Inleiding

belang van Consumer Sleep Tracking Devices

voldoende herstellende slaap hebben is essentieel voor de lichamelijke en geestelijke gezondheid . In de afgelopen jaren hebben consumentenpolsbandjes voor slaapbewaking en bijbehorende apps voor mobiele telefoons een effectieve manier gecreëerd om persoonlijke slaappatronen te begrijpen of de slaapkwaliteit in de dagelijkse omgeving te verbeteren . Deze apparaten zijn relatief betaalbaar, gemakkelijk te gebruiken en klaar om te kopen in de consumentenmarkt. De meeste van de consument polsbandjes vertrouwen op een soortgelijk mechanisme van klinische actigrafie dat leidt wake en slaap cycli van ledemaat beweging . Nieuw gelanceerde modellen bevatten ook andere stromen van biosignalen, zoals hartslag om slaapstadia te meten. Gebruikers kunnen een hele nacht slaap hypnogram (de tijdsvolgorde van slaapstadia) en de geaggregeerde slaapparameters visualiseren, zoals de totale slaaptijd (TST) en de verhouding van elke slaapstadia op een dashboard . Er zijn steeds meer aanwijzingen dat consumenten polsbandjes voor slaapmonitoring het bewustzijn van de gezondheid van de slaap verhogen en een positief effect hebben op de persoonlijke slaaphygiëne , hoewel de langetermijneffecten van deze technologieën nog niet zijn opgehelderd . In de tussentijd nemen onderzoekers en clinici steeds meer polsbandjes voor consumenten aan, zoals Fitbit-apparaten, als outcome measurement tools in onderzoeken . In vergelijking met traditionele polysomnografie (PSG), Fitbit apparaten aanzienlijk verminderen de tijd en de monetaire kosten voor longitudinale slaap gegevens verzamelen, en ze konden rijke informatie die niet mogelijk was om buiten slaap laboratoria of klinieken in het verleden te verzamelen. Deelnemers kunnen de apparaten gebruiken onder vrije leefomstandigheden, zonder de noodzaak van constante technische ondersteuning. De nieuwe generatie Fitbit-apparaten kan mogelijk ook beter presteren dan klinische actigrafie, omdat ze meerdere biosignalen gebruiken voor slaapstadiering, terwijl actigrafie alleen wake en sleep kan detecteren op basis van beweging van ledematen .

nauwkeurigheid van apparaten voor het bijhouden van de slaap van de consument

aangezien polsbandjes voor het bewaken van de slaap van de consument aan populariteit blijven winnen, deed hun beperking in meetnauwkeurigheid grote bezorgdheid rijzen over de kwaliteit van de gegevens die met deze apparaten worden verzameld . Gegevens van lage kwaliteit kunnen gebruikers misleiden om tot verkeerde conclusies van hun slaap te komen. Daarnaast is de kwaliteit van de gegevens van de hoogste prioriteit voor onderzoekers die van plan zijn om deze apparaten te gebruiken in wetenschappelijke studies. Daarom, het begrijpen van de geldigheid van de consument slaap trackers heeft praktisch voordeel voor zowel individuele gebruikers als voor de onderzoeksgemeenschap. In antwoord op deze behoefte, hebben vele studies de nauwkeurigheid van populaire slaap trackers vergeleken met medische apparaten in termen van geaggregeerde slaapmetrics onderzocht, met inbegrip van TST, wake after sleep onset (WASO), sleep efficiency (SE), en slaapstadia, dat wil zeggen, lichte slaap, diepe slaap, en snelle oogbeweging (REM) slaap . Deze studies tonen aan dat de vorige modellen van consumenten polsbandjes hebben een gemeenschappelijk probleem van het overschatten van slaap en onderschatting wake. Recente modellen, zoals Fitbit Charge 2, Die vertrouwen op multistreams van biosignalen, leveren bevredigende prestaties bij het meten van TST en SE, maar leveren geen nauwkeurige resultaten bij het classificeren van slaapstadia .

hoewel het belangrijkste orgaan van validatiestudies voornamelijk gericht is geweest op polysomnografische metrics (bijv. TST, WASO, gevoeligheid en specificiteit), blijft de prestatie van polsbandjes voor consumenten bij het meten van slaapstadiumovergangen onbekend. Het slaaponderzoek heeft aangetoond dat de waarschijnlijkheid van de overgang van het slaapstadium rijke informatie van slaappatronen omvatten, die efficiënter dan polysomnographic parameters in het karakteriseren van slaapstabiliteit zijn beschouwd . Slaap stadium overgang afwijking is een belangrijke indicator van slaapstoornissen . Sommige studies vertrouwden ook op slaapstadiumovergang waarschijnlijkheden om het effect van behandeling te beoordelen . De klinische significantie van de dynamiek van de slaapfase van de overgang suggereert de noodzaak van het opnemen van relevante metrics (slaapfase van de overgang waarschijnlijkheden) als uitkomst slaap parameters in validatiestudies. In Figuur 1 wordt een visualisatie van de slaapstagetransitiedynamiek gepresenteerd. De totale kans op overgang van een enkele staat naar andere staten (inclusief verblijf in dezelfde staat) is altijd 1. De SX→Y vertegenwoordigt de kans op overgang van slaapstadium X naar Y. De { X, Y } zijn afgeleid van { W, L, D, R }, wat afkortingen zijn voor wake, light sleep, deep sleep en REM sleep. Bijvoorbeeld, sW→R staat voor de kans op overgang van wake naar REM slaap, en sW→W staat voor de kans om in wake te blijven.

significantie van deze studie

deze studie was bedoeld om te onderzoeken of het slaapstadiumovergangen (de kans op overgang tussen wakende, lichte, diepe en REM-slaap) nauwkeurig zou meten met behulp van Fitbit Charge 2. Ondanks de overvloedige validatiestudies is de nauwkeurigheid van polsbandjes voor consumenten bij het meten van slaapstageovergang niet onderzocht. We onderzochten ook de factoren die geassocieerd zijn met de meetfouten op slaapstage overgang waarschijnlijkheid. Eerdere validatiestudies over andere soorten draagbare apparaten toonden aan dat de nauwkeurigheid van het apparaat kon variëren als functie van de onderliggende slaappatronen, de bestudeerde populatie en zelfs hoe de meting werd gedefinieerd . In dezelfde lijn selecteerden we een reeks onafhankelijke variabelen (mogelijke voorspellers), waaronder demografische kenmerken van deelnemers, subjectieve slaapkwaliteit gemeten door middel van de Pittsburgh Sleep Quality Index (PSQI) en objectieve slaapkwaliteit afgeleid van medische gegevens. De afhankelijke variabelen waren het absolute percentage fouten van Fitbit Charge 2 op slaap fase overgang waarschijnlijkheid in vergelijking met het medische apparaat. De resultaten van deze studie vormen een aanvulling op eerdere validatiestudies en dragen bij aan de totstandkoming van een holistische kijk op de capaciteit van polsbandjes voor consumenten om de slaapstructuur onder vrije leefomstandigheden te meten. Deze studie stelt ook een voorlopige referentie vast voor onderzoekers die Fitbit willen gebruiken om slaapstadiumovergangen te meten en voor individuele gebruikers die op Fitbit slaapgegevens vertrouwen om gezondheidsbeslissingen te nemen.

View this figure

Methods

werving

We rekruteerden deelnemers door posters te verspreiden op de campus van de Universiteit van Tokio. In totaal registreerden 38 mensen interesse via een web-based formulier, van wie 28 (74%) in aanmerking kwamen om deel te nemen aan de studie. De inclusiecriteria vereisten dat de deelnemers volwassenen waren (leeftijd>18 jaar), vrij waren van gediagnosticeerde chronische aandoeningen en in staat waren een briefing bij te wonen vóór de gegevensverzamelingsfase. Dit onderzoek werd goedgekeurd door de ethische commissie van de Universiteit van Tokio. Alle deelnemers verstrekten geïnformeerde toestemming.

Studieprocedures

vóór de gegevensverzamelingsfase werd een persoonlijke briefing gehouden met elke deelnemer afzonderlijk. Tijdens deze bijeenkomst installeerden we de Fitbit-app op de mobiele telefoons van de deelnemers en gaven we mondelinge instructies over hoe de apparaten te gebruiken en hoe het Fitbit-apparaat te synchroniseren met de mobiele telefoon-app. Deelnemers werden voorzien van de volgende items voor het verzamelen van gegevens: een Fitbit Charge 2, een medisch apparaat genaamd Sleep Scope, elektroden, opladers en handleidingen. Aan het einde van de briefing werd de deelnemers gevraagd een PSQI-vragenlijst in te vullen om hun waargenomen slaapkwaliteit te meten. De PSQI is een veel gebruikt instrument voor het beoordelen van subjectieve slaapkwaliteit gemiddeld over de afgelopen 1 maand, en een PSQI≥5 is een indicatie van waargenomen slechte slaap. We hebben de PSQI verzameld, omdat deze kan worden geassocieerd met de meetnauwkeurigheid van Fitbit. Meer details over mogelijke associatie factoren van meetnauwkeurigheid zal worden verstrekt in de volgende sectie.

na de briefing hebben de deelnemers hun slaap gemeten met beide apparaten gedurende 3 opeenvolgende nachten in hun huis om er zeker van te zijn dat Fitbit Charge 2 werd geëvalueerd in een ecologisch geldige setting. Ze werden gevraagd om de Fitbit op de niet-dominante pols te dragen tijdens het verzamelen van gegevens. Alle deelnemers kregen een geldelijke beloning toen ze de apparaten terugstuurden na het verzamelen van gegevens.

gegevensverzameling

in deze studie verzamelden we slaapgegevens gelijktijdig met behulp van Fitbit Charge 2 en een medisch hulpmiddel. Fitbit Charge 2 (Fitbit Inc) is een draagbare activiteit polsbandje met een ingebouwde triaxiale versnellingsmeter. Het schat slaapstadia voor elke 30 tweede periode door het integreren van een gebruiker beweging en hartslag gegevens. Met de vooruitgang in software en hardware, Fitbit Charge 2 heeft een aantal problemen van eerdere modellen te overwinnen, en het is in staat om TST en SE te meten met een goede nauwkeurigheid . Een medische slaapmonitor genaamd Sleep Scope (Sleep Well Co) werd gebruikt om de waarheid over slaaphypnogrammen te verkrijgen. Sleep Scope is een klinisch enkelkanaals elektro-encefalogram (Japanse certificering voor medische hulpmiddelen 225ADBZX00020000), dat werd gevalideerd tegen PSG (overeenkomst=86,9%, gemiddelde Cohen Kappa-waarde =0,75) . Slaapscope werd gekozen boven PSG omdat het het verzamelen van gegevens mogelijk maakte in de huizen van de deelnemers in plaats van in een slaaplaboratorium. Dit zorgt ervoor dat Fitbit Charge 2 werd geëvalueerd in een ecologisch geldige setting; dit zorgt ook voor het minimaliseren van de mogelijke verstoring van de slaap door onbekende omgeving.

tijdens de gegevensverzamelingsfase volgden de deelnemers hun slaap gedurende 3 opeenvolgende nachten bij hen thuis. Volgens de gangbare praktijk in slaapwetenschap analyseerden we de tweede nacht voor elke deelnemer om het eerste nachteffect te verwijderen . Als de gegevens van de tweede nacht niet geldig waren, werden de gegevens van de derde nacht geanalyseerd. De gegevens van de eerste nacht werden alleen geselecteerd wanneer noch de tweede noch de derde nacht geldig was.

Fitbit-slaapgegevens werden opgehaald via de application program interface (API) van Fitbit. Fitbit Charge 2 biedt slaapgegevens op 2 niveaus via openbare API. De fase niveau gegevens omvatten slaap fase niveaus, met inbegrip van wake, lichte slaap, diepe slaap, en REM slaap. Deze gegevens worden geaggregeerd bij 30 seconden granulariteit, die voldoet aan de standaard slaapstadiering in de klinische setting. Als de fase niveau gegevens niet beschikbaar zijn, zullen de klassieke niveau gegevens worden verstrekt als een alternatief. Klassieke niveau gegevens omvatten slaap patroon niveaus, met inbegrip van Slapen, rusteloos, en wakker, en ze worden samengevoegd op een grovere granulariteit van 60 seconden. In deze studie waren we geïnteresseerd in de slaapgegevens op het niveau van het stadium, en de klassieke gegevens op het niveau werden weggegooid, omdat ze geen informatie bevatten over diepe slaap, lichte slaap en REM-slaap.

de gegevens van het medische hulpmiddel werden geanalyseerd door de Sleep Well Company, met behulp van eigen automatische scoringsalgoritmen, gevolgd door een epoch-by-epoch visuele inspectie door specialisten op basis van vastgestelde normen , en indien nodig werden correcties toegevoegd. Fitbit-gegevens en medische gegevens werden gesynchroniseerd om ervoor te zorgen dat de starttijd werd uitgelijnd.

om het effect van gebruikersspecifieke factoren op de meetnauwkeurigheid te onderzoeken, hebben we ook gegevens verzameld over de in Tabel 1 vermelde factoren. Leeftijd en geslacht waren gebaseerd op zelfrapportage en de PSQI werd gemeten met behulp van de psqi-vragenlijst . De gegevens over de slaapkwaliteit zijn allemaal afgeleid van de medische gegevens.

statistische analyse

het algemene doel van de analyse was tweeledig. We wilden de nauwkeurigheid van Fitbit Charge 2 onderzoeken bij het meten van slaapstageovergangen in vergelijking met een medisch apparaat. We waren ook geïnteresseerd in de associaties van gebruikersspecifieke factoren met de meetnauwkeurigheid van Fitbit Charge 2. Alle gerapporteerde statistische significantieniveaus waren tweezijdig, en statistische analyse werd uitgevoerd met behulp van R statistical software versie 3.5.3 (the R Foundation).

ten eerste werden beschrijvende statica van slaapparameters afgeleid van de medische gegevens. Gepaarde 2-tailed t-test werd gebruikt om na te gaan of er statistisch significante verschillen waren in slaappatronen tussen mannen en vrouwen, evenals tussen deelnemers jonger dan 25 jaar en ouder dan 25 jaar. In de tweede plaats werden de waarschijnlijkheid van de slaapfase-overgang berekend door het aantal overgangen van een specifieke slaapstaat naar een specifieke slaapstaat te delen door het totale aantal overgangen van die specifieke toestand naar alle slaapstaten (inclusief verblijf in dezelfde toestand). Zoals getoond in Figuur 2, zijn { X, Y, en B } afgeleid van { W, L, D, en R } en NX→Y is het aantal overgangen van slaapfase X naar Y gedurende een hele nachtrust. De W, L, D en R zijn de afkortingen voor wake, light sleep, deep sleep en REM sleep. De waarschijnlijkheid van de slaapfase-overgang werd berekend op basis van Fitbit-gegevens en medische gegevens voor elke deelnemer en vervolgens over het hele cohort gemiddeld om de gemiddelde waarschijnlijkheid van de slaapfase-overgang te verkrijgen. Systematisch verschil tussen de 2 apparaten werd beoordeeld door het toepassen van gepaarde t-test op de slaap fase overgang waarschijnlijkheid. Een P-waarde hieronder .05 werd statistisch significant geacht. Het niveau van overeenstemming tussen 2 apparaten werd onderzocht met behulp van de Bland-Altman percelen .

View this figure

bekijk deze figuur

de absolute procentfout eX→Y werd berekend met behulp van de vergelijking in Figuur 3, waar { X, Y, en B } zijn afgeleid van { W, L, D, en R }, sFX→Y en sMX→Y zijn de kans op overgang van slaapfase X naar Y, afgeleid van Fitbit-gegevens en medische gegevens.

om het effect van gebruikersspecifieke factoren op de absolute procentuele fout te onderzoeken, werd de dataset onderverdeeld in twee subsets volgens de in Tabel 1 vermelde drempelwaarden. Wilcoxon signed-rank test werd uitgevoerd om te onderzoeken of er significante verschillen tussen de 2 subsets in termen van de uitkomst slaap metrics (slaap fase overgang waarschijnlijkheid). De selectie van cut-off drempelwaarden was in overeenstemming met de literatuur in de slaapwetenschap .

resultaten

beschrijvende statistieken

in totaal namen 28 jongvolwassenen zonder chronische ziekten deel aan het onderzoek. Een totaal van 5 deelnemers werden uitgesloten van de analyse vanwege het niet verkrijgen van fase niveau slaap gegevens met Fitbit. Dat wil zeggen, alleen klassieke niveau slaap gegevens werden verkregen van deze deelnemers; de gegevens hadden geen informatie over licht, diep, en REM slaap. Daarom was het niet mogelijk om de kans op slaapstageovergang voor deze deelnemers te berekenen. De definitieve dataset bevat dus slaapgegevens van 23 deelnemers (mannen:vrouwen=14:9). Dit aantal deelnemers is vergelijkbaar met andere validatiestudies . Alle deelnemers waren universiteitsstudenten tussen 21 en 30 jaar oud (gemiddeld 24,3, SD 2,7). In totaal hadden 8 van de 23 deelnemers een PSQI hoger dan 5, wat wijst op een ontevreden slaapkwaliteit. Statistisch significante verschillen werden gevonden tussen mannen en vrouwen in termen van wake time (vrouwen: 9,7 min; mannen: 22,8 min; P=.02) en de verhouding van slaapfase 1 (Vrouwen: 7,7 (%); mannen: 14,3 (%); P=.02). We hebben ook de slaappatronen tussen deelnemers onder en boven de 25 jaar vergeleken. Statistisch significante verschillen werden gevonden in termen van TST (minder dan 25 jaar: 308,7 min; meer dan 25 jaar: 396,8 min; P=.03), kans op overgang van diepe slaap naar lichte slaap (minder dan 25 jaar): 5,5%; ouder dan 25 jaar: 1,5%; P=.02), en de kans op een lichte slaap (onder 25 jaar: 85,3 (%); boven 25 jaar: 94,8 (%); P=.008).

systematische verschillen

Tabel 2 geeft de geschatte kans op slaapstapovergang afgeleid van medische gegevens en Fitbit-gegevens, alsook de resultaten van gepaarde t-test. We berekenden de kans op slaapstadiumovergang individueel voor elke deelnemer en gemiddelde resultaten over de hele cohort. Het is aangetoond dat de volgende overgangen zelden voorkwamen: deep sleep to REM sleep and wake, light sleep to REM sleep, REM sleep to deep sleep, en REM sleep to light sleep. Uit de T-testresultaten bleek dat er significante verschillen waren tussen de kans dat Fitbit de slaapfase overschakelt en de kans dat het medische hulpmiddel de slaapfase overschakelt. Fitbit week af van het medische apparaat op alle transitiewaarschijnlijkheden behalve de transitiewaarschijnlijkheid van lichte slaap naar REM-slaap (sFL→R = 0,9%; sML→r =1,7%), de transitiewaarschijnlijkheid van diepe slaap naar wake (sFD→W = sMD→W =0.2%), en de kans op een verblijf in de rem-slaapfase (sFR→R = sMR→R =96,9%). In het algemeen onderschatte Fitbit de dynamiek van de slaapstagetransitie. De waarschijnlijkheid van een verblijf in een specifieke slaapfase werd aanzienlijk overschat, terwijl de waarschijnlijkheid van overgangen van een specifieke fase naar een andere fase meestal werd onderschat.

mate van Overeenstemming en correlaties

figuur 4-6 toont de Bland-Altman plots die Fitbit Charge 2 vergelijkt met het medische hulpmiddel. Apparaatverschillen voor slaapuitkomsten worden uitgezet als functie van de medische resultaten voor elk individu. De gemiddelde bias varieerde van 0% (sR→r en sD→W) tot ongeveer 60% (sL→D). Niet meer dan 2 deelnemers bevonden zich buiten de ondergrens van overeenkomst of de bovengrens van overeenkomst.

in lijn met eerdere studies hebben we het aanvaardbare foutenbereik gedefinieerd als ei ≤5%, aangezien dit een algemeen aanvaardbare standaard voor statistische significantie in de literatuur benadert . Op basis van dit criterium werd geen systematische bias gevonden tussen Fitbit en het medische hulpmiddel bij het meten van sW→L, sW→R, sL→r, sD→W, sR→L, sR→D, en Sr→R.

Figuur 4 laat zien dat er geen trend werd gevonden tussen het verschil en het gemiddelde van sR→L, sL→R en Sr→R. Daarentegen laten Figuur 5 en Figuur 6 duidelijke trends zien dat de meetverschillen groter waren voor lagere sL→L, sD→D, en sW→W, en de verschillen groter waren voor hogere sW→L,sw→R, sW→D, SL→W, sL→D, sD→w, sD→l, sD→R, SR→W, en Sr→D. Deze bevindingen suggereren dat de nauwkeurigheid van Fitbit Charge 2 bij het meten van slaapstadiumovergangen verslechterd kon worden als slaap dynamischer werd (meer overgangen tussen verschillende slaapstadia).

View this figure

View this figure

View this figure

Effect van gebruikersspecifieke factoren

de resultaten van de Wilcoxon signed-rank test toonden aan dat een goede subjectieve slaapkwaliteit, aangegeven door PSQI als lager dan 5, geassocieerd werd met verminderde fouten in de kans op een verblijf in deep sleep stage (PSQI<5, 132,1±173,1%; PSQI≥5, 346,8±250,0%; p=.04), maar het werd geassocieerd met verhoogde fouten in de kans op overgang van wakker naar REM-slaap (PSQI<5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P=.02).

Wake time langer dan 30 min werd geassocieerd met verhoogde fouten in de kans op overgang van lichte slaap naar REM-slaap (WASO≥30, 265,8±176,5; WASO< 30, 103,9±49,1%; P=.02), maar het werd geassocieerd met een verminderde kans op fouten in de overgang van lichte slaap naar wake (WASO≥30, 78,6±10,2%; WASO<30, 86,7±8,6%; P=.049), evenals de kans om in kielzog te blijven (WASO≥30, 117,3±269,5%; WASO<30, 125,2±103,6%; P=.006).

Se boven 90% werd geassocieerd met verhoogde meetfouten in de kans op overgang van remslaap naar lichte slaap (SE>90, 107,1±53,2%; SE≤90%, 55,9±40,4%; P=.047).

bovendien, leeftijd jonger dan 25 jaar (leeftijd<25, 7,9±5,4%; Leeftijd≥25, 3,1±2,3%; P=.01), slaaptest latentie (Sol) korter dan 30 min (Sol<30, 8,6±5,8%; SOL≥30, 4,1±3,4%; P=.02), en deep sleep ratio boven 20% (slow wave sleep; SWS<20%, 3,9±3,5%; SWS≥20, 9,5±5,2; P=.007) werden geassocieerd met een lichte verhoogde meetfout in de kans om in de lichte slaapfase te blijven. Niettemin bedroegen de gemiddelde fouten in alle overeenkomstige gevallen niet meer dan 10%.

Er werden geen significante associaties gevonden tussen meetfouten van Fitbit en andere factoren, waaronder geslacht, TST, SOL, lichte slaapverhouding, REM-slaapverhouding en Tavg.

discussie

belangrijkste bevindingen

We hebben een numerieke vergelijking aangetoond van de kans dat Fitbit Charge 2 in slaapstadiumtransitie optreedt en het medische hulpmiddel. Het niveau en de grenzen van overeenstemming tussen de twee soorten apparaten werden geïllustreerd met behulp van Bland-Altman plots. De resultaten van de Wilcoxon signed–rank test werden gepresenteerd om de associaties tussen gebruikersspecifieke factoren en meetfouten aan te tonen. Deze studie leverde twee belangrijke bevindingen op. Ten eerste vonden we dat Fitbit Charge 2 de dynamiek van de slaapfase-overgang onderschatte in vergelijking met het medische apparaat. Ten tweede werd de nauwkeurigheid van het apparaat voornamelijk geassocieerd met 3 gebruikersspecifieke factoren: subjectieve slaapkwaliteit gemeten door PSQI, WASO en SE.

Slaapstageovergangsanalyse is gebruikt om de slaapcontinuïteit en de temporele stabiliteit van niet-REM-en REM-aanvallen in de slaapwetenschap te karakteriseren . In deze studie, de slaap fase overgang waarschijnlijkheid afgeleid van de medische gegevens aangetoond interessante patronen. Zoals verwacht, was de kans voor een slaapstadium om in hetzelfde stadium te blijven constant hoger dan dat Voor dit stadium om naar een ander stadium te veranderen. Directe overgang tussen diepe slaap en REM slaap zelden gebeurd. De kans op overgangen van wake naar diepe slaap of Van wake naar REM slaap was laag. Ook de kans op overgang van diepe slaap naar wake was laag. Deze kenmerken kwamen overeen met bevindingen die werden gerapporteerd in eerdere slaapstudies over slaapstapovergangspatronen bij gezonde mensen .

Slaapstadiumovergang is het resultaat van complexe interacties tussen vele hersengebieden. Het niet kunnen detecteren van markers in hersengolven, zoals k-complexen , consumenten polsbandjes hebben beperkte prestaties in het classificeren van slaapstadia. Eerdere studies tonen aan dat Fitbit Charge 2-apparaten lichtslaap en diepe slaap aanzienlijk overschatten wanneer ze gevalideerd worden in labo-omgevingen , terwijl ze diepe slaap onderschatten en licht-en REM-slaap overschatten wanneer ze gevalideerd worden in vrije leefomstandigheden . Deze studie vult eerdere bevindingen aan en levert nieuwe inzichten in Fitbit ‘ s vermogen om slaapstadiumovergangen vast te leggen. Over het algemeen merkten we op dat Fitbit Charge 2 significant afweek van het medische apparaat bij het meten van de slaapstagetransitiedynamiek. Met name de gemiddelde waarschijnlijkheid van een verblijf in een wake-en diepe fase gemeten door Fitbit was aanzienlijk hoger dan die gemeten door het medische hulpmiddel. Fitbit onderschatte daarentegen de kansen van podiumovergangen van lichte slaap naar wake en van lichte slaap naar diepe slaap. Dit komt waarschijnlijk door de verkeerde indeling van de tijdperken wake en deep sleep naar light sleep . Systematische bias (tussen 40% en 60%) werd geïllustreerd in de Bland-Altman plots op deze slaap fase overgang waarschijnlijkheden. Aan de andere kant werden geen systematische vooringenomenheid en gemiddeld verschil waargenomen bij het meten van de waarschijnlijkheid van een verblijf in de remslaap. Dit resultaat levert aanvullend bewijs voor de bevinding in de studie van de Zambotti et al dat Fitbit Charge 2 het goed eens was met medische hulpmiddelen bij het detecteren van remslaap.

een uniek aspect van deze studie is dat we ook het effect van gebruikersspecifieke factoren onderzochten en meerdere associaties vonden. Onze analyse toonde aan dat subjectieve slaapkwaliteit gemeten door PSQI, wake after WASO, en SE waren significant sterke voorspellers van meetfouten in slaap fase overgang waarschijnlijkheid. Leeftijd, SOL en deep sleep ratio waren significante maar zwakke voorspellers, terwijl geslacht, TST, lichte slaap ratio, REM slaap ratio en gemiddelde slaapcyclus niet geassocieerd waren met de meetfouten van Fitbit.

ondanks de bevinding uit eerdere validatiestudies dat slechte slaapkwaliteit geassocieerd is met verslechterde prestaties van slaapbewakingsapparatuur bij het meten van polysomnografische slaapmetingen , toont deze studie aan dat de relatie ingewikkelder is tussen slaapkwaliteit en nauwkeurigheid van het apparaat bij het meten van slaapstadiumovergangen. We vonden inderdaad dat een goede subjectieve slaapkwaliteit (PSQI<5) geassocieerd werd met een verminderde meetfout in de kans op een verblijf in de diepe slaapfase, en minder gefragmenteerde slaap (WASO<30 min) geassocieerd werd met een verminderde kans op overgang van lichte slaap naar REM-slaap. Niettemin, het is ook gevonden dat een goede nachtrust gekenmerkt door een quick sleep onset (SOL<30 min), hoge verhouding van diepe slaap (SWS>20%), goede subjectief gevoel (PSQI<5), korte awakenings (WASO<30 min), en hoge SE (SE>90%) werden geassocieerd met een verhoogde meetfouten in andere uitkomst overgang kansen. Dit resultaat is in tegenspraak met eerdere bevindingen op actigrafie dat verslechterde slaap (bijvoorbeeld, lange WASO en SOL) verhoogde meetfouten . Dit verschil suggereert dat bevindingen met betrekking tot klinische actigrafie niet mag worden gegeneraliseerd om de consument polsbandjes zonder verdere validatie.

bovendien bleek leeftijd een significante maar zwakke voorspeller van meetfouten. Deelnemers in de leeftijdscategorie van 25 tot 30 jaar hadden minder meetfouten in de kans om in de lichte slaapfase te blijven vergeleken met degenen jonger dan 25 jaar. Aangezien leeftijd algemeen wordt erkend als een belangrijke factor die slaappatronen verandert , kan het effect van leeftijd ook worden teruggevoerd op het verschil in onderliggende slaappatronen. Uit de gegevens over de medische slaap bleek dat jongere deelnemers over het algemeen een kortere slaap en een hogere slaapstap-transitiedynamiek hadden (overgang van diepe slaap naar lichte slaap), wat de toename van meetfouten kan verklaren. Niettemin dient deze bevinding niet te worden veralgemeend naar een breed scala van leeftijdsgroepen vanwege de beperkte steekproef van leeftijd in deze studie. Verdere studies zijn nodig om systematisch het effect van leeftijd op de nauwkeurigheid van het hulpmiddel te onderzoeken.

onze bevindingen vormen een aanvulling op die van eerdere validatiestudies over consumenten polsbandjes voor het volgen van de slaap in het algemeen. Fitbit Charge 2 heeft bevredigende prestaties aangetoond bij het meten van TST en SE, maar het blijft niet in staat om slaapstadia met goede nauwkeurigheid te classificeren . Onze bevindingen tonen aan dat Fitbit Charge 2 ook de slaap transitie dynamiek kan onderschatten, en het moet dus met voorzichtigheid worden gebruikt. Deze studie vormt een voorlopige referentie voor onderzoekers die van plan zijn om het Fitbit-apparaat te gebruiken om slaapstadiumovergangen in wetenschappelijke studies te meten, en deze studie suggereert dat zowel waargenomen als objectieve slaappatronen mogelijk moeten worden overwogen bij het kiezen van slaapmonitoringtools.

beperkingen

Dit onderzoek is onderworpen aan de volgende beperkingen. Ten eerste vertegenwoordigen de deelnemers een jonge gezonde populatie die vrij was van slaapstoornissen of chronische ziekten. Daarom kunnen de resultaten niet worden gegeneraliseerd naar oudere of klinische populaties. Ten tweede was de gegevensverzamelingsfase niet longitudinaal van aard en werd slechts 1 nacht slaap van elke deelnemer geanalyseerd. Zo kunnen de resultaten intrapersoonlijke variaties niet tellen. Ten derde was de lijst van potentiële factoren die in dit onderzoek werden onderzocht niet uitputtend en kan deze worden beïnvloed door beperkte bemonstering. Verder onderzoek moet deze beperkingen aanpakken door een gevarieerde populatie op te nemen, de duur van de gegevensverzameling te verlengen en het effect van andere potentiële voorspellers van de nauwkeurigheid van het hulpmiddel te onderzoeken.

conclusies

We hebben aangetoond dat Fitbit Charge 2 de dynamiek van de slaapfase-overgang significant onderschatte in vergelijking met het medische hulpmiddel en dat de meetnauwkeurigheid voornamelijk kan worden beïnvloed door waargenomen slaapkwaliteit, slaapcontinuïteit en SE. Ondanks de positieve trend van verbeterde nauwkeurigheid voor de nieuwste draagbare consumenten slaap trackers, De beperking van deze apparaten in het detecteren van slaap fase overgang dynamiek moet worden herkend. Als een outcome measurement tool, Fitbit Charge 2 is mogelijk niet geschikt voor onderzoek met betrekking tot slaap fase overgangen of voor de gezondheidszorg besluitvorming. Verder onderzoek moet gericht zijn op het verbeteren van de nauwkeurigheid van deze polsbandjes voor consumenten bij het meten van niet alleen polysomnografische parameters, maar ook de dynamiek van de slaapfase.