Innledning

Viktigheten Av Forbruker Søvn Sporing Enheter

Å Ha nok restorative søvn er viktig for fysisk og psykisk helse . I de senere år har forbruker søvnovervåkingsarmbånd og tilhørende mobiltelefonapper skapt en effektiv måte for enkeltpersoner å forstå personlige søvnmønstre eller forbedre søvnkvaliteten i daglige innstillinger . Disse enhetene er relativt rimelige, enkle å bruke og klare til å kjøpe i forbrukermarkedet. De fleste av forbruker armbånd stole på en lignende mekanisme for klinisk actigrafi som infers våkne og sove sykluser fra lem bevegelse . Nylig lanserte modeller inneholder også andre strømmer av biosignaler, for eksempel hjertefrekvens for å måle søvnstadier. Brukere kan visualisere en hel natts søvn hypnogram (den tidsmessige sekvensen av søvn stadier) og de aggregerte søvnparametere, for eksempel total søvntid (TST) og forholdet mellom hver søvn scenen på et dashbord . Det er økende bevis på at forbruker søvnovervåkingsarmbånd øker bevisstheten om søvnhelsen og har en positiv innvirkning på personlig søvnhygiene, selv om den langsiktige effekten av disse teknologiene ikke er klarlagt . I mellomtiden bruker forskere og klinikere i økende grad forbrukerarmbånd, som Fitbit-enheter, som utfallsmålingsverktøy i forskningsstudier . Sammenlignet med tradisjonell polysomnografi (PSG), Reduserer Fitbit-enheter betydelig tid og monetære kostnader for longitudinell søvndatainnsamling, og de kan gi rik informasjon som ikke var mulig å samle utenfor søvnlaboratorier eller klinikker tidligere. Deltakerne kan bruke enhetene under frie levekår, uten behov for konstant teknisk støtte. Den nye generasjonen Fitbit-enheter kan også muligens overgå klinisk aktigrafi, da de utnytter flere strømmer av biosignaler for søvnstaging, mens aktigrafi kun er i stand til å oppdage våkne og sove på grunnlag av lembevegelse .

Nøyaktighet Av Forbruker Søvn Sporing Enheter

som forbruker søvn overvåking armbånd fortsette å vinne popularitet, deres begrensning i måling nøyaktighet reist store bekymringer på kvaliteten på data samlet inn ved hjelp av disse enhetene . Data av lav kvalitet kan villede brukere til å komme frem til feil konklusjoner av søvnen. I tillegg er datakvalitet av topp prioritet for forskere som har til hensikt å bruke disse enhetene i vitenskapelige studier. Derfor har forståelse for gyldigheten av forbrukersøvnsporere praktisk fordel for både individuelle brukere og for forskningsmiljøet. Som svar på dette behovet har mange studier undersøkt nøyaktigheten av populære søvnsporere sammenlignet med medisinsk utstyr når det gjelder aggregerte søvnmålinger, inkludert TST, våkne etter søvnutbrudd (WASO), søvneffektivitet (SE) og søvnstadier, det vil si lett søvn, dyp søvn og rask øyebevegelse (REM) søvn . Disse studiene viser at de tidligere modellene av forbrukerarmbånd har et vanlig problem med å overvurdere søvn og undervurdere våkne. Nylige modeller, Som Fitbit Charge 2, som er avhengige av multistreams av biosignaler, har tilfredsstillende ytelse ved måling AV TST og SE, men unnlater å produsere nøyaktige resultater ved klassifisering av søvnstadier .SELV om hoveddelen av valideringsstudier har vært dominerende fokusert på polysomnografiske beregninger (F.eks. TST, WASO, følsomhet og spesifisitet), er ytelsen til forbrukerarmbånd i måling av søvnstadieoverganger ukjent. Søvnforskning har vist at søvnstadiumsovergangssannsynligheter omfatter rik informasjon om søvnmønstre, som har blitt ansett som mer effektive enn polysomnografiske parametere for å karakterisere søvnstabilitet . Sleep stage overgang abnormitet er en viktig indikator på søvnforstyrrelser . Noen studier stod også på søvnstadiumsovergangssannsynligheter for å vurdere effekten av behandlingen . Den kliniske betydningen av søvnstadiet overgangsdynamikk antyder nødvendigheten av å inkludere relevante beregninger (søvnstadiumsovergangssannsynligheter) som utfall søvnparametere i valideringsstudier. I Figur 1 presenteres en visualisering av søvnstadiumovergangsdynamikk. Den totale overgangssannsynligheten fra en enkelt stat til andre stater (inkludert opphold i samme tilstand) er alltid 1. Sx→Y representerer overgangssannsynligheten Fra søvnstadiet X Til Y. { X, Y } er avledet fra { W, L, D, r}, som er forkortelser for våkne, lett søvn, dyp søvn og REM søvn. For eksempel betegner sw→r overgangssannsynligheten fra våkne TIL REM-søvn, og sW→W angir sannsynligheten for å holde seg i våkne.

Betydningen av Denne Studien

denne studien hadde som mål å undersøke om den nøyaktig ville måle søvnstadieoverganger (overgangssannsynlighetene mellom waking, light, deep og REM sleep) ved Hjelp Av Fitbit Charge 2. Til tross for de mange valideringsstudiene, er nøyaktigheten av forbrukerarmbånd i måling av søvnstadieovergang ikke undersøkt. Vi undersøkte også faktorene som er knyttet til målefeilene på søvnstadiumsovergangssannsynligheter. Tidligere valideringsstudier på andre typer bærbare enheter fant at enhetens nøyaktighet kunne variere som en funksjon av de underliggende søvnmønstrene, befolkningen studerte, og til og med hvordan målingen ble definert . Langs samme linje valgte vi et sett med uavhengige variabler( mulige prediktorer), inkludert demografiske egenskaper hos deltakerne , subjektiv søvnkvalitet målt ved Pittsburgh Sleep Quality Index (PSQI) og objektiv søvnkvalitet avledet fra medisinske data. De avhengige variablene var de absolutte prosentfeilene I Fitbit Charge 2 på søvnstadiumsovergangssannsynligheter sammenlignet med medisinsk utstyr. Resultatene av denne studien utfyller tidligere valideringsstudier og bidrar til etablering av et helhetlig syn på kapasiteten til forbrukerarmbånd i måling av søvnstruktur under frie levekår. Denne studien etablerer også en foreløpig referanse for forskere som har tenkt Å bruke Fitbit til å måle søvnstadieoverganger og for individuelle brukere som stoler På Fitbit søvndata for å ta helsemessige beslutninger.

Se dette tallet

Metoder

Rekruttering

vi rekrutterte deltakere ved å distribuere plakater rundt campus Av Universitetet I Tokyo. Totalt registrerte 38 personer interesse gjennom Et Nettbasert skjema, hvorav 28 (74%) var kvalifisert til å delta i studien. Inklusjonskriteriene krevde at deltakerne var voksne(alder > 18 år), var fri for diagnostiserte kroniske tilstander, og kunne delta på en briefing før datainnsamlingsfasen. Denne undersøkelsen ble godkjent av den etiske komiteen Ved Universitetet I Tokyo. Alle deltakerne ga informert samtykke.

Studieprosedyrer

en ansikt-til-ansikt briefing ble holdt med hver deltaker individuelt før datainnsamlingsfasen. I dette møtet installerte Vi Fitbit-appen på deltakernes mobiltelefoner og ga muntlige instruksjoner om hvordan du bruker enhetene og hvordan du synkroniserer Fitbit-enheten med mobilappen. Deltakerne ble utstyrt med følgende elementer for datainnsamling: En Fitbit Charge 2, en medisinsk enhet som heter Sleep Scope, elektroder, ladere og manualer. På slutten av orienteringen ble deltakerne bedt om å fylle ut ET PSQI spørreskjema for å måle deres oppfattede søvnkvalitet. PSQI er et mye brukt instrument for å vurdere subjektiv søvnkvalitet i gjennomsnitt de siste 1-månedene, og EN PSQI≥5 indikerer oppfattet dårlig søvn. VI samlet PSQI, da det kan knyttes til målenøyaktigheten Til Fitbit. Flere detaljer om potensielle assosiasjonsfaktorer for målingsnøyaktighet vil bli gitt i neste avsnitt.etter orienteringen målte deltakerne søvnen ved å bruke begge enhetene i 3 påfølgende netter i sine hjem for Å sikre At Fitbit Charge 2 ble evaluert i en økologisk gyldig innstilling. De ble bedt om å bære Fitbit på nondominant håndleddet under datainnsamling. Alle deltakerne mottok en pengepremie da de returnerte enhetene etter datainnsamling.

Datainnsamling

i denne studien samlet vi søvndata samtidig ved Hjelp Av Fitbit Charge 2 og en medisinsk enhet. Fitbit Charge 2 (Fitbit Inc) er en bærbar aktivitet armbånd med en innebygd triaxial akselerometer. Den estimerer søvnstadier for hver 30 sekunders periode ved å integrere en brukers bevegelses-og hjertefrekvensdata. Med fremskritt innen programvare og maskinvare Har Fitbit Charge 2 overvunnet noen problemer med tidligere modeller, og Det er i stand til å måle TST og SE med god nøyaktighet . En medisinsk søvn monitor kalt Sleep Scope (Sleep Well Co) ble brukt til å få bakken sannheten på søvn hypnograms. Søvnomfang er et klinisk gradert enkanals elektroencefalogram (Japansk Medisinsk Utstyrssertifisering 225ADBZX00020000), som ble validert mot PSG (avtale=86,9%, gjennomsnittlig Cohen Kappa-verdi =0,75). Søvnomfang ble valgt over PSG da det muliggjorde datainnsamling i deltakernes hjem i stedet for i et søvnlaboratorium. Dette sikrer At Fitbit Charge 2 ble evaluert i en økologisk gyldig innstilling; dette sikrer også minimalisering av mulig forstyrrelse av søvn ved ukjent miljø.

i datainnsamlingsfasen spores deltakerne søvn i 3 påfølgende netter i deres hjem. Etter vanlig praksis i søvnvitenskap analyserte vi den andre natten for hver deltaker for å fjerne den første natteffekten . Hvis dataene fra den andre natten ikke var gyldige, ble dataene fra den tredje natten analysert. Dataene fra den første natten ble bare valgt når verken den andre natten eller den tredje natten var gyldig.Fitbit sleep data ble hentet gjennom application program interface (API) Av Fitbit. Fitbit Charge 2 gir søvndata på 2 nivåer gjennom offentlig API. Scenenivådataene omfatter søvnstadier, inkludert våkne, lett søvn, dyp søvn og REM-søvn. Disse dataene aggregeres ved 30 sekunders granularitet, som er i samsvar med standard søvnstadering i klinisk setting. Hvis scenenivådataene ikke er tilgjengelige, vil de klassiske nivådataene bli gitt som et alternativ. Klassiske nivådata omfatter søvnmønsternivåer, inkludert søvn, rastløs og våken, og de aggregeres med en grovere granularitet på 60 sekunder. I denne studien var vi interessert i scenenivå søvndata, og de klassiske nivådataene ble kassert, da de ikke inneholdt informasjon om dyp søvn, lett søvn og REM-søvn.Dataene fra det medisinske utstyret ble analysert Av Sleep Well-Selskapet, ved hjelp av proprietære automatiske scoringsalgoritmer, etterfulgt av epoke-for-epoke visuell inspeksjon av spesialister på grunnlag av etablerte standarder , og korreksjoner ble lagt til om nødvendig. Fitbit-data og medisinske data ble synkronisert for å sikre at starttiden var justert.

for å undersøke effekten av brukerspesifikke faktorer på målenøyaktighet, samlet vi også inn data om faktorene som er oppført I Tabell 1. Alder og kjønn var basert på selvrapportering, OG PSQI ble målt ved PSQI spørreskjemaet . Søvnkvalitetsmålinger ble alle avledet fra medisinske data.

Statistisk Analyse

det overordnede målet med analysen var todelt. Vi hadde som mål å undersøke nøyaktigheten Av Fitbit Charge 2 i måling av søvnstadieoverganger sammenlignet med en medisinsk enhet. Vi var også interessert i sammenslutningene av brukerspesifikke faktorer med målenøyaktigheten Til Fitbit Charge 2. Alle statistiske signifikansnivåer rapportert var 2 sidige, og statistisk analyse ble utført ved Hjelp av r statistisk programvareversjon 3.5.3 (R Foundation).

først ble beskrivende statikk av søvnparametere avledet fra medisinske data. Parret 2-tailed t-test ble brukt til å undersøke om det var statistisk signifikante forskjeller på søvnmønster mellom menn og kvinner, samt mellom deltakere under 25 år og over 25 år. For det andre ble overgangssannsynlighetene for søvnstadier beregnet ved å dele antall overganger fra en bestemt søvntilstand til en bestemt søvntilstand med det totale antall overganger fra den spesifikke tilstanden til alle søvntilstander (inkludert opphold i samme tilstand). Som vist I Figur 2 er { X, Y og B } avledet fra { W, L, D og R } og nX→Y Er antall overganger Fra søvnstadiet X Til Y under en hel natts søvn. W, L, D og R er forkortelsene for våkne, lett søvn, dyp søvn og REM søvn. Sleep stage transition sannsynligheter ble beregnet Ut Fra Fitbit data og medisinske data for hver deltaker og deretter gjennomsnittlig over hele kohorten for å oppnå gjennomsnittlig søvnstadium overgang sannsynligheter. Systematisk forskjell mellom 2-enhetene ble vurdert ved å bruke parret t-test på søvnstadiet overgangssannsynligheter. En P-verdi nedenfor .05 ble vurdert som statistisk signifikant. Nivået på avtalen mellom 2 enheter ble undersøkt ved Hjelp Av Bland-Altman-plottene .

Se denne figuren

Se denne figuren

den absolutte prosentfeilen eX→Y ble beregnet ved hjelp av ligningen i Figur 3, hvor { X, Y Og B } er avledet fra { W, L, D og r}, sFX→Y Og sMX→Y Er overgangssannsynligheten Fra søvnstadium X Til Y, avledet Fra Fitbit-data og medisinske data.

for å undersøke effekten av brukerspesifikke faktorer på absolutt prosentfeil ble datasettet delt inn i 2 undergrupper i henhold til grenseverdiene oppført i Tabell 1. Wilcoxon signed-rank test ble utført for å undersøke om det var signifikante forskjeller mellom de 2 delmengdene når det gjelder utfallet søvn beregninger (sleep stage transition sannsynligheter). Utvalget av grenseverdier var i tråd med litteraturen i søvnvitenskap .

Resultater

Beskrivende Statistikk

totalt 28 unge voksne uten kroniske sykdommer deltok i studien. Totalt 5 deltakere ble ekskludert fra analyse på grunn av manglende oppnåelse av scenenivå søvndata med Fitbit. Det vil si at bare klassisk nivå søvndata ble hentet fra disse deltakerne; dataene hadde ingen informasjon om lys, dyp og rem søvn. Derfor var det ikke mulig å beregne søvnstadiumsovergangssannsynligheter for disse deltakerne. Det endelige datasettet omfatter dermed søvndata fra 23 deltakere (menn:kvinner=14:9). Dette antall deltakere er sammenlignbare med andre valideringsstudier . Alle deltakerne var universitetsstudenter mellom 21 og 30 år (gjennomsnittlig 24,3, SD 2,7). Totalt 8 av de 23 deltakerne hadde EN PSQI høyere enn 5, noe som indikerte utilfreds søvnkvalitet. Statistisk signifikante forskjeller ble funnet mellom menn og kvinner når det gjelder våkentid (kvinner: 9,7 min; menn: 22,8 min; P=.02) og forholdet mellom søvn stadium 1 (kvinner: 7,7 (%); menn: 14,3 (%); P=.02). Vi sammenlignet også søvnmønstrene mellom deltakerne under og over 25 år. Statistisk signifikante forskjeller ble funnet I FORM AV TST (under 25 år: 308,7 min; over 25 år: 396,8 min; P=.03), overgang sannsynlighet fra dyp søvn til lett søvn (under 25 år: 5,5%; over 25 år: 1,5%; P=.02), og sannsynligheten for å bo i lett søvn (under 25 år: 85,3 (%); over 25 år: 94,8 (%); P=.008).

Systematiske Forskjeller

Tabell 2 presenterer estimerte søvnstadiumsovergangssannsynligheter avledet fra medisinske data og Fitbit-data, samt resultatene av parret t-test. Vi beregnet søvnstadiumsovergangssannsynligheter individuelt for hver deltaker og deretter gjennomsnittlige resultater over hele kohorten. Det er vist at følgende overganger sjelden skjedde: dyp søvn TIL REM søvn og våkne, lett søvn TIL REM søvn, REM søvn til dyp søvn, OG REM søvn til lett søvn. T-testresultatene indikerte at det var signifikante forskjeller mellom søvnstadiumovergangssannsynlighetene målt Av Fitbit og de som ble målt av medisinsk utstyr. Fitbit avvek fra det medisinske utstyret på alle overgangssannsynlighetene, bortsett fra overgangssannsynligheten fra lett søvn TIL REM søvn (sFL→r = 0.9%; sML→r =1.7%), overgangssannsynligheten Fra dyp søvn til våken (sFD→w = sMD→w =0.2%), og sannsynligheten for å bli i REM-søvnstadiet (sFR→r = sMR→r = 96,9%). Generelt undervurderte Fitbit søvnstadiet overgangsdynamikk. Sannsynlighetene for å bo i et bestemt søvnstadium ble betydelig overvurdert, mens sannsynlighetene for overganger fra et bestemt stadium til et annet stadium for det meste ble undervurdert.

Nivå Av Avtale og Korrelasjoner

Tall 4-6 viser Bland-Altman tomter sammenligne Fitbit Charge 2 med medisinsk utstyr. Enhetsavvik for søvnutfall er plottet som en funksjon av de medisinske utfallene for hver enkelt person. Gjennomsnittlig skjevhet varierte fra 0% (sr→r og sD→w) til omtrent 60% (sL→d). Ikke mer enn 2 deltakere var plassert utenfor den nedre grensen for avtalen eller den øvre grensen for avtalen.

i tråd med tidligere studier definerte vi det akseptable feilområdet som ei ≤5%, da dette tilsvarer en allment akseptabel standard for statistisk signifikans i litteraturen . På grunnlag av dette kriteriet, ingen systematisk skjevhet ble funnet mellom Fitbit og det medisinske utstyret for måling av sW→L, sv→R, sL→R, sD→W, sR→L, sR→D, og sR→R.

Figur 4 viser at ingen trend ble funnet mellom forskjell og gjennomsnittet av sR→L, sL→R og sR→R. I kontrast, Figur 5 og Figur 6 viser klar trend at målingen forskjellene var større for lavere sL→L, sD – →D, og sW→W, og forskjellene var større for høyere sW→L,sv→R, sv→D, sL→W, sL→D, sD→W, sD→L, sD – →R, sR→W, og sR→D. Disse funnene tyder på at nøyaktigheten av Fitbit Lade 2 måling av søvn scene overganger kan bli forverret som søvn ble mer dynamisk (mer overganger mellom forskjellige sleep stadier).

Vis denne figuren

Se denne figuren

Se dette tallet

Effekt Av Brukerspesifikke Faktorer

resultatene Av Wilcoxon signed-rank test viste at god subjektiv søvnkvalitet indikert AV PSQI som lavere enn 5 var assosiert med reduserte feil i sannsynligheten for å bo i dyp søvn stadium (PSQI<5, 132.1±173,1%; Psqi≥5, 346,8±250,0%; p=.04), men det var forbundet med økte feil i overgangssannsynlighet fra å våkne TIL rem-søvn (PSQI< 5, 100.0±0.0%; PSQI≥5, 85.1±25.5%; P=.02).

Vekketid lengre enn 30 min var forbundet med økte feil i overgangssannsynlighet fra lett søvn TIL REM søvn (WASO≥30, 265.8±176.5; WASO<30, 103.9±49.1%; P=.02), men det var forbundet med reduserte feil i overgangssannsynlighet fra lett søvn til å våkne (WASO≥30, 78.6±10.2%; WASO<30, 86.7±8.6%; P=.049), samt sannsynligheten for å bo i kjølvannet (WASO≥30, 117.3±269.5%; WASO<30, 125.2±103.6%; P=.006).

SE over 90% var assosiert med økte målefeil i overgangssannsynlighet fra REM-søvn til lett søvn (SE > 90 107,1±53,2%; SE≤90%, 55,9±40,4%; P=.047).

i tillegg er alder under 25 år (alder<25, 7.9±5.4%; alder≥25, 3.1±2.3%; P=.01), ventetid ved innsovning (SOL) kortere enn 30 min (SOL<30, 8.6±5.8%; SOL≥30, 4.1±3.4%; P=.02), og dyp søvn ratio over 20% (langsom bølge søvn; SWS<20%, 3.9±3.5%; SWS≥20, 9.5±5.2; P=.007) var assosiert med liten økt målefeil i sannsynligheten for å holde seg i lett søvnstadium. Likevel var de gjennomsnittlige feilene ikke mer enn 10% i alle tilsvarende tilfeller.Ingen signifikante sammenhenger ble funnet mellom målefeil Av Fitbit og andre faktorer, inkludert kjønn, TST, SOL, lett søvnforhold, rem søvnforhold og Tavg.

Diskusjon

Hovedfunn

Vi har vist en numerisk sammenligning av søvnstadiumsovergangssannsynligheter mellom Fitbit Charge 2 og medisinsk utstyr. Nivået og grensene for avtalen mellom 2 typer enheter ble illustrert Ved Hjelp Av Bland-Altman tomter. Resultatene Av Wilcoxon signed-rank test ble presentert for å demonstrere sammenhenger mellom brukerspesifikke faktorer og målefeil. Denne studien genererte 2 hovedfunn. Først fant Vi At Fitbit Charge 2 undervurderte søvnstadiumovergangsdynamikk sammenlignet med medisinsk utstyr. For det andre var enhetens nøyaktighet hovedsakelig knyttet til 3 brukerspesifikke faktorer: subjektiv søvnkvalitet målt AV PSQI, WASO og SE.Søvnstadiumovergangsanalyse har blitt brukt til å karakterisere søvnkontinuitet og temporal stabilitet av ikke-REM og REM bouts i søvnvitenskap . I denne studien viste søvnstadiet overgangssannsynligheter avledet fra medisinske data interessante mønstre. Som forventet var sannsynligheten for at et søvnstadium skulle forbli i samme stadium stadig høyere enn for dette stadiet å bytte til et annet stadium. Direkte overgang mellom dyp søvn og REM søvn skjedde sjelden. Sannsynligheten for overgang fra våkne til dyp søvn eller fra våkne TIL rem søvn var lav. På samme måte var sannsynligheten for overgang fra dyp søvn til å våkne også lav. Disse egenskapene var i samsvar med funn rapportert i tidligere søvnstudier på søvnstadiumovergangsmønstre hos friske mennesker .Søvnstadieovergang Er resultatet av komplekse interaksjoner mellom mange hjernegrupper. Ikke å kunne oppdage markører i hjernebølger, for eksempel k-komplekser , forbrukerarmbånd har begrenset ytelse i å klassifisere søvnstadier. Tidligere studier viser At Fitbit Charge 2-enheter betydelig overvurderte lett søvn og undervurderte dyp søvn når de ble validert i laboratorieinnstillinger, mens de undervurderte dyp søvn og overvurdert lys og REM-søvn når de ble validert under frie levekår . Denne studien utfyller tidligere funn og bidrar med ny innsikt I Fitbits kapasitet til å fange søvnstadieoverganger. Samlet sett observerte Vi At Fitbit Charge 2 vesentlig avviket fra det medisinske utstyret ved måling av søvnstadiumovergangsdynamikk. Spesielt var de gjennomsnittlige sannsynlighetene for å holde seg i våkne og dype scenen målt Av Fitbit betydelig høyere enn de som ble målt av medisinsk utstyr. I kontrast undervurderte Fitbit sannsynlighetene for sceneoverganger fra lett søvn til å våkne og fra lett søvn til dyp søvn. Dette er trolig på grunn av feilklassifisering av våkne og dype søvnepoker til lett søvn . Systematisk bias (mellom 40% og 60%) ble illustrert I Bland-Altman-plottene på disse søvnstadieovergangssannsynlighetene. På den annen side ble det ikke observert systematisk skjevhet og gjennomsnittlig forskjell i å måle sannsynligheten for å bo i REM-søvnstadiet. Dette resultatet gir utfyllende bevis på funnet I studien Av De Zambotti et al at Fitbit Charge 2 godt var enig i medisinsk utstyr for å oppdage rem-søvn.et unikt aspekt ved denne studien er at vi også undersøkte effekten av brukerspesifikke faktorer og fant flere assosiasjoner. Vår analyse viste at subjektiv søvnkvalitet målt VED PSQI, våkne etter WASO og SE var signifikant sterke prediktorer for målefeil i søvnstadiumsovergangssannsynligheter. Alder, SOL og dyp søvnforhold var signifikante, men svake prediktorer, mens kjønn, tst, lett søvnforhold, REM-søvnforhold og gjennomsnittlig søvnsyklus ikke var forbundet med målefeilene Til Fitbit.Til Tross for funn fra tidligere valideringsstudier at dårlig søvnkvalitet er forbundet med forverret ytelse av søvnovervåkingsenheter ved måling av polysomnografiske søvnmålinger , viser denne studien at forholdet er mer komplisert mellom søvnkvalitet og enhetsnøyaktighet ved måling av søvnstadieoverganger. Faktisk fant vi at god subjektiv søvnkvalitet (PSQI < 5) var assosiert med redusert målefeil i sannsynligheten for å bo i dyp søvnstadium, og mindre fragmentert søvn (WASO<30 min) var assosiert med reduserte feil i overgangssannsynlighet fra lett søvn TIL REM-søvn. Likevel er det også funnet at god søvn preget av rask søvnutbrudd (SOL<30 min), høyt forhold på dyp søvn (SWS>20%), god subjektiv følelse (PSQI<5), korte oppvåkninger (WASO<30 min), og høy se (se>90%) var assosiert med økte målefeil i ulike utfall overgang sannsynligheter. Dette resultatet motsier tidligere funn på aktigrafi som forverret søvn (f .eks. Denne forskjellen antyder at funn relatert til klinisk aktigrafi ikke bør generaliseres til forbrukerarmbånd uten ytterligere validering.

i tillegg ble alder funnet å være en signifikant, men svak prediktor for målefeil. Deltakere i aldersgruppen 25 til 30 hadde redusert målefeil i sannsynligheten for å bo i lett søvnstadium sammenlignet med de yngre enn 25 år. Ettersom alder har blitt anerkjent som en viktig faktor som endrer søvnmønstre, kan effekten av alder også spores tilbake til forskjellen i underliggende søvnmønstre. De medisinske søvndataene viste at yngre deltakere generelt hadde kortere søvn og høyere søvnstadiumovergangsdynamikk (overgang fra dyp søvn til lett søvn), noe som kan utgjøre økningen i målefeil. Likevel bør dette funnet ikke generaliseres til et bredt spekter av aldersgrupper på grunn av begrenset utvalg av alder i denne studien. Videre studier er nødvendig for å systematisk undersøke effekten av alder på enhetens nøyaktighet.

våre funn utfyller de av tidligere valideringsstudier på forbrukerarmbånd for søvnsporing generelt. Fitbit Charge 2 har vist tilfredsstillende ytelse ved måling AV TST og SE, men det er fortsatt ikke i stand til å klassifisere søvnstadier med god nøyaktighet . Våre funn viser At Fitbit Charge 2 også kan undervurdere søvnovergangsdynamikk, og den bør derfor brukes med forsiktighet. Denne studien etablerer en foreløpig referanse for forskere som har tenkt å bruke Fitbit-enheten til å måle søvnstadieoverganger i vitenskapelige studier, og denne studien antyder at både oppfattede og objektive søvnmønstre må vurderes når man velger søvnovervåkingsverktøy.

Begrensninger

denne studien er underlagt følgende begrensninger. For det første representerer deltakerne en ung sunn befolkning som var fri for søvnforstyrrelser eller kroniske sykdommer. Resultatene kan derfor ikke generaliseres til eldre eller kliniske populasjoner. For det andre var datainnsamlingsfasen ikke langsgående i naturen, og bare 1 natts søvn fra hver deltaker ble analysert. Dermed kan resultatene ikke telle intrapersonelle variasjoner. For det tredje var listen over potensielle påvirkningsfaktorer undersøkt i denne studien ikke uttømmende, og den kan påvirkes av begrenset prøvetaking. Videre forskning bør adressere disse begrensningene ved å inkludere en mangfoldig populasjon, utvide datainnsamlingens varighet og undersøke effekten av andre potensielle prediktorer for enhetens nøyaktighet.

Konklusjoner

Vi har vist at Fitbit Charge 2 signifikant undervurderte overgangsdynamikken i søvnstadiet sammenlignet med det medisinske utstyret, og at målenøyaktigheten hovedsakelig kunne påvirkes av oppfattet søvnkvalitet, søvnkontinuitet og SE. Til tross for den positive trenden med økt nøyaktighet for de nyeste forbrukernes bærbare søvnsporere, må begrensningen av disse enhetene for å oppdage søvnstadiumovergangsdynamikk gjenkjennes. Som et utfallsmålingsverktøy Kan Fitbit Charge 2 ikke være egnet for forskningsstudier relatert til søvnstadieoverganger eller for beslutningstaking i helsevesenet. Videre forskning bør fokusere på å øke nøyaktigheten av disse forbrukerarmbåndene i å måle ikke bare polysomnografiske parametere, men også søvnstadiumovergangsdynamikk.