Bevezető

Fontosságát Fogyasztói Aludni, Nyomkövető Eszközök

elég helyreállító alvás elengedhetetlen a fizikai, mind a mentális egészségre . Az elmúlt években a fogyasztói alvásfigyelő karszalagok és a kapcsolódó mobiltelefon-alkalmazások hatékony módszert hoztak létre az egyének számára, hogy megértsék a személyes alvási mintákat, vagy javítsák az alvás minőségét a napi beállításokban . Ezek az eszközök viszonylag megfizethető, könnyen használható, készen áll a vásárlásra a fogyasztói piacon. A fogyasztói karszalagok többsége a klinikai aktigráfia hasonló mechanizmusára támaszkodik, amely a végtagmozgásból származó ébredési és alvási ciklusokat vonja maga után . Az újonnan elindított modellek más biosignals patakokat is tartalmaznak, például a pulzusszámot az alvási szakaszok mérésére. A felhasználók egy egész éjszakai alváshipnogramot (az alvási szakaszok időbeli sorrendjét) és az összesített alvási paramétereket, például a teljes alvási időt (TST), valamint az egyes alvási szakaszok arányát a műszerfalon jeleníthetik meg . Egyre több bizonyíték van arra , hogy a fogyasztók alvásfigyelő karszalagjai felhívják a figyelmet az alvás egészségére, és pozitív hatással vannak a személyes alváshigiéniára, bár ezeknek a technológiáknak a hosszú távú hatását nem sikerült tisztázni . Időközben a kutatók és a klinikusok egyre inkább elfogadják a fogyasztói karszalagokat, például a Fitbit eszközöket, mint eredménymérési eszközöket a kutatási tanulmányokban . A hagyományos poliszomnográfiához (PSG) képest a Fitbit eszközök jelentősen csökkentik a hosszanti alvásadatok gyűjtésének idejét és pénzbeli költségeit, és olyan gazdag információkat szolgáltathatnak, amelyeket korábban nem lehetett alváslaboratóriumokon vagy klinikákon gyűjteni. A résztvevők szabadon élő körülmények között, állandó technikai támogatás nélkül használhatják az eszközöket. A Fitbit eszközök új generációja valószínűleg felülmúlja a klinikai aktigráfiát is, mivel több biosignális áramlást használnak az alváshoz, míg az actigráfia csak a végtagok mozgása alapján képes észlelni az ébredést és az alvást .

Pontosság a Fogyasztói Aludni, Nyomkövető Eszközök

Mint a fogyasztói aludni-monitoring karszalag továbbra is szert népszerűségre, a korlátozás mérési pontosság felvetett széles vonatkozik a minőségi gyűjtött adatok segítségével ezeket az eszközöket . Az alacsony minőségű adatok félrevezethetik a felhasználókat, hogy rossz következtetéseket vonjanak le alvásukról. Ezenkívül az adatminőség kiemelt fontosságú azoknak a kutatóknak, akik ezeket az eszközöket tudományos tanulmányokban kívánják használni. Ezért a fogyasztói alváskövetők érvényességének megértése gyakorlati előnyökkel jár mind az egyéni felhasználók, mind a kutatóközösség számára. A válasz erre szükség van, számos tanulmány vizsgálta a pontosság a népszerű aludni keresők képest orvostechnikai eszközök tekintetében összesített aludni mutatóit, többek között TST, ébredj után elalvási (egy darázs), aludni hatékonyság (SE), aztán alvás szakaszában, azaz a fény alszik, mélyen alszik, de a gyors szemmozgás (REM) alvás . Ezek a tanulmányok azt mutatják, hogy a korábbi modellek fogyasztói karszalagok van egy közös probléma túlbecsülik alvás alábecsülni wake . Legújabb modellek, mint például a Fitbit Díj 2 támaszkodni multistreams a biosignals van lehetőség a teljesítmény mérésére TST meg SE de nem termel pontos eredményt mutatják, alvási szakaszok .

bár a validációs vizsgálatok fő szerve dominánsan a poliszomnográfiai metrikákra (pl. TST, WASO, érzékenység és specificitás) összpontosított, a fogyasztói karszalagok teljesítménye az alvási fázisátmenetek mérésében továbbra sem ismert. Az alváskutatás kimutatta, hogy az alvási szakasz átmeneti valószínűségei az alvási minták gazdag információit tartalmazzák, amelyeket hatékonyabbnak tekintettek, mint az alvás stabilitásának jellemzésére szolgáló poliszomnográfiai paraméterek . Az alvási szakasz átmeneti rendellenessége az alvászavarok fontos mutatója . Egyes tanulmányok az alvási szakasz átmeneti valószínűségeire is támaszkodtak a kezelés hatásának felmérésére . A klinikai jelentősége nem alvó szakasz átmeneti dynamics arra utal, hogy a szükséges, beleértve a releváns mutatók (alvó szakasz átmeneti valószínűségek), mint eredmény aludni paraméterek validálási vizsgálatok. Az 1. ábrán az alvási szakasz átmeneti dinamikájának megjelenítését mutatjuk be. A teljes átmenet valószínűsége egyetlen állam más államok (beleértve tartózkodó ugyanabban az állapotban) mindig 1. Az sX→Y az átmeneti valószínűséget jelenti az X-ről Y-ra. a { X, Y } A { W, L, D, R} – ből származik, amelyek az ébrenlét, a könnyű alvás, a mély alvás és a REM alvás rövidítései. Például az SW→R az ébrenlét és a REM alvás közötti átmeneti valószínűséget jelöli,az sW→W pedig az ébrenlét valószínűségét.

Jelentőségét Ez a Tanulmány

Ez a tanulmány célja, hogy megvizsgálja, vajon pontosan mérni aludni színpadon átmenetek (az átmenet valószínűségek között ébredt, fény, mély, s a REM alvás) a Fitbit Díj 2. A bőséges validációs vizsgálatok ellenére nem vizsgálták a fogyasztói karszalagok pontosságát az alvási szakasz átmenetének mérésében. Megvizsgáltuk azokat a tényezőket is, amelyek az alvási szakasz átmeneti valószínűségeinek mérési hibáihoz kapcsolódnak. Korábbi validációs vizsgálatok más típusú hordható eszközök azt találták, hogy a készülék pontossága változhat függvényében a mögöttes alvási minták, a vizsgált populáció, sőt, hogy a méréséséstés volt meghatározva . Ugyanebben a sorban kiválasztottunk egy sor független változót (lehetséges előrejelzőket), beleértve a résztvevők demográfiai jellemzőit, a Pittsburgh Sleep Quality Index (PSQI) által mért szubjektív alvásminőséget , valamint az orvosi adatokból származó objektív alvásminőséget. A függő változók a Fitbit Charge 2 abszolút százalékos hibái voltak az alvó fázisú átmeneti valószínűségeknél az orvosi eszközhöz képest. E tanulmány eredményei kiegészítik a korábbi validációs tanulmányokat, és hozzájárulnak a fogyasztói karszalagok szabad életkörülmények közötti alvási szerkezet mérésében való képességének holisztikus áttekintéséhez. Ez a tanulmány előzetes hivatkozást hoz létre azon kutatók számára is, akik a Fitbit-et használják az alvási szakaszok átmeneteinek mérésére, valamint az egyéni felhasználók számára, akik a Fitbit alvási adataira támaszkodnak az egészségügyi döntések meghozatalához.

tekintse meg ezt a számot

módszerek

toborzás

a résztvevőket plakátok terjesztésével toboroztuk a Tokiói Egyetem campusán. Összesen 38 ember regisztrált érdeklődést egy Web – alapú űrlapon keresztül, akik közül 28 (74%) volt jogosult részt venni a tanulmányban. A felvétel kritériumai megkövetelték, hogy a résztvevők felnőttek legyenek (életkor>18 év), mentesek voltak a diagnosztizált krónikus állapotoktól, és részt vehettek egy tájékoztatón az adatgyűjtési szakasz előtt. Ezt a kutatást a Tokiói egyetem etikai bizottsága hagyta jóvá. Minden résztvevő tájékozott beleegyezést adott.

vizsgálati eljárások

az adatgyűjtési szakasz előtt minden résztvevővel külön-külön személyes eligazítást tartottak. Ezen a találkozón telepítettük a Fitbit alkalmazást a résztvevők mobiltelefonjaira, valamint szóbeli utasításokat adtunk az eszközök használatáról, valamint arról, hogyan lehet szinkronizálni a Fitbit eszközt a mobiltelefon-alkalmazással. A résztvevőknek az adatgyűjtéshez a következő elemeket biztosították: Fitbit Charge 2, Sleep Scope nevű orvosi eszköz, elektródák, töltők és kézikönyvek. Az eligazítás végén a résztvevőket felkérték, hogy töltsenek ki egy PSQI kérdőívet az észlelt alvásminőség mérésére. A PSQI széles körben használt eszköz az elmúlt 1 hónapban átlagolt szubjektív alvásminőség értékelésére, a PSQI≥5 pedig az észlelt rossz alvásra utal. Összegyűjtöttük a PSQI-t, mivel ez társulhat a Fitbit mérési pontosságához. A mérési pontosság lehetséges asszociációs tényezőiről további részletek a következő részben találhatók.

az eligazítás után a résztvevők mindkét készülékkel 3 egymást követő éjszakát mértek otthonukban annak biztosítása érdekében, hogy a Fitbit Charge 2-t ökológiailag érvényes környezetben értékelték. Arra kérték őket, hogy az adatgyűjtés során viseljék a Fitbit-et a nem komináns csuklón. Minden résztvevő pénzbeli jutalmat kapott, amikor az eszközöket adatgyűjtés után visszaküldték.

adatgyűjtés

ebben a vizsgálatban alvás adatokat gyűjtöttünk egyidejűleg a Fitbit Charge 2 és egy orvosi eszköz segítségével. Fitbit Charge 2 (Fitbit Inc) egy hordható tevékenység csuklópánt egy beágyazott triaxiális gyorsulásmérő. A felhasználó mozgás-és pulzusszám-adatainak integrálásával minden 30 másodperces időszakra becsüli az alvási fázisokat. A szoftver és a hardver fejlődésével a Fitbit Charge 2 leküzdötte a korábbi modellek néhány problémáját, és jó pontossággal képes mérni a TST és SE-t . A Sleep Scope (Sleep Well Co) nevű orvosi alvásfigyelőt használták az alváshipnogramok földi igazságának megszerzésére. Az Sleep Scope egy klinikai minőségű egycsatornás elektroencefalogram (Japán orvostechnikai eszköz tanúsítása 225ADBZX00020000), amelyet a PSG ellen érvényesítettek (megállapodás=86,9%, átlagos Cohen Kappa érték =0,75) . A Sleep Scope-ot a PSG helyett választották, mivel lehetővé tette az adatgyűjtést a résztvevők otthonában, nem pedig alváslaboratóriumban. Ez biztosítja, hogy a Fitbit Charge 2-t ökológiailag érvényes környezetben értékelték; ez biztosítja az alvás esetleges megzavarásának minimalizálását ismeretlen környezetben.

az adatgyűjtési szakaszban a résztvevők 3 egymást követő éjszakát követték otthonukban. Az alvástudomány általános gyakorlatát követve elemeztük a második éjszakát minden résztvevő számára, hogy eltávolítsuk az első éjszakai hatást . Ha a második éjszaka adatai nem voltak érvényesek, akkor a harmadik éjszaka adatait elemezték. Az első éjszaka adatait csak akkor választották ki, ha sem a második éjszaka, sem a harmadik éjszaka nem volt érvényes.

A Fitbit alvó adatait a Fitbit alkalmazásprogram interfészén (API) keresztül szereztük be. A Fitbit Charge 2 alvó adatokat biztosít 2 szinten a nyilvános API-n keresztül. A színpadszintű adatok magukban foglalják az alvásszakasz szintjét, beleértve az ébredést, a könnyű alvást, a mély alvást és a REM alvást. Ezeket az adatokat 30 másodperces granularitással összesítjük, amely megfelel a klinikai környezetben a szokásos alvási stádiumnak. Ha a színpad szintű adatok nem állnak rendelkezésre, a klasszikus szintű adatok alternatívaként kerülnek megadásra. A klasszikus szintű adatok magukban foglalják az alvásminta-szinteket, beleértve az alvást, a nyugtalanságot és az ébredést, és ezek durvább, 60 másodperces granularitással vannak összesítve. Ebben a vizsgálatban érdekelt minket a színpadon szinten aludni adatok, valamint a klasszikus szintű adatok elvetették, mivel nem tartalmazott információt a mély alvás, fény aludni, REM alvás.

az orvostechnikai eszköz adatait a Sleep Well cég szabadalmaztatott automatikus pontozási algoritmusokkal elemezte, majd a szakemberek által a megállapított szabványok alapján végzett korszakos szemrevételezéssel, szükség esetén korrekciókkal egészítették ki. A Fitbit adatait és az orvosi adatokat szinkronizálták, hogy a kezdési idő igazodjon.

a felhasználó-specifikus tényezők mérési pontosságra gyakorolt hatásának vizsgálatához adatokat gyűjtöttünk az 1.táblázatban felsorolt tényezőkről is. Az életkor és a nem önjelentésen alapult ,a PSQI-t pedig a PSQI kérdőív segítségével mérték. Az alvásminőségi mutatók mind az orvosi adatokból származtak.

statisztikai elemzés

az elemzés általános célja kétszeres volt. Célunk, hogy megvizsgáljuk a Fitbit Charge 2 pontosságát az alvási fázis átmenetek mérésében egy orvosi eszközhöz képest. A Fitbit Charge 2 mérési pontosságával a felhasználó-specifikus tényezők társulásai is érdekeltek. Az összes jelentett statisztikai szignifikancia szint 2 oldalas volt, a statisztikai elemzést pedig az R statisztikai szoftver 3.5.3 verziójával (az R Alapítvány) végezték.

először az alvási paraméterek leíró statikáját az orvosi adatokból származtatták. Párosított 2 farkú t-tesztet használtak a szondázáshoz, ha statisztikailag szignifikáns különbségek voltak az alvási mintákban a férfiak és a nők között, valamint a 25 év alatti és a 25 év feletti résztvevők között. Másodszor, az alvási szakasz átmeneti valószínűségeit úgy számítottuk ki, hogy az adott alvási állapotból egy adott alvási állapotba való átmenet számát elosztjuk az adott állapotból az összes alvási állapotba való átmenet teljes számával (beleértve az ugyanabban az állapotban való tartózkodást is). Amint az a 2. ábrán látható, {X, Y és B } A { W, L, D, és R} – ből és NX→Y-ból származik, az átmenetek száma az X-ről Y-re az egész éjszakai alvás során. A W, L, D és R az ébrenlét, a könnyű alvás, a mély alvás és a REM alvás rövidítései. Sleep stage transition valószínűségek számítottuk Fitbit adatok és orvosi adatok minden résztvevő, majd átlagolt az egész kohorsz, így az átlagos sleep stage transition valószínűségek. Szisztematikus különbség a 2 eszközök értékelték alkalmazásával párosított T teszt az alvás szakaszában átmeneti valószínűségek. A p érték alatt .A 05-öt statisztikailag szignifikánsnak tekintették. A 2 eszköz közötti megállapodás szintjét a Bland-Altman parcellák segítségével vizsgáltuk meg .

nézze meg ezt a számot

tekintse meg ezt az ábrát

az eX→Y abszolút százalékos hibát a 3.ábrán látható egyenlet segítségével számítottuk ki, ahol { X, Y és B} {W, L, D, és R}, sFX→Y és sMX→Y az átmenet valószínűsége X-ről Y-re, Fitbit adatokból és orvosi adatokból származtatva.

a felhasználó-specifikus tényezők abszolút százalékos hibára gyakorolt hatásának vizsgálatához az adatkészletet az 1. táblázatban felsorolt cut-off küszöbértékek szerint 2 részhalmazra osztották. Wilcoxon aláírt rank tesztet végeztünk, hogy vizsgálja meg, ha voltak jelentős különbségek a 2 részhalmazok szempontjából az eredmény alvás mutatókat (sleep stage transition valószínűségek). A cut-off küszöbértékek kiválasztása összhangban volt az alvás tudományának irodalmával .

eredmények

leíró statisztikák

összesen 28 krónikus betegség nélküli fiatal felnőtt vett részt a vizsgálatban. Összesen 5 résztvevőt zártak ki az elemzésből, mert a Fitbit nem tudta megszerezni a színpadi alvási adatokat. Ez csak a klasszikus szinten aludni adatok származnak, ezek a résztvevők; az adatok nem volt információ fény, mély, s a REM alvás. Ezért nem lehetett kiszámítani az alvási szakasz átmeneti valószínűségeit ezeknek a résztvevőknek. A végső adatkészlet így 23 résztvevő alvási adatait tartalmazza (férfiak:nők=14:9). Ez a résztvevők száma összehasonlítható más validációs tanulmányokkal . A résztvevők 21-30 év közötti egyetemi hallgatók voltak (átlag 24,3, SD 2,7). A 23 résztvevőből összesen 8-nak volt 5-nél magasabb PSQI-je, ami a nem kielégítő alvásminőségre utal. Statisztikailag szignifikáns különbségeket találtak a férfiak és a nők között az ébrenléti idő tekintetében (nők: 9,7 perc; férfiak: 22,8 perc; P=.02) és az 1. alvási szakasz aránya (nők: 7,7 (%); férfiak: 14,3 (%); P=.02). Összehasonlítottuk az alvásmintákat a résztvevők között 25 év alatt vagy felett. Statisztikailag szignifikáns különbségeket találtak a TST szempontjából (25 év alatt: 308,7 perc; 25 év felett: 396,8 perc; P=.03), átmeneti valószínűség a mély alvástól a könnyű alvásig (25 év alatt: 5,5%; 25 év felett: 1,5%; P=.02), valamint a könnyű alvásban való tartózkodás valószínűsége (25 év alatt: 85,3 (%); 25 év felett: 94,8 (%); P=.008).

szisztematikus különbségek

a 2. táblázat az orvosi adatokból és a Fitbit adatokból származó becsült alvási fázisátmeneti valószínűségeket, valamint a párosított t-teszt eredményeit mutatja be. Kiszámítottuk az alvási szakasz átmeneti valószínűségeit minden résztvevő számára külön-külön, majd átlagoltuk az eredményeket az egész kohorszban. Kimutatták, hogy a következő átmenetek ritkán fordultak elő: mély alvás REM alvás és ébrenlét, könnyű alvás REM alvás, REM alvás mély alvás, REM alvás könnyű alvás. A T teszt eredményei azt mutatták, hogy jelentős különbségek voltak a Fitbit által mért alvási fázisátmeneti valószínűségek és az orvostechnikai eszköz által mért valószínűségek között. Fitbit eltért az orvosi eszköz minden átmeneti valószínűségek, kivéve az átmenet valószínűsége a könnyű alvás REM alvás (sFL→R = 0,9%; sML→R =1,7%), az átmenet valószínűsége a mély alvás felébredni (sFD→W = sMD→W =0.2%), valamint a REM alvási szakaszban való tartózkodás valószínűsége (sFR→R = sMR→R =96,9%). Általában a Fitbit alábecsülte az alvási szakasz átmeneti dinamikáját. Egy adott alvási szakaszban való tartózkodás valószínűségét jelentősen túlbecsülték, míg az adott szakaszból egy másik szakaszba való átmenet valószínűségét többnyire alábecsülték.

egyetértési és korrelációs szint

a 4-6.ábra a Fitbit Charge 2-t az orvostechnikai eszközzel összehasonlító Bland-Altman-parcellákat mutatja. Eszköz eltérések alvási eredmények ábrázolják, mint a függvény az orvosi eredmények minden egyes. Az átlagos torzítás 0% – tól (sR→R és sD→W) kb. 60% – ig (sl→D) terjedt. Legfeljebb 2 résztvevő volt a megállapodás alsó határán vagy a megállapodás felső határán kívül.

a korábbi vizsgálatokkal összhangban az elfogadható hibatartományt ei ≤5% – ként határoztuk meg, mivel ez megközelíti a szakirodalomban a statisztikai szignifikancia széles körben elfogadható szabványát . E kritérium alapján nem találtak szisztematikus torzítást a Fitbit és az orvostechnikai eszköz között az SW→L, sW→R, sL→R, sD→w, sR→l, sR→D és sR→R.

4. ábra azt mutatja, hogy az sR→L, sL→r és sR→R különbsége és átlaga között nem találtak tendenciát. Ezzel szemben Ábra 5. Ábra 6 show egyértelmű tendencia, hogy a mérési különbség nagyobb volt az alsó sL→L, sD→D, s sW→W, a különbségeket nagyobb volt a magasabb sW→L,sW→R, sW→D, sL→W, sL→D, sD – →W, sD→L, sD→R, sR→W, sR→D. Ezek az eredmények arra utalnak, hogy a pontosság a Fitbit Díj 2 a mérési aludni színpadon átmenetek lehet romlott, mint az alvás egyre dinamikusabb (több átmenetet a különböző alvási szakaszok).

nézze meg ezt a számot

nézze meg ezt a számot

Nézet ez a szám

Hatása Felhasználó-Specifikus Tényezők

Az eredmény a Wilcoxon aláírt–rank teszt azt mutatta, hogy jó szubjektív alvás minőségét jelzi PSQI, mint alacsonyabb, mint 5 társult csökkent hibák a valószínűsége, hogy marad a mély alvás szakaszában (PSQI<5, 132.1±173.1%; PSQI≥5, 346.8±250.0%; P=.04), de az átmeneti valószínűség megnövekedett hibáival társult az ébredéstől a REM alvásig (PSQI<5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P=.02).

Ébredj idő hosszabb, mint 30 perc volt összefüggésbe hozható a megnövekedett hibák átmenet valószínűsége a fény alvás REM alvás (egy darázs≥30, 265.8±176.5; egy darázs<30, 103.9±49.1%; P=.02), de jár a csökkent hibák átmenet valószínűsége a fény aludni felébreszteni (egy darázs≥30, 78.6±10.2%; egy darázs<30, 86.7±8.6%; P=.049), valamint az ébrenlét valószínűsége (WASO≥30, 117,3±269,5%; WASO<30, 125,2±103,6%; P=.006).

SE 90% felett a REM alvástól a könnyű alvásig terjedő átmeneti valószínűség megnövekedett mérési hibáival járt (SE>90, 107,1±53,2%; SE≤90%, 55,9±40,4%; P=.047).

ezen kívül a korban éri el a 25 év (életkor<25, 7.9±5,4% – kal; életkor≥25, 3.1±2.3%; P=.01), 30 percnél rövidebb alvási késleltetés (SOL) (SOL< 30, 8,6±5,8%; Sol≥30, 4,1±3,4%; P=.02), és a mély alvás aránya 20% felett (lassú hullámú alvás; SWS<20%, 3,9±3,5%; SWS≥20, 9,5±5,2; P=.007) enyhe megnövekedett mérési hibával társultak a könnyű alvási szakaszban való tartózkodás valószínűségében. Mindazonáltal az átlagos hibák nem haladták meg a 10% – ot az összes megfelelő esetben.

nem találtak szignifikáns összefüggést a Fitbit mérési hibái és egyéb tényezők között, beleértve a szexet, a TST-t, a SOL-t, a könnyű alvás arányát, a REM alvás arányát és a Tavg-t.

Vita

főbb megállapítások

számszerű összehasonlítást mutattunk ki az alvási fázis átmeneti valószínűségeiről a Fitbit Charge 2 és az orvostechnikai eszköz között. A 2 típusú eszköz közötti megállapodás szintjét és korlátait a Bland-Altman parcellák segítségével ábrázolták. A Wilcoxon signed-rank teszt eredményeit bemutattuk a felhasználó-specifikus tényezők és a mérési hibák közötti összefüggések bemutatására. Ez a tanulmány 2 fő megállapítást eredményezett. Először azt találtuk, hogy a Fitbit Charge 2 alábecsülte az alvási szakasz átmeneti dinamikáját az orvosi eszközhöz képest. Másodszor, az eszköz pontossága elsősorban 3 felhasználóspecifikus tényezőhöz kapcsolódott: a psqi, a WASO és az SE által mért szubjektív alvásminőséghez.

Sleep stage transition analysis has been used to character sleep continuity and The temporal stability of non-REM and REM bouts in sleep science . Ebben a tanulmányban az orvosi adatokból származó alvási stádiumú átmeneti valószínűségek érdekes mintákat mutattak. Ahogy az várható volt, annak a valószínűsége, hogy minden alvási szakasz ugyanabban a szakaszban marad, folyamatosan magasabb volt, mint ez a szakasz, hogy más szakaszra váltson. A mély alvás és a REM alvás közötti közvetlen átmenet ritkán fordult elő. Alacsony volt a valószínűsége annak, hogy az ébrenlét a mély alvásra vagy az ébrenlét a REM alvásra vált. Hasonlóképpen, a mély alvásból az ébredésbe való átmenet valószínűsége is alacsony volt. Ezek a jellemzők összhangban voltak az egészséges emberek alvási stádiumának átmeneti mintáiról szóló korábbi alvási vizsgálatokban jelentett eredményekkel .

Az alvási szakasz átmenet számos agyi régió komplex kölcsönhatásainak eredménye. Mivel nem képesek észlelni a markereket az agyhullámokban , mint például a k-komplexek, a fogyasztói karszalagok korlátozott teljesítményt mutatnak az alvási szakaszok osztályozásában. Korábbi tanulmányok azt mutatják, hogy a Fitbit Charge 2 eszközök jelentősen túlbecsülték a könnyű alvást és alábecsülték a mély alvást, amikor laboratóriumi körülmények között igazolták, míg alábecsülték a mély alvást, és túlbecsülték a fényt és a REM alvást, ha szabad életkörülmények között validálták . Ez a tanulmány kiegészíti a korábbi megállapításokat, és új betekintést nyújt a Fitbit alvási fázisátmenetek rögzítésére való képességébe. Összességében megfigyeltük, hogy a Fitbit Charge 2 jelentősen eltér az orvosi eszköztől az alvási szakasz átmeneti dinamikájának mérésekor. Nevezetesen, az átlagos valószínűségek tartózkodó wake stage és mély szakaszban mért Fitbit szignifikánsan magasabb volt, mint a mért orvosi eszköz. Ezzel szemben a Fitbit alábecsülte a színpadi átmenetek valószínűségét a könnyű alvástól az ébredésig, a könnyű alvástól a mély alvásig. Ennek oka valószínűleg az ébrenlét és a mélyalvás korszakainak a könnyű alváshoz való téves besorolása . A rendszeres elfogultságot (40-60% között) a Bland-Altman-parcellák ábrázolták ezeken az alvási szakasz átmeneti valószínűségein. Másrészt nem figyeltek meg szisztematikus torzítást és átlagos különbséget a REM alvási szakaszban való tartózkodás valószínűségének mérésekor. Ez az eredmény kiegészítő bizonyítékot szolgáltat a de Zambotti et al tanulmányában, amely szerint a Fitbit Charge 2 jól illeszkedik az orvosi eszközökhöz a REM alvás kimutatásában.

a tanulmány egyedi aspektusa, hogy a felhasználó-specifikus tényezők hatását is megvizsgáltuk, és több társulást találtunk. Elemzéseink azt mutatták, hogy a psqi által mért szubjektív alvásminőség, wake after WASO és SE szignifikánsan erős előrejelzői voltak a mérési hibáknak az alvás fázisátmeneti valószínűségekben. Az életkor, a SOL és a mély alvás aránya jelentős, de gyenge előrejelzők voltak, míg a nem, a TST, a könnyű alvás aránya, a REM alvás aránya és az átlagos alvási ciklus nem kapcsolódtak a Fitbit mérési hibáihoz.

annak Ellenére, hogy a megállapítás a korábbi validálási vizsgálatok, hogy a rossz alvás minősége társul romlott a teljesítménye aludni monitoring eszközök mérési polysomnographic aludni mutatók , ez a tanulmány azt mutatja, hogy a kapcsolat sokkal bonyolultabb között alvás minőségét, majd a készülék pontosságú aludni színpadon átmenetek. Sőt, azt találtuk, hogy jó szubjektív alvás minőségét (PSQI<5) társult csökkent mérési hiba a valószínűsége, hogy marad a mély alvás szakaszában, kevesebb töredezett aludni (egy darázs<30 perc) társult csökkent hibák átmenet valószínűsége a fény alvás REM-alvás. Ugyanakkor azt is megállapította, hogy a jó alvás jellemzi gyors elalvási (SOL<30 perc), magas arány a mély alvás (SWS>20%), jó szubjektív érzés (PSQI<5), rövid ébredések (egy darázs<30 perc), magas SE (SE>90%) volt összefüggésbe hozható a megnövekedett mérési hibák más eredményre átmeneti valószínűségek. Ez az eredmény ellentmond a korábbi megállapítások actigráfia, hogy romlott alvás (pl hosszú WASO és SOL) fokozott mérési hibák . Ez a különbség azt sugallja, hogy a klinikai aktigráfiával kapcsolatos megállapításokat nem szabad általánosítani a fogyasztói csuklópántokra további érvényesítés nélkül.

ezenkívül az életkor a mérési hibák jelentős, de gyenge előrejelzője volt. A 25-30 éves korosztály résztvevői csökkent mérési hibákat mutattak a könnyű alvási szakaszban való tartózkodás valószínűségében, összehasonlítva a 25 évesnél fiatalabbakkal. Mivel az életkor széles körben elismert jelentős tényező, amely megváltoztatja az alvási mintákat, az életkor hatása a mögöttes alvási minták különbségére is vezethető vissza. Az orvosi aludni adatok azt mutatták, hogy a fiatalabb résztvevők általában rövidebb volt aludni, magasabb aludni szakasz átmeneti dynamics (átmenet a mély alvás fény aludni), talán emiatt a növekedés a mérési hibák. Mindazonáltal ezt a megállapítást nem szabad általánosítani a korcsoportok széles körére, mivel ebben a tanulmányban korlátozott az életkor mintavétele. További vizsgálatokra van szükség az életkornak az eszköz pontosságára gyakorolt hatásának szisztematikus vizsgálatához.

eredményeink kiegészítik a fogyasztói karszalagokról szóló korábbi validációs tanulmányok eredményeit az alvás nyomon követésére általában. A Fitbit Charge 2 kielégítő teljesítményt mutatott a TST és SE mérésében, de továbbra sem képes az alvási szakaszok jó pontossággal történő osztályozására . Eredményeink azt mutatják, hogy a Fitbit Charge 2 alábecsülheti az alvás átmeneti dinamikáját is, ezért óvatosan kell használni. Ez a tanulmány megállapítja, hogy előzetes döntéshozatal iránti kutatók számára, akik szeretnék használni a Fitbit készülék intézkedés aludni színpadon átmenetek a tudományos vizsgálatok, illetve ez a tanulmány azt sugallja, hogy mindkét vélt és objektív alvási szokások is figyelembe kell venni, amikor kiválasztják aludni felügyeleti eszközök.

korlátozások

Ez a vizsgálat a következő korlátozásokra vonatkozik. Először is, a résztvevők egy fiatal, egészséges populációt képviselnek, amely mentes volt alvászavaroktól vagy krónikus betegségektől. Ezért az eredmények nem általánosíthatók idősebb vagy klinikai populációkra. Másodszor, az adatgyűjtési szakasz nem volt hosszanti jellegű, és csak 1 éjszakai alvást elemeztek minden résztvevőtől. Így az eredmények nem számolhatják az intraperszonális variációkat. Harmadszor, az ebben a tanulmányban vizsgált lehetséges befolyásoló tényezők listája nem volt teljes körű, és ezt korlátozott mintavétel befolyásolhatja. További kutatásnak kell kezelni ezeket a korlátozásokat, többek között egy sokszínű népesség, amely adatgyűjtés időtartamát, valamint vizsgálja a hatása más potenciális predictors a készülék pontosságát.

következtetések

bebizonyítottuk, hogy a Fitbit Charge 2 jelentősen alábecsülte az alvási szakasz átmeneti dinamikáját az orvostechnikai eszközhöz képest, és hogy a mérési pontosságot elsősorban az észlelt alvásminőség, az alvásfolytonosság és az SE befolyásolhatja. Annak ellenére, hogy a legújabb fogyasztói Hordható alváskövetők fokozott pontosságának pozitív tendenciája van, fel kell ismerni ezeknek az eszközöknek a korlátozását az alvási szakasz átmeneti dinamikájának felderítésében. Eredménymérési eszközként a Fitbit Charge 2 nem feltétlenül alkalmas az alvási fázisátmenetekkel vagy az egészségügyi döntéshozatallal kapcsolatos kutatási tanulmányokra. A további kutatásoknak arra kell összpontosítaniuk, hogy javítsák ezeknek a fogyasztói karszalagoknak a pontosságát nemcsak a poliszomnográfiai paraméterek mérésében, hanem az alvási szakasz átmeneti dinamikájában is.