevässä ympäristössä. Heitä pyydettiin käyttämään Fitbittiä nondominantin ranteessa tiedonkeruun aikana. Kaikki osallistujat saivat rahapalkkion palauttaessaan laitteet tiedonkeruun jälkeen.

tiedonkeruu

tässä tutkimuksessa keräsimme unitietoa samanaikaisesti Fitbit Charge 2: n ja lääkinnällisen laitteen avulla. Fitbit Charge 2 (Fitbit Inc) on puettava aktiivisuusranneke, johon on upotettu kolmiakselinen kiihtyvyysmittari. Se arvioi univaiheet jokaiselle 30 sekunnin jaksolle integroimalla käyttäjän liike-ja syketiedot. Ohjelmisto-ja laitteistokehitysten myötä Fitbit Charge 2 on selättänyt joitakin aiempien mallien ongelmia, ja se pystyy mittaamaan TST: tä ja SE: tä hyvällä tarkkuudella . Maatotuuden saamiseksi unihypnogrammeista käytettiin lääketieteellistä unimittaria nimeltä Sleep Scope (Sleep Well Co). Sleep Scope on kliininen yksikanavainen elektroenkefalogrammi (Japanese Medical Device Certification 225adbzx00020000), joka validoitiin PSG: tä vastaan (sopimus=86,9%, Cohen Kappa-arvo =0,75) . Sleep Scope valittiin PSG: n sijaan, koska se mahdollisti tiedonkeruun osallistujien kodeissa unilaboratorion sijaan. Näin varmistetaan, että Fitbit Charge 2 on arvioitu ekologisesti kelvollisessa ympäristössä; näin varmistetaan myös, että tuntemattoman ympäristön aiheuttama mahdollinen unen häiriintyminen minimoidaan.

tiedonkeruuvaiheessa osallistujat seurasivat nukkumistaan 3 peräkkäistä yötä kodeissaan. Unitieteen yleisen käytännön mukaisesti analysoimme jokaisen osallistujan toisen yön poistaaksemme ensimmäisen yön vaikutuksen . Jos toisen yön tiedot eivät olleet päteviä, analysoitiin kolmannen yön tiedot. Ensimmäisen yön tiedot valittiin vasta, kun toinen tai kolmas yö ei ollut voimassa.

Fitbit sleep-tiedot haettiin Fitbitin sovellusohjelmarajapinnan (API) kautta. Fitbit Charge 2 tarjoaa unitietoa 2 tasolla julkisen API: n kautta. Vaihetason tiedot käsittävät unen vaihetasot, mukaan lukien valve, kevyt uni, syvä uni ja REM-uni. Nämä tiedot kootaan 30 sekunnin rakeisuudella, joka vastaa tavanomaista unen vaiheistusta kliinisessä ympäristössä. Jos vaihetasotietoja ei ole saatavilla, tarjotaan vaihtoehdoksi klassiset tasotiedot. Klassinen tason tiedot sisältävät unen kuvio tasot, kuten unessa, levoton, ja hereillä, ja ne on koottu karkeampi rakeisuus 60 sekuntia. Tässä tutkimuksessa meitä kiinnosti lavatason unitiedot, ja klassiset tasotiedot hylättiin, koska ne eivät sisältäneet tietoa syvästä unesta, kevyestä unesta ja REM-unesta.

Lääkintälaitteen tiedot analysoitiin Sleep Well-yhtiössä käyttäen omia automaattisia pisteytysalgoritmeja, minkä jälkeen asiantuntijat tarkastivat silmämääräisesti vaiheittain vakiintuneiden standardien mukaisesti, ja korjauksia lisättiin tarvittaessa. Fitbitin tiedot ja lääketieteelliset tiedot synkronoitiin siten, että aloitusaika oli linjassa.

tarkastellaksemme käyttäjäkohtaisten tekijöiden vaikutusta mittaustarkkuuteen keräsimme tietoja myös taulukossa 1 luetelluista tekijöistä. Ikä ja sukupuoli perustuivat omailmoitukseen, ja PSQI mitattiin PSQI-kyselyllä . Unenlaatumittarit saatiin kaikki terveystiedoista.

tilastollinen analyysi

analyysin kokonaistavoite oli kaksijakoinen. Pyrimme tutkimaan Fitbit Charge 2: n tarkkuutta univaiheen siirtymien mittaamisessa verrattuna lääketieteelliseen laitteeseen. Olimme myös kiinnostuneita käyttäjäkohtaisten tekijöiden yhteyksistä Fitbit Charge 2: n mittaustarkkuuteen. Kaikki raportoidut tilastollisen merkitsevyyden tasot olivat 2-puolisia, ja tilastollinen analyysi tehtiin käyttäen R statistical software-versiota 3.5.3 (the R Foundation).

ensin saatiin lääketieteellisestä aineistosta uniparametrien kuvaileva statiikka. Paritettu 2-tailed t testi käytettiin koetin, jos oli tilastollisesti merkitseviä eroja unen malleja miesten ja naisten, sekä välillä osallistujat alle 25-vuotiaita ja yli 25-vuotiaita. Toiseksi univaiheen siirtymätodennäköisyydet laskettiin jakamalla siirtymien määrä tietystä unitilasta tiettyyn unitilaan siirtymien kokonaismäärällä kyseisestä tietystä tilasta kaikkiin unitiloihin (mukaan lukien samassa tilassa pysyminen). Kuten kuvassa 2 esitetään, {X, Y ja b } johdetaan kirjaimista { W, L, D ja R } ja nX→Y on koko yöunen aikana tapahtuneiden siirtymien lukumäärä univaiheesta X vaiheeseen Y. W, L, D ja R ovat lyhenteitä valve, kevyt uni, syvä uni, ja REM-uni. Univaiheen siirtymätodennäköisyydet laskettiin Fitbitin tiedoista ja lääketieteellisistä tiedoista kullekin osallistujalle ja sitten laskettiin koko kohortin keskiarvo keskimääräisten univaiheen siirtymätodennäköisyyksien saamiseksi. Systemaattinen ero kahden laitteen välillä arvioitiin soveltamalla paritettua t-testiä univaiheen siirtymätodennäköisyyksiin. P-arvo Alla .05: tä pidettiin tilastollisesti merkitsevänä. Kahden laitteen välisen sopimuksen tasoa tutkittiin Bland-Altmanin tonttien avulla .

Katso tämä luku

Katso tämä luku

absoluuttinen prosenttivirhe eX→Y laskettiin käyttäen Kuvassa 3 olevaa yhtälöä, jossa { X, Y ja b } johdetaan { W, L, D ja R}, sFX→Y ja sMX→Y ovat Siirtymätodennäköisyys univaiheesta X Y Y, joka on johdettu Fitbitin tiedoista ja lääketieteellisistä tiedoista.

tutkittaessa käyttäjäkohtaisten tekijöiden vaikutusta absoluuttiseen prosenttivirheeseen tietojoukko jaettiin 2 osajoukkoon taulukossa 1 lueteltujen raja-arvojen mukaisesti. Wilcoxon signed-rank-testi suoritettiin tutkia, jos oli merkittäviä eroja 2 subsets suhteen tulos sleep metrics (sleep stage transition todennäköisyydet). Cut-off-raja-arvojen valinta oli unitieteen kirjallisuuden mukainen .

tulokset

kuvaava tilasto

tutkimukseen osallistui yhteensä 28 nuorta aikuista, joilla ei ollut kroonisia sairauksia. Yhteensä 5 osallistujaa jätettiin analyysin ulkopuolelle, koska Fitbitin avulla ei saatu stage level-unitietoja. Eli näiltä osallistujilta saatiin vain klassista tasounitietoa; aineistossa ei ollut tietoa valo -, syvä-ja REM-unesta. Siksi ei ollut mahdollista laskea univaiheen siirtymätodennäköisyyksiä näille osallistujille. Lopullinen aineisto koostuu siis 23 osallistujan unitiedoista (Miehet:Naiset=14: 9). Tämä osallistujamäärä on verrattavissa muihin validointitutkimuksiin . Kaikki osallistujat olivat 21-30-vuotiaita yliopisto-opiskelijoita (keskiarvo 24,3, SD 2,7). Yhteensä 8: lla 23 osallistujasta oli yli 5: n PSQI, joka oli osoitus epätyydyttävästä unenlaadusta. Tilastollisesti merkittäviä eroja havaittiin miesten ja naisten välillä valveajan suhteen (naiset: 9.7 min; miehet: 22.8 min; P=.02) ja univaiheen 1 suhde (naiset: 7,7(%); miehet: 14,3(%); P=.02). Vertailimme myös alle ja yli 25-vuotiaiden osallistujien unirytmejä. Tilastollisesti merkittäviä eroja havaittiin TST: n suhteen (alle 25 vuotta: 308, 7 min; yli 25 vuotta: 396, 8 min; P=.03), siirtymistodennäköisyys syvästä unesta kevyeen uneen (alle 25 vuotta: 5, 5%; yli 25 vuotta: 1, 5%; P=.02), ja todennäköisyys pysyä kevyessä unessa (alle 25 vuotta: 85,3 (%); yli 25 vuotta: 94,8 (%); P=.008).

systemaattiset erot

Taulukko 2 esittää arvioidut univaiheen siirtymätodennäköisyydet, jotka on johdettu lääketieteellisistä tiedoista ja Fitbit-tiedoista, sekä paritetun t-testin tulokset. Laskimme univaiheen siirtymätodennäköisyydet erikseen jokaiselle osallistujalle ja sitten koko kohortin keskiarvotulokset. On osoitettu, että seuraavat siirtymät harvoin tapahtunut: syvä uni REM-uneen ja-heräämiseen, kevyt uni REM-uneen, REM-uni syvään uneen ja REM-uni kevyeen uneen. T-testitulokset osoittivat, että Fitbitin mittaamien univaiheen siirtymätodennäköisyyksien ja lääkinnällisen laitteen mittaamien välillä oli merkittäviä eroja. Fitbit poikkesi lääketieteellisestä laitteesta kaikissa siirtymätodennäköisyyksissä lukuun ottamatta siirtymätodennäköisyyttä kevyestä unesta REM-uneen (SFL→r = 0,9%; sML→r =1,7%), siirtymätodennäköisyyttä syvästä unesta valveille (sFD→W = sMD→W =0.2%), ja todennäköisyys jäädä REM-univaiheeseen (sFR→r = sMR→R =96,9%). Yleisesti Fitbit aliarvioi univaiheen siirtymävaiheen dynamiikkaa. Tietyssä univaiheessa pysymisen todennäköisyydet yliarvioitiin merkittävästi, kun taas siirtymien todennäköisyydet tietystä vaiheesta toiseen olivat enimmäkseen aliarvioituja.

Sopimustaso ja korrelaatiot

luvut 4-6 esittävät Bland-Altmanin tontteja, joissa verrataan Fitbit Charge 2: ta lääkinnälliseen laitteeseen. Laitteen poikkeamat unituloksissa piirretään kunkin yksilön lääketieteellisten tulosten funktiona. Keskimääräinen harha vaihteli 0%: sta (sR→r ja sD→W) noin 60%: iin (sL→D). Enintään 2 osallistujaa oli sopimuksen alarajan tai ylärajan ulkopuolella.

aiempien tutkimusten mukaisesti määrittelimme hyväksyttävän virhealueen ei ≤5%, koska tämä on kirjallisuudessa yleisesti hyväksyttävä tilastollisen merkitsevyyden standardi . Tämän kriteerin perusteella Fitbitin ja lääkinnällisen laitteen välillä ei havaittu systemaattista harhaluuloa mitattaessa SW→l, sW→r, sl→R, sD→W, sR→l, Sr→D ja sr→R.

kuva 4 osoittaa, ettei eron ja keskiarvon SR→l, SL→R ja Sr→R välillä havaittu suuntausta. Sen sijaan kuvissa 5 ja 6 näkyvät selvät suuntaukset siitä, että mittauserot olivat suuremmat pienemmillä sL→l, sD→D ja Sw→W, ja erot olivat suuremmat korkeammilla sW→l,sw→R, sw→D, SL→w, sl→D, sD→w, sD→w, sD→l, sD→l, sD→l, sD → r, sr → W ja sr → D. Nämä havainnot viittaavat siihen, että Fitbit Charge 2: n tarkkuus univaiheen siirtymien mittaamisessa saattoi heikentyä unen muuttuessa dynaamisemmaksi (enemmän siirtymiä eri univaiheiden välillä).

Katso tämä luku

Katso tämä luku

View this figure

käyttäjäkohtaisten tekijöiden vaikutus

Wilcoxonin signeeratun rank-testin tulokset osoittivat, että hyvä Subjektiivinen unenlaatu, jonka PSQI ilmoitti olevan alle 5, liittyi vähentyneisiin virheisiin syvässä univaiheessa pysymisen todennäköisyydessä (PSQI<5, 132.1±173, 1%; Psqi≥5; 346, 8±250, 0%; p=.04), mutta siihen liittyi lisääntynyt virhe siirtymätodennäköisyys valveillaolosta REM-uneen (PSQI<5, 100, 0±0, 0%; PSQI≥5, 85, 1±25, 5%; P=.02).

yli 30 minuuttia kestänyt herätysaika liittyi lisääntyneisiin virheisiin siirtymätodennäköisyydessä kevyestä unesta REM-uneen (WASO≥30, 265, 8±176, 5; WASO<30, 103, 9±49, 1%; P=.02), mutta siihen liittyi vähentyneitä virheitä siirtymätodennäköisyydessä kevyestä unesta valveille (WASO≥30, 78, 6±10, 2%; WASO<30, 86, 7±8, 6%; P=.049) sekä vanavedessä pysymisen todennäköisyys (WASO≥30, 117, 3±269, 5%; WASO<30, 125, 2±103, 6%; P=.006).

se yli 90%: n liittyi lisääntyneisiin mittausvirheisiin siirtymätodennäköisyydessä REM-unesta kevyeen uneen (SE>90, 107, 1±53, 2%; Se≤90%, 55, 9±40, 4%; P=.047).

lisäksi alle 25-vuotiaat (Ikä<25, 7, 9±5, 4%; Ikä≥25, 3, 1±2, 3%; P=.01), nukahtamisviive (SOL) lyhyempi kuin 30 min (SOL<30, 8, 6±5, 8%; SOL≥30, 4, 1±3, 4%; P=.02), ja syvän unen suhde yli 20% (hidas Uni; SWS<20%, 3, 9±3, 5%; SWS≥20, 9, 5±5, 2; P=.007) liittyi lievään lisääntyneeseen mittausvirheeseen todennäköisyydessä pysyä kevyessä univaiheessa. Keskimääräiset virheet olivat kuitenkin enintään 10 prosenttia kaikissa vastaavissa tapauksissa.

Fitbitin ja muiden tekijöiden, kuten sukupuolen, TST: n, SOL: n, kevyen unen suhteen, REM-unen suhteen ja Tavg: n, mittausvirheiden välillä ei havaittu merkittäviä yhteyksiä.

Keskustelu

tärkeimmät löydökset

olemme osoittaneet numeerisen vertailun univaiheen siirtymätodennäköisyyksistä Fitbit Charge 2: n ja lääketieteellisen laitteen välillä. Taso ja rajat sopimuksen välillä 2 tyyppisiä laitteita havainnollistettiin käyttäen Bland-Altman tontteja. Wilcoxon signed-rank-testin tulokset esiteltiin osoittamaan käyttäjäkohtaisten tekijöiden ja mittausvirheiden väliset yhteydet. Tämä tutkimus tuotti 2 päätutkimusta. Ensin selvisi, että Fitbit Charge 2 aliarvioi univaiheen siirtymävaiheen dynamiikkaa verrattuna lääkinnälliseen laitteeseen. Toiseksi laitteen tarkkuus liittyi pääasiassa 3 käyttäjäkohtaiseen tekijään: subjektiiviseen unenlaatuun, jota mitataan PSQI: llä, WASO: lla ja SE: llä.

univaiheen siirtymäanalyysia on käytetty unitieteessä kuvaamaan unen jatkuvuutta ja ei-REM-ja REM-jaksojen ajallista stabiilisuutta . Tässä tutkimuksessa lääketieteellisestä aineistosta johdetut univaiheen siirtymätodennäköisyydet osoittivat mielenkiintoisia kuvioita. Odotetusti todennäköisyys sille, että mikä tahansa univaihe pysyisi samassa vaiheessa, oli jatkuvasti suurempi kuin se, että tämä vaihe vaihtuisi toiseen vaiheeseen. Suoraa siirtymistä syvän unen ja REM-unen välillä tapahtui harvoin. Todennäköisyys siirtymiselle valveunesta syvään uneen tai valveunesta REM-uneen oli pieni. Samoin myös todennäköisyys siirtyä syvästä unesta valveille oli pieni. Nämä ominaisuudet olivat yhdenmukaisia havaintojen kanssa, joita on raportoitu aiemmissa unitutkimuksissa univaiheen siirtymämalleista terveillä ihmisillä .

univaiheen siirtyminen on seurausta monien aivoalueiden monimutkaisista vuorovaikutuksista. Koska kuluttajarannekkeilla ei pystytä havaitsemaan merkkiaineita aivoaalloista, kuten k-komplekseista , niiden suorituskyky univaiheiden luokittelussa on rajallinen. Aikaisemmat tutkimukset osoittavat , että Fitbit Charge 2-laitteet yliarvioivat merkittävästi kevyen unen ja aliarvioivat syvän unen, kun taas ne aliarvioivat syvän unen ja yliarvioivat valo-ja REM-unen, kun ne validoitiin vapaissa elinolosuhteissa . Tämä tutkimus täydentää aiempia tutkimustuloksia ja tuo uutta tietoa Fitbitin kyvystä tallentaa univaiheen siirtymiä. Kaiken kaikkiaan havaitsimme, että Fitbit Charge 2 poikkesi merkittävästi lääketieteellisestä laitteesta univaiheen siirtymädynamiikan mittaamisessa. Fitbitin mittaamat keskimääräiset todennäköisyydet jäädä wake Stageen ja deep Stageen olivat huomattavasti suuremmat kuin lääketieteellisellä laitteella mitatut. Fitbit sen sijaan aliarvioi lavasiirtymien todennäköisyydet kevyestä unesta valveille ja kevyestä unesta syvään uneen. Tämä johtunee siitä, että Valve-ja syvän unen aikakaudet on luokiteltu väärin kevyeksi uneksi . Systemaattinen bias (välillä 40% ja 60%) havainnollistettiin Bland-Altman tontteja näistä univaiheen siirtymätodennäköisyyksistä. Toisaalta rem-univaiheessa pysymisen todennäköisyyttä mitattaessa ei havaittu systemaattista vinoumaa eikä keskiarvoeroa. Tämä tulos tarjoaa täydentävää näyttöä De Zambottin et al: n tutkimuksessa tehdylle havainnolle, jonka mukaan Fitbit Charge 2 sopi hyvin lääkinnällisiin laitteisiin REM-unen havaitsemisessa.

ainutlaatuista tässä tutkimuksessa on se, että selvitimme myös käyttäjäkohtaisten tekijöiden vaikutusta ja löysimme useita assosiaatioita. Analyysimme osoitti, että subjektiivinen unenlaatu mitattuna PSQI, wake after WASO ja SE olivat huomattavan vahvoja ennustajia mittausvirheille univaiheen siirtymätodennäköisyyksissä. Ikä, SOL ja syvä unisuhde olivat merkittäviä mutta heikkoja ennustajia, kun taas sukupuoli, TST, kevyt unisuhde, REM-unisuhde ja keskimääräinen unisykli eivät liittyneet Fitbitin mittausvirheisiin.

huolimatta aiemmista validointitutkimuksista saaduista havainnoista , joiden mukaan huono unen laatu liittyy unenseurantalaitteiden huonoon suorituskykyyn polysomnografisten unimittareiden mittaamisessa, tämä tutkimus osoittaa, että unenlaadun ja laitteen tarkkuuden välinen suhde on monimutkaisempi univaiheen siirtymien mittaamisessa. Huomasimmekin, että hyvä Subjektiivinen unenlaatu (PSQI<5) liittyi alentuneeseen mittausvirheeseen syvässä univaiheessa pysymisen todennäköisyydessä, ja vähemmän hajanaiseen uneen (Waso<30 min) liittyi vähentyneitä virheitä siirtymätodennäköisyydessä kevyestä unesta REM-uneen. On kuitenkin havaittu myös, että hyvää unta luonnehtivat nopea nukahtaminen (SOL<30 min), korkea syvän unen suhde (SWS>20%), hyvä subjektiivinen tunne (PSQI<5), lyhyet Heräämiset (Waso<30 min) ja korkea se (se>90%) liittyivät lisääntyneisiin mittausvirheisiin erilaisissa lopputuloksen siirtymätodennäköisyyksissä. Tämä tulos on ristiriidassa aikaisempien havaintojen aktigrafia että heikentynyt Uni (esim, pitkä WASO ja SOL) lisääntynyt mittausvirheitä . Tämä ero viittaa siihen, että kliiniseen aktigrafiaan liittyviä löydöksiä ei pitäisi yleistää kuluttajarannekkeisiin ilman lisävalidointia.

lisäksi iän havaittiin olevan merkittävä, mutta heikko mittausvirheiden ennustaja. 25-30-vuotiailla osallistujilla oli vähemmän mittausvirheitä kevyessä univaiheessa pysymisen todennäköisyydessä verrattuna alle 25-vuotiaisiin. Koska ikä on laajalti tunnustettu merkittäväksi tekijäksi , joka muuttaa unirytmiä, iän vaikutus voidaan myös jäljittää taustalla olevien unirytmien eroihin. Lääketieteelliset unitiedot osoittivat, että nuoremmilla osallistujilla oli yleensä lyhyempi uni ja korkeampi univaiheen siirtymävaiheen dynamiikka (siirtyminen syvästä unesta kevyeen uneen), mikä saattaa selittää mittausvirheiden lisääntymisen. Tätä löydöstä ei kuitenkaan pidä yleistää moniin eri ikäryhmiin, koska iän otanta on tässä tutkimuksessa rajallista. Lisätutkimuksia tarvitaan, jotta voidaan systemaattisesti selvittää iän vaikutusta laitteen tarkkuuteen.

tuloksemme täydentävät aiempien validointitutkimusten tuloksia, jotka koskivat kuluttajien rannekkeita unenseurantaan yleensä. Fitbit Charge 2 on osoittanut tyydyttävää suorituskykyä TST: n ja SE: n mittaamisessa, mutta se ei edelleenkään kykene luokittelemaan univaiheita hyvällä tarkkuudella . Havaintomme osoittavat, että Fitbit Charge 2 saattaa myös aliarvioida unensiirtodynamiikkaa, joten sitä tulee käyttää varoen. Tämä tutkimus muodostaa alustavan viitekehyksen tutkijoille, jotka aikovat käyttää Fitbit-laitetta univaiheen siirtymien mittaamiseen tieteellisissä tutkimuksissa, ja tämä tutkimus viittaa siihen, että sekä havaitut että objektiiviset unirytmit on ehkä otettava huomioon unenseurantatyökaluja valittaessa.

rajoitukset

tähän tutkimukseen sovelletaan seuraavia rajoituksia. Ensinnäkin osallistujat edustavat nuorta tervettä väestöä, joka oli vapaa unihäiriöistä tai kroonisista sairauksista. Siksi tuloksia ei voida yleistää vanhempiin tai kliinisiin potilasryhmiin. Toiseksi tiedonkeruuvaihe ei ollut luonteeltaan pitkittäissuuntainen, ja vain 1 yöunet jokaiselta osallistujalta analysoitiin. Näin ollen tuloksissa ei välttämättä oteta huomioon persoonan sisäisiä variaatioita. Kolmanneksi tässä tutkimuksessa tutkittujen mahdollisten vaikuttavien tekijöiden luettelo ei ollut tyhjentävä, ja rajoitettu otanta voi vaikuttaa siihen. Lisätutkimuksissa olisi käsiteltävä näitä rajoituksia sisällyttämällä niihin monipuolinen populaatio, pidentämällä tiedonkeruun kestoa ja tarkastelemalla muiden mahdollisten laitteiden tarkkuutta ennustavien tekijöiden vaikutusta.

päätelmät

olemme osoittaneet, että Fitbit Charge 2 aliarvioi univaiheen siirtymävaiheen dynamiikkaa merkittävästi verrattuna lääkinnälliseen laitteeseen ja että mittaustarkkuuteen voivat vaikuttaa lähinnä koettu unen laatu, unen jatkuvuus ja SE. Huolimatta positiivisesta suuntauksesta parantaa tarkkuutta viimeisimpien kuluttajien puettavissa nukkumisjäljittimissä, näiden laitteiden rajoittaminen unen vaiheen siirtymävaiheen dynamiikan havaitsemisessa on tunnustettava. Tulosmittausvälineenä Fitbit Charge 2 ei välttämättä sovellu univaiheen siirtymiin liittyviin tutkimuksiin tai terveydenhuollon päätöksentekoon. Lisätutkimuksissa olisi keskityttävä näiden kuluttajarannekkeiden tarkkuuden parantamiseen polysomnografisten parametrien lisäksi myös univaiheen siirtymädynamiikan mittaamisessa.