Inledning

vikten av konsument sömn Spårningsanordningar

att ha tillräckligt reparativ sömn är viktigt för fysisk och psykisk hälsa . Under de senaste åren, konsument sömn övervakning Armband och tillhörande mobiltelefon apps har skapat ett effektivt sätt för individer att förstå personliga sömnmönster eller förbättra sömnkvaliteten i dagliga inställningar . Dessa enheter är relativt överkomliga, lätta att använda och redo att köpa på konsumentmarknaden. De flesta konsumentarmband är beroende av en liknande mekanism för klinisk aktigrafi som leder till vakna och sömncykler från Lemmens rörelse . Nyligen lanserade modeller innehåller också andra strömmar av biosignaler, såsom hjärtfrekvens för att mäta sömnsteg. Användare kan visualisera en hel natts sömnhypnogram (den temporala sekvensen av sömnsteg) och de aggregerade sömnparametrarna, såsom total sömntid (TST) och förhållandet mellan varje sömnstadium på en instrumentpanel . Det finns ökande bevis för att konsumenternas sömnövervakning armband ökar medvetenheten om sömnhälsa och har en positiv inverkan på personlig sömnhygien , även om den långsiktiga effekten av dessa tekniker inte har klargjorts . Under tiden antar forskare och kliniker alltmer konsumentarmband, såsom Fitbit-enheter, som resultatmätningsverktyg i forskningsstudier . Jämfört med traditionell polysomnografi (PSG) minskar Fitbit-enheter avsevärt tid och monetära kostnader för longitudinell sömndatasamling, och de kunde ge rik information som inte var möjlig att samla in utanför sömnlaboratorier eller kliniker tidigare. Deltagarna kan använda enheterna under fria levnadsförhållanden, utan behov av konstant teknisk support. Den nya generationen Fitbit-enheter kan också eventuellt överträffa klinisk aktigrafi, eftersom de utnyttjar flera strömmar av biosignaler för sömnuppsättning, medan aktigrafi bara kan upptäcka vakna och sova på grundval av lemrörelse .

noggrannhet hos konsumentens Sömnspårningsenheter

eftersom konsumentens sömnövervakningsarmband fortsätter att vinna popularitet, väckte deras begränsning i mätnoggrannhet stora farhågor om kvaliteten på data som samlats in med hjälp av dessa enheter . Data av låg kvalitet kan vilseleda användare att komma fram till felaktiga slutsatser av sömnen. Dessutom är datakvaliteten av högsta prioritet för forskare som avser att använda dessa enheter i vetenskapliga studier. Att förstå giltigheten hos konsumentspårare har därför praktisk fördel för både enskilda användare och för forskarsamhället. Som svar på detta behov har många studier undersökt noggrannheten hos populära sömnspårare jämfört med medicintekniska produkter när det gäller aggregerade sömnmätningar, inklusive TST, vakna efter sömnstart (WASO), sömn effektivitet (SE) och sömnstadier, det vill säga lätt sömn, djup sömn och snabb ögonrörelse (REM) sömn . Dessa studier visar att de tidigare modellerna av konsumentarmband har ett vanligt problem att överskatta sömn och underskatta vakna . Nya modeller, som Fitbit Charge 2, som är beroende av multistreams av biosignaler har tillfredsställande prestanda vid mätning av TST och SE men misslyckas med att ge exakta resultat vid klassificering av sömnsteg .

Även om huvuddelen av valideringsstudier har dominerat fokuserat på polysomnografiska mätvärden (t.ex. TST, WASO, känslighet och specificitet), är prestandan hos konsumentarmband vid mätning av övergångar i sömnstadiet fortfarande okänd. Sömnforskning har visat att sömnstegövergångssannolikheter innefattar rik information om sömnmönster, som har ansetts vara effektivare än polysomnografiska parametrar för att karakterisera sömnstabilitet . Sömnstadiet övergångsavvikelse är en viktig indikator på sömnstörningar . Vissa studier förlitade sig också på övergångssannolikheter i sömnstadiet för att bedöma effekten av behandlingen . Den kliniska betydelsen av sömnstadiet övergångsdynamik föreslår nödvändigheten av att inkludera relevanta mätvärden (sömnstadiet övergångssannolikheter) som resultat sömnparametrar i valideringsstudier. I Figur 1 presenteras en visualisering av övergångsdynamiken i sömnstadiet. Den totala övergångssannolikheten från en enda stat till andra stater (inklusive att stanna i samma tillstånd) är alltid 1. SX-SX-y representerar övergångssannolikheten från sömnstadiet X till Y. { X, Y } härrör från { W, L, D, R}, som är förkortningar för vakna, lätt sömn, djup sömn och REM-sömn. Till exempel, sw kubi r betecknar övergångssannolikheten från wake till REM-sömn, och sw kubi w betecknar sannolikheten för att stanna i wake.

betydelsen av denna studie

denna studie syftade till att undersöka om det exakt skulle mäta övergångar i sömnstadiet (övergångssannolikheterna bland vakna, lätta, djupa och REM-sömn) med Fitbit Charge 2. Trots de rikliga valideringsstudierna har noggrannheten hos konsumentarmband vid mätning av sömnstegsövergång inte undersökts. Vi undersökte också de faktorer som är förknippade med mätfel på sömnstegsövergångssannolikheter. Tidigare valideringsstudier på andra typer av bärbara enheter fann att enhetens noggrannhet kan variera som en funktion av de underliggande sömnmönstren, den studerade befolkningen och till och med hur mätningenoch definierades . Längs samma linje valde vi en uppsättning oberoende variabler (möjliga prediktorer), inklusive deltagarnas demografiska egenskaper, subjektiv sömnkvalitet mätt med Pittsburgh Sleep Quality Index (PSQI) och objektiv sömnkvalitet härledd från medicinska data. De beroende variablerna var de absoluta procentfelen i Fitbit Charge 2 på övergångssannolikheter i sömnstadiet jämfört med den medicinska enheten. Resultaten av denna studie kompletterar tidigare valideringsstudier och bidrar till upprättandet av en helhetssyn på konsumentarmbandens förmåga att mäta sömnstruktur under fria levnadsförhållanden. Denna studie fastställer också en preliminär referens för forskare som avser att använda Fitbit för att mäta övergångar i sömnstadiet och för enskilda användare som förlitar sig på Fitbit-sömndata för att fatta hälsobeslut.

visa denna figur

metoder

rekrytering

vi rekryterade deltagare genom att distribuera affischer runt campus vid University of Tokyo. Totalt registrerade 38 personer intresse via en webbaserad blankett, varav 28 (74%) var berättigade att delta i studien. Inklusionskriterierna krävde att deltagarna var vuxna (ålder>18 år), var fria från diagnostiserade kroniska tillstånd och kunde delta i en briefing före datainsamlingsfasen. Denna forskning godkändes av etiska utskottet vid University of Tokyo. Alla deltagare gav informerat samtycke.

Studieprocedurer

en ansikte mot ansikte briefing hölls med varje deltagare individuellt före datainsamlingsfasen. I det här mötet installerade vi Fitbit-appen på deltagarnas mobiltelefoner och gav muntliga instruktioner om hur man använder enheterna och hur man synkroniserar Fitbit-enheten med sin mobilapp. Deltagarna fick följande artiklar för datainsamling: en Fitbit Charge 2, en medicinsk enhet med namnet Sleep Scope, elektroder, laddare och manualer. I slutet av briefingen ombads deltagarna att fylla i ett psqi-frågeformulär för att mäta deras upplevda sömnkvalitet. PSQI är ett allmänt använt instrument för att bedöma subjektiv sömnkvalitet i genomsnitt under den senaste 1-månaden, och en psqi bisexuell 5 är en indikation på upplevd dålig sömn. Vi samlade PSQI, eftersom det kan associera med mätnoggrannheten hos Fitbit. Mer information om potentiella associeringsfaktorer för mätnoggrannhet kommer att ges i nästa avsnitt.

Efter genomgången mätte deltagarna sin sömn med båda enheterna i 3 på varandra följande nätter i sina hem för att säkerställa att Fitbit Charge 2 utvärderades i en ekologiskt giltig miljö. De ombads att bära Fitbit på den icke-dominanta handleden under datainsamlingen. Alla deltagare fick en monetär belöning när de återvände enheterna efter datainsamling.

datainsamling

i denna studie samlade vi sömndata samtidigt med Fitbit Charge 2 och en medicinsk enhet. Fitbit Charge 2 (Fitbit Inc) är ett bärbart aktivitetsarmband med en inbäddad triaxial accelerometer. Det uppskattar sömnstadier för varje 30 sekunders period genom att integrera användarens rörelse-och hjärtfrekvensdata. Med framsteg inom programvara och hårdvara har Fitbit Charge 2 övervunnit vissa problem med tidigare modeller, och det kan mäta TST och SE med god noggrannhet . En medicinsk sömnmonitor med namnet Sleep Scope (Sleep Well Co) användes för att få mark sanning på sömnhypnogram. Sleep Scope är ett enkanalselektroencefalogram av klinisk kvalitet (Japansk medicinteknisk certifiering 225adbzx00020000), som validerades mot PSG (avtal=86,9%, genomsnittligt Cohen Kappa-värde =0,75) . Sleep Scope valdes över PSG eftersom det möjliggjorde datainsamling i deltagarnas hem snarare än i ett sömnlaboratorium. Detta säkerställer att Fitbit Charge 2 utvärderades i en ekologiskt giltig miljö; detta säkerställer också att eventuella störningar i sömnen minimeras genom okänd miljö.

i datainsamlingsfasen spårade deltagarna sin sömn i 3 på varandra följande nätter i sina hem. Efter den vanliga praxisen inom sömnvetenskap analyserade vi den andra natten för varje deltagare för att ta bort den första natteffekten . Om data från den andra natten inte var giltiga analyserades data från den tredje natten. Uppgifterna för den första natten valdes endast när varken den andra natten eller den tredje natten var giltig.

Fitbit sleep-data hämtades via Applikationsprogramgränssnittet (API) för Fitbit. Fitbit Charge 2 tillhandahåller sömndata på 2 nivåer via offentligt API. Scennivådata omfattar sömnnivåer, inklusive vakna, lätt sömn, djup sömn och REM-sömn. Dessa data aggregeras vid 30 sekunders granularitet, vilket överensstämmer med standardsömn i klinisk miljö. Om stegnivådata inte är tillgängliga kommer klassisk nivådata att tillhandahållas som ett alternativ. Klassiska nivådata omfattar sömnmönsternivåer, inklusive sömn, rastlös och vaken, och de aggregeras med en grovare granularitet på 60 sekunder. I den här studien var vi intresserade av sömndata på scennivå och de klassiska nivådata kasserades, eftersom de inte innehöll någon information om djup sömn, lätt sömn och REM-sömn.

data från den medicinska enheten analyserades av Sleep Well-företaget, med hjälp av proprietära automatiska poängalgoritmer, följt av epok-för-epok visuell inspektion av specialister på grundval av etablerade standarder , och korrigeringar tillsattes vid behov. Fitbit-data och medicinska data synkroniserades för att säkerställa att starttiden var inriktad.

för att undersöka effekten av användarspecifika faktorer på mätnoggrannheten samlade vi också in data om de faktorer som anges i Tabell 1. Ålder och kön baserades på självrapport, och PSQI mättes med psqi-frågeformuläret . Sömnkvalitetsmätningar härleddes alla från medicinska data.

statistisk analys

analysens övergripande mål var tvåfaldigt. Vi syftade till att undersöka noggrannheten hos Fitbit Charge 2 Vid mätning av övergångar i sömnstadiet jämfört med en medicinsk enhet. Vi var också intresserade av föreningarna av användarspecifika faktorer med mätnoggrannheten hos Fitbit Charge 2. Alla rapporterade statistiska signifikansnivåer var 2 sidor och statistisk analys utfördes med användning av r statistisk mjukvaruversion 3.5.3 (R Foundation).

först härleddes beskrivande statik för sömnparametrar från medicinska data. Parat 2-tailed t-test användes för att sondera om det fanns statistiskt signifikanta skillnader i sömnmönster mellan män och kvinnor, liksom mellan deltagare under 25 år och över 25 år. För det andra beräknades övergångssannolikheter i sömnstadiet genom att dividera antalet övergångar från ett specifikt sömntillstånd till ett specifikt sömntillstånd med det totala antalet övergångar från det specifika tillståndet till alla sömntillstånd (inklusive att stanna i samma tillstånd). Som visas i Figur 2, {X, Y, och B } härrör från {W, L, D, och R } och NX kubi Y är antalet övergångar från sömn steg X till Y under en hel natts sömn. W, L, D och R är förkortningarna för vakna, lätt sömn, djup sömn och REM-sömn. Sömnstegsövergångssannolikheter beräknades från Fitbit-data och medicinska data för varje deltagare och sedan i genomsnitt över hela kohorten för att få de genomsnittliga sömnstegsövergångssannolikheterna. Systematisk skillnad mellan 2-enheterna bedömdes genom att använda parat t-test på övergångssannolikheterna för sömnstadiet. Ett P-värde nedan .05 ansågs statistiskt signifikant. Nivån på överenskommelse mellan 2 enheter undersöktes med hjälp av Bland-Altman-tomterna .

visa denna figur

visa den här siffran

det absoluta procentfelet eX kubi Y beräknades med hjälp av ekvationen i Figur 3, där { X, Y och B } härleds från { W, L, D och R}, sFX kubi Y och sMX kubi Y är övergångssannolikheten från sömnstadiet X till Y, härledd från Fitbit-data och medicinska data.

för att undersöka effekten av användarspecifika faktorer på absoluta procentfel delades datasetet in i 2 delmängder enligt gränsvärdena i Tabell 1. Wilcoxon signerade rank-testet genomfördes för att undersöka om det fanns signifikanta skillnader mellan 2-delmängderna när det gäller resultatsömningsmått (övergångssannolikheter i sömnstadiet). Valet av gränsvärden för gränsvärden var i linje med litteraturen inom sömnvetenskap .

resultat

beskrivande statistik

totalt deltog 28 unga vuxna utan kroniska sjukdomar i studien. Totalt 5 deltagare uteslöts från analys på grund av misslyckande med att få sömndata på scennivå med Fitbit. Det vill säga endast klassisk nivå sömndata erhölls från dessa deltagare; data hade ingen information om ljus, djup och REM-sömn. Därför var det inte möjligt att beräkna övergångssannolikheter för sömnstadiet för dessa deltagare. Den slutliga datamängden omfattar således sömndata från 23 deltagare (män:kvinnor=14:9). Detta antal deltagare är jämförbart med andra valideringsstudier . Alla deltagare var universitetsstudenter mellan 21 och 30 år (medelvärde 24,3, SD 2,7). Totalt hade 8 av de 23 deltagarna en PSQI högre än 5, vilket var en indikation på otillfredsställd sömnkvalitet. Statistiskt signifikanta skillnader hittades mellan män och kvinnor när det gäller vakningstid (kvinnor: 9,7 min; Män: 22,8 min; P=.02) och förhållandet mellan sömnsteg 1 (kvinnor: 7,7 (%); män: 14,3 (%); P=.02). Vi jämförde också sömnmönstren mellan deltagare under och över 25 år. Statistiskt signifikanta skillnader hittades i termer av TST (under 25 år: 308,7 min; över 25 år: 396,8 min; P=.03), övergångssannolikhet från djup sömn till lätt sömn (under 25 år: 5,5%; över 25 år: 1,5%; P=.02), och sannolikheten för att stanna i lätt sömn (under 25 år: 85,3 (%); över 25 år: 94,8 (%); P=.008).

systematiska skillnader

tabell 2 presenterar de uppskattade övergångssannolikheterna för sömnstadiet härledda från medicinska data och Fitbit-data, liksom resultaten av parat t-test. Vi beräknade sannolikheten för sömnstegsövergång individuellt för varje deltagare och sedan genomsnittliga resultat över hela kohorten. Det visas att följande övergångar sällan inträffade: djup sömn till REM-sömn och vakna, lätt sömn till REM-sömn, REM-sömn till djup sömn och REM-sömn till lätt sömn. T-testresultaten visade att det fanns signifikanta skillnader mellan sömnstegsövergångssannolikheterna uppmätta av Fitbit och de som mättes av den medicinska enheten. Fitbit avviker från den medicinska enheten på alla övergångssannolikheter med undantag för övergångssannolikheten från lätt sömn till REM-sömn (sFL michai r = 0,9%; sML michai r =1,7%), övergångssannolikheten från djup sömn till vakna (sFD michai w = SMD michai w =0.2%), och sannolikheten för att stanna i REM-sömnsteget (sFR michai r = SMR michai r =96,9%). I allmänhet underskattade Fitbit övergångsdynamiken för sömnstadiet. Sannolikheten för att stanna i ett specifikt sömnstadium överskattades avsevärt, medan sannolikheten för övergångar från ett specifikt stadium till ett annat stadium mestadels underskattades.

nivå av överenskommelse och korrelationer

figurerna 4-6 visar de intetsägande Altman-tomterna som jämför Fitbit Charge 2 med den medicinska enheten. Enhetsavvikelser för sömnresultat ritas som en funktion av de medicinska resultaten för varje individ. Den genomsnittliga förspänningen varierade från 0% (sr ci r och sD ci w) till cirka 60% (sl ci d). Högst 2 deltagare befann sig utanför den nedre avtalsgränsen eller den övre avtalsgränsen.

i linje med tidigare studier definierade vi det acceptabla felområdet som ei 5%, eftersom detta approximerar en allmänt acceptabel standard för statistisk signifikans i litteraturen . På basis av detta kriterium, ingen systematisk partiskhet mellan Fitbit och den medicinska enheten för att mäta sW→L, sW→R, sL→R, sD – →W, sR→L, sR→D, och sR→R.

Figur 4 visar att ingen trend fanns mellan skillnaden och medelvärdet av sR→L, sL→R och sR→R. I motsats, Figur 5 och Figur 6 visar tydliga tendenser att mätningen skillnaderna var större för lägre sL→L, sD – →D, och sW→W, och skillnaderna var större för högre sW→L,sW→R, sW→D, sL→W, sL→D, sD – →W, sD – →L, sD – →R, sR→W, och sR→D. Dessa resultat tyder på att riktigheten av Fitbit Avgift 2 att mäta sömn stadium övergångar skulle kunna försämras så sömn blev mer dynamisk (fler övergångar mellan olika sömn stadier).

visa denna figur

visa denna figur

visa denna figur

effekt av användarspecifika faktorer

resultaten av Wilcoxon signerad-rank test visade att god subjektiv sömnkvalitet indikerad av PSQI som lägre än 5 var förknippad med minskade fel i sannolikheten för att stanna i djup sömnstadium (PSQI<5, 132.1 173,1%; psqi 25, 346,8 250,0%; p=.04), men det var förknippat med ökade fel i övergångssannolikhet från att vakna till REM-sömn (PSQI<5, 100, 0 0, 0%; PSQI 5, 85, 1 25, 5%; p=.02).

vakna tid längre än 30 min var förknippad med ökade fel i övergångssannolikhet från lätt sömn till REM-sömn (waso 30, 265, 8 176, 5; WASO<30, 103, 9 49, 1%; P=.02), men det var förknippat med minskade fel i övergångssannolikhet från lätt sömn till vakna (waso 30, 78,6 10,2%; WASO<30, 86,7 8,6%; P=.049), liksom sannolikheten för att stanna i kölvattnet (waso 30, 117, 3 269, 5%; WASO< 30, 125, 2 103, 6%; p=.006).

SE över 90% var förknippat med ökade mätfel i övergångssannolikhet från REM-sömn till lätt sömn (SE>90, 107,1 53,2%; se 90%, 55,9 40,4%; P=.047).

dessutom ålder under 25 år (ålder<25, 7,9 5,4%; ålder 25, 3,1 2,3%; p=.01), insomning latens (SOL) kortare än 30 min (SOL<30, 8,6 2,8%; SOL 30, 4,1 3,4%; P=.02) och djup sömnförhållande över 20% (långsam vågsömn; SWS<20%, 3,9 2,5 2,5%; SWS 20, 9,5 5,2 5,2; P=.007) var förknippade med lätt ökat mätfel i sannolikheten för att stanna i lätt sömnstadium. Ändå var de genomsnittliga felen inte mer än 10% i alla motsvarande fall.

inga signifikanta samband hittades mellan mätfel av Fitbit och andra faktorer, inklusive sex, TST, SOL, lätt sömnförhållande, REM-sömnförhållande och Tavg.

diskussion

Principal fynd

Vi har visat en numerisk jämförelse på sömnstegsövergångssannolikheter mellan Fitbit Charge 2 och den medicinska enheten. Nivån och gränserna för överenskommelse mellan de 2 typerna av enheter illustrerades med Bland-Altman-tomter. Resultaten av Wilcoxon signerad rang test presenterades för att visa sambandet mellan användarspecifika faktorer och mätfel. Denna studie genererade 2 huvudfynd. Först fann vi att Fitbit Charge 2 underskattade övergångsdynamiken i sömnstadiet jämfört med den medicinska enheten. För det andra var enhetens noggrannhet huvudsakligen förknippad med 3 användarspecifika faktorer: subjektiv sömnkvalitet mätt med PSQI, WASO och SE.

sömnstegsövergångsanalys har använts för att karakterisera sömnkontinuitet och den tidsmässiga stabiliteten hos icke-REM-och REM-anfall i sömnvetenskap . I denna studie visade övergångssannolikheterna för sömnstadiet härledda från medicinska data intressanta mönster. Som förväntat var sannolikheten för att något sömnstadium skulle stanna i samma skede ständigt högre än för att detta stadium skulle förändras till ett annat stadium. Direkt övergång mellan djup sömn och REM-sömn hände sällan. Sannolikheten för övergångar från vakna till djup sömn eller från vakna till REM-sömn var låg. På samma sätt var sannolikheten för övergång från djup sömn till vakna också låg. Dessa egenskaper överensstämde med fynd som rapporterats i tidigare sömnstudier om övergångsmönster i sömnstadiet hos friska människor .

sömnstadiet övergång är resultatet av komplexa interaktioner mellan många hjärnregioner. Att inte kunna upptäcka markörer i hjärnvågor, såsom k-komplex , konsumentarmband har begränsad prestanda vid klassificering av sömnstadier. Tidigare studier visar att Fitbit Charge 2-enheter överskattade lätt sömn och underskattade djup sömn när de validerades i laboratorieinställningar , medan de underskattade djup sömn och överskattade ljus och REM-sömn när de validerades under fria levnadsförhållanden . Denna studie kompletterar tidigare resultat och bidrar med nya insikter i Fitbits förmåga att fånga övergångar i sömnstadiet. Sammantaget observerade vi att Fitbit Charge 2 väsentligt avviker från den medicinska enheten vid mätning av övergångsdynamik i sömnstadiet. I synnerhet var de genomsnittliga sannolikheterna för att stanna i vakna steg och djupt stadium mätt med Fitbit signifikant högre än de som mättes av den medicinska enheten. Däremot underskattade Fitbit sannolikheten för scenövergångar från lätt sömn till vakna och från lätt sömn till djup sömn. Detta beror förmodligen på felklassificering av vakna och djupa sömnperioder till lätt sömn . Systematisk bias (mellan 40% och 60%) illustrerades i Bland-Altman-tomterna på dessa övergångssannolikheter i sömnstadiet. Å andra sidan observerades ingen systematisk bias och medelskillnad vid mätning av sannolikheten för att stanna i REM-sömnstadiet. Detta resultat ger kompletterande bevis för upptäckten i studien av de Zambotti et al att Fitbit Charge 2 gick bra med medicintekniska produkter för att upptäcka REM-sömn.

en unik aspekt av denna studie är att vi också undersökte effekten av användarspecifika faktorer och hittade flera föreningar. Vår analys visade att subjektiv sömnkvalitet mätt med PSQI, vakna efter WASO och SE var signifikant starka prediktorer för mätfel i övergångssannolikheter i sömnstadiet. Ålder, SOL och djup sömnförhållande var signifikanta men svaga prediktorer, medan kön, TST, lätt sömnförhållande, REM-sömnförhållande och genomsnittlig sömncykel inte var associerade med Mätfelen hos Fitbit.trots upptäckten från tidigare valideringsstudier att dålig sömnkvalitet är förknippad med försämrad prestanda hos sömnövervakningsanordningar vid mätning av polysomnografiska sömnmätningar , visar denna studie att förhållandet är mer komplicerat mellan sömnkvalitet och enhetsnoggrannhet vid mätning av övergångar i sömnstadiet. Vi fann faktiskt att god subjektiv sömnkvalitet (PSQI<5) var förknippad med minskat mätfel i sannolikheten för att stanna i djup sömnstadium och mindre fragmenterad sömn (WASO<30 min) var förknippad med minskade fel i övergångssannolikhet från lätt sömn till REM-sömn. Ändå konstateras det också att god sömn kännetecknas av snabb sömnstart (SOL<30 min), högt förhållande djup sömn (SWS>20%), bra subjektiv känsla (PSQI<5), korta uppvakningar (WASO<30 min) och högt se (se>90%) var förknippade med ökade mätfel i olika utfall övergångssannolikheter. Detta resultat strider mot tidigare fynd om aktigrafi som försämrade sömnen (t .ex. long WASO och SOL) ökade mätfel. Denna skillnad tyder på att fynd relaterade till klinisk aktigrafi inte bör generaliseras till konsumentarmband utan ytterligare validering.

dessutom visade sig ålder vara en signifikant men svag prediktor för mätfel. Deltagare i åldersintervallet 25 till 30 hade minskat mätfel i sannolikheten för att stanna i lätt sömnstadium jämfört med de yngre än 25 år. Eftersom ålder har blivit allmänt erkänd som en signifikant faktor som förändrar sömnmönster , kan effekten av ålder också spåras tillbaka till skillnaden i underliggande sömnmönster. De medicinska sömndata visade att yngre deltagare i allmänhet hade kortare sömn och högre övergångsdynamik för sömnstadiet (övergång från djup sömn till lätt sömn), vilket kan redogöra för ökningen av mätfel. Ändå bör detta resultat inte generaliseras till ett brett spektrum av åldersgrupper på grund av det begränsade urvalet av ålder i denna studie. Ytterligare studier behövs för att systematiskt undersöka effekten av ålder på enhetens noggrannhet.

våra resultat kompletterar tidigare valideringsstudier på konsumentarmband för sömnspårning i allmänhet. Fitbit Charge 2 har visat tillfredsställande prestanda vid mätning av TST och SE, men det är fortfarande oförmöget att klassificera sömnsteg med god noggrannhet . Våra resultat visar att Fitbit Charge 2 också kan underskatta sömnövergångsdynamiken, och den bör därför användas med försiktighet. Denna studie fastställer en preliminär referens för forskare som avser att använda Fitbit-enheten för att mäta övergångar i sömnstadiet i vetenskapliga studier, och denna studie tyder på att både upplevda och objektiva sömnmönster kan behöva beaktas när man väljer sömnövervakningsverktyg.

begränsningar

denna studie är föremål för följande begränsningar. Först representerar deltagarna en ung frisk befolkning som var fri från sömnstörningar eller kroniska sjukdomar. Därför kan resultaten inte generaliseras till äldre eller kliniska populationer. För det andra var datainsamlingsfasen inte longitudinell i naturen, och endast 1 natt sömn från varje deltagare analyserades. Således kan resultaten misslyckas med att räkna intrapersonella variationer. För det tredje var listan över potentiella påverkande faktorer som undersöktes i denna studie inte uttömmande, och den kan påverkas av begränsad provtagning. Ytterligare forskning bör ta itu med dessa begränsningar genom att inkludera en mångfaldig befolkning, förlänga datainsamlingens varaktighet och undersöka effekten av andra potentiella prediktorer för enhetens noggrannhet.

slutsatser

Vi har visat att Fitbit Charge 2 signifikant underskattade övergångsdynamiken i sömnstadiet jämfört med den medicinska enheten och att mätnoggrannheten främst kan påverkas av upplevd sömnkvalitet, sömnkontinuitet och SE. Trots den positiva trenden med ökad noggrannhet för de senaste konsumentens bärbara sömnspårare måste begränsningen av dessa enheter för att upptäcka övergångsdynamik i sömnstadiet erkännas. Som ett resultatmätningsverktyg kanske Fitbit Charge 2 inte lämpar sig för forskningsstudier relaterade till övergångar i sömnstadiet eller för beslutsfattande i vården. Ytterligare forskning bör fokusera på att förbättra noggrannheten hos dessa konsumentarmband vid mätning av inte bara polysomnografiska parametrar utan också övergångsdynamik i sömnstadiet.