wprowadzenie

Znaczenie urządzeń śledzących Sen konsumentów

posiadanie wystarczającej ilości snu regenerującego jest niezbędne dla zdrowia fizycznego i psychicznego . W ostatnich latach opaski monitorujące sen konsumentów i powiązane aplikacje na telefony komórkowe stworzyły skuteczny sposób na zrozumienie osobistych wzorców snu lub poprawę jakości snu w codziennych Ustawieniach . Urządzenia te są stosunkowo niedrogie, łatwe w użyciu i gotowe do zakupu na rynku konsumenckim. Większość opasek konsumenckich opiera się na podobnym mechanizmie działania klinicznego, który wywiera cykle budzenia i snu z ruchu kończyn . Nowo wprowadzone modele zawierają również inne strumienie biosignali, takie jak tętno do pomiaru etapów snu. Użytkownicy mogą wizualizować hipnogram snu całej nocy (czasową sekwencję etapów snu) i zagregowane parametry snu, takie jak całkowity czas snu (TST) i stosunek każdego etapu snu na desce rozdzielczej . Coraz więcej dowodów na to , że opaski do monitorowania snu u konsumentów podnoszą świadomość na temat zdrowia snu i mają pozytywny wpływ na osobistą higienę snu, chociaż długoterminowy wpływ tych technologii nie został wyjaśniony . W międzyczasie naukowcy i lekarze coraz częściej przyjmują opaski konsumenckie, takie jak urządzenia Fitbit, jako narzędzia do pomiaru wyników w badaniach naukowych . W porównaniu z tradycyjną polisomnografią (PSG), urządzenia Fitbit znacznie skracają czas i koszty finansowe związane z gromadzeniem danych dotyczących snu podłużnego i mogą dostarczać bogatych informacji, których w przeszłości nie można było zebrać poza laboratoriami snu lub klinikami. Uczestnicy mogą korzystać z urządzeń w warunkach swobodnego życia, bez konieczności stałego wsparcia technicznego. Nowa generacja urządzeń Fitbit może również przewyższać aktygrafię kliniczną, ponieważ wykorzystują one wiele strumieni biosygnałów do inscenizacji snu, podczas gdy aktygrafia jest w stanie wykryć przebudzenie i sen tylko na podstawie ruchu kończyn .

dokładność urządzeń do śledzenia snu konsumentów

ponieważ opaski do monitorowania snu konsumentów nadal zyskują na popularności, ich ograniczenie dokładności pomiaru wzbudziło szerokie obawy dotyczące jakości danych gromadzonych za pomocą tych urządzeń . Dane o niskiej jakości mogą wprowadzać użytkowników w błąd, aby dojść do błędnych wniosków z ich snu. Ponadto jakość danych ma najwyższy priorytet dla naukowców, którzy zamierzają korzystać z tych urządzeń w badaniach naukowych. Dlatego zrozumienie zasadności czujników snu dla konsumentów przynosi praktyczne korzyści zarówno dla użytkowników indywidualnych, jak i dla społeczności badawczej. W odpowiedzi na tę potrzebę wiele badań zbadało dokładność popularnych monitorów snu w porównaniu z urządzeniami medycznymi pod względem zagregowanych wskaźników snu, w tym TST, wake after sleep onset (WASO), Sleep efficiency (SE) i etapów snu, czyli lekkiego snu, głębokiego snu i szybkiego ruchu oka (REM). Badania te pokazują, że poprzednie modele opasek konsumenckich mają wspólny problem z przecenianiem snu i niedocenianiem czuwania . Najnowsze modele, takie jak Fitbit Charge 2, które polegają na wielostreamowych znakach biologicznych, mają zadowalającą wydajność w pomiarach TST i SE, ale nie dają dokładnych wyników w klasyfikacji etapów snu .

chociaż główny zakres badań walidacyjnych był dominująco skoncentrowany na metrykach polisomnograficznych (np. TST, WASO, czułość i swoistość), wydajność opasek konsumenckich w pomiarach przejść fazy snu pozostaje nieznana. Badania nad snem wykazały, że prawdopodobieństwo przejścia na etap snu obejmuje bogate informacje o schematach snu, które uznano za bardziej skuteczne niż parametry polisomnograficzne w charakteryzowaniu stabilności snu . Zaburzenia przejścia na etapie snu są ważnym wskaźnikiem zaburzeń snu . Niektóre badania opierały się również na prawdopodobieństwie przejścia etapu snu w celu oceny efektu leczenia . Kliniczne znaczenie dynamiki przejścia na etapie snu sugeruje konieczność włączenia odpowiednich wskaźników (prawdopodobieństwa przejścia na etapie snu) jako parametrów snu w badaniach walidacyjnych. Na fig. 1 przedstawiono wizualizację dynamiki przejścia w fazie snu. Całkowite prawdopodobieństwo przejścia z jednego stanu do innych stanów (w tym pobytu w tym samym stanie) wynosi zawsze 1. SX→y reprezentuje prawdopodobieństwo przejścia ze stadium snu X do Y. { X, Y } pochodzą od { W, L, D, R }, które są skrótami do wake, light sleep, deep sleep I REM sleep. Na przykład, sW→R oznacza prawdopodobieństwo przejścia z przebudzenia do snu REM, a SW→W oznacza prawdopodobieństwo pozostania w przebudzeniu.

znaczenie tego badania

celem tego badania było zbadanie, czy dokładnie zmierzyłoby przejścia na etapie snu (prawdopodobieństwo przejścia między jawą, światłem, głębokim i snem REM) za pomocą Fitbit Charge 2. Pomimo licznych badań walidacyjnych, dokładność opasek konsumenckich w pomiarze przejścia etapu snu nie została zbadana. Zbadaliśmy również czynniki związane z błędami pomiarowymi dotyczącymi prawdopodobieństwa przejścia w fazie snu. Wcześniejsze badania walidacyjne dotyczące innych typów urządzeń do noszenia wykazały, że dokładność urządzeń może się różnić w zależności od podstawowych wzorców snu, badanej populacji, a nawet sposobu definiowania pomiarów . Na tej samej linii wybraliśmy zestaw zmiennych niezależnych (możliwych predyktorów), w tym charakterystykę Demograficzną uczestników , subiektywną jakość snu mierzoną przez Pittsburgh Sleep Quality Index (PSQI) oraz obiektywną jakość snu uzyskaną z danych medycznych. Zmienne zależne były absolutnymi błędami procentowymi Fitbit Charge 2 w prawdopodobieństwie przejścia na etapie snu w porównaniu z urządzeniem medycznym. Wyniki tego badania uzupełniają poprzednie badania walidacyjne i przyczyniają się do ustanowienia całościowego obrazu możliwości opasek konsumenckich w pomiarze struktury snu w warunkach wolnego życia. Badanie to ustanawia również wstępne odniesienie dla naukowców, którzy zamierzają używać Fitbit do pomiaru przejść w fazie snu oraz dla indywidualnych użytkowników, którzy polegają na danych dotyczących snu Fitbit w celu podejmowania decyzji zdrowotnych.

zobacz ten rysunek

metody

Rekrutacja

rekrutowaliśmy uczestników poprzez dystrybucję plakatów na terenie kampusu Uniwersytetu Tokijskiego. W sumie 38 osób zarejestrowało zainteresowanie za pośrednictwem formularza internetowego, z czego 28 (74%) kwalifikowało się do udziału w badaniu. Kryteria włączenia wymagały, aby uczestnicy byli osobami dorosłymi (wiek>18 lat), byli wolni od zdiagnozowanych chorób przewlekłych i mogli uczestniczyć w odprawie przed fazą zbierania danych. Badania te zostały zatwierdzone przez Komitet etyczny Uniwersytetu Tokijskiego. Wszyscy uczestnicy wyrazili świadomą zgodę.

procedury badawcze

przed rozpoczęciem fazy zbierania danych odbyło się spotkanie twarzą w twarz z każdym uczestnikiem. Podczas tego spotkania zainstalowaliśmy aplikację Fitbit na telefonach komórkowych uczestników i przekazaliśmy ustne instrukcje dotyczące korzystania z urządzeń i synchronizacji urządzenia Fitbit z aplikacją na telefon komórkowy. Uczestnicy otrzymali następujące elementy do zbierania danych: Fitbit Charge 2, urządzenie medyczne o nazwie zakres snu, elektrody, Ładowarki i podręczniki. Na koniec briefingu uczestnicy zostali poproszeni o wypełnienie kwestionariusza PSQI, aby zmierzyć ich postrzeganą jakość snu. PSQI jest powszechnie stosowanym narzędziem do oceny subiektywnej jakości snu uśrednionej w ciągu ostatniego miesiąca, a PSQI≥5 wskazuje na postrzegany zły sen. Zebraliśmy PSQI, ponieważ może się to kojarzyć z dokładnością pomiaru Fitbit. Więcej szczegółów na temat potencjalnych czynników asocjacyjnych dokładności pomiaru zostanie podanych w następnej sekcji.

po odprawie uczestnicy zmierzyli swój sen za pomocą obu urządzeń przez 3 kolejne noce w swoich domach, aby upewnić się, że Fitbit Charge 2 został oceniony w ekologicznym środowisku. Poproszono ich o noszenie Fitbit na nadgarstku podczas zbierania danych. Wszyscy uczestnicy otrzymali nagrodę pieniężną, gdy zwrócili urządzenia po zebraniu danych.

zbieranie danych

w tym badaniu zebraliśmy dane dotyczące snu jednocześnie przy użyciu urządzenia Fitbit Charge 2 i urządzenia medycznego. Fitbit Charge 2 (Fitbit Inc) to poręczna opaska na rękę z wbudowanym trójosiowym akcelerometrem. Szacuje etapy snu dla każdego 30-sekundowego okresu, integrując dane dotyczące ruchu użytkownika i tętna. Dzięki postępowi w oprogramowaniu i sprzęcie, Fitbit Charge 2 przezwyciężył pewne problemy z poprzednimi modelami i jest w stanie zmierzyć TST i SE z dobrą dokładnością . Medyczny monitor snu o nazwie Sleep Scope (Sleep Well Co) został użyty do uzyskania prawdy gruntowej na hipnogramach snu. Sleep Scope to jednokanałowy elektroencefalogram klasy klinicznej (certyfikat japońskiego urządzenia medycznego 225adbzx00020000), który został zwalidowany przeciwko PSG (umowa=86,9%, Średnia wartość Cohena Kappa =0,75). Zakres snu został wybrany przez PSG, ponieważ umożliwiał zbieranie danych w domach uczestników, a nie w laboratorium snu. Gwarantuje to, że Fitbit Charge 2 został oceniony w ekologicznie prawidłowym otoczeniu; zapewnia to również zminimalizowanie możliwych zakłóceń snu przez nieznane środowisko.

w fazie zbierania danych uczestnicy śledzili swój sen przez 3 kolejne noce w swoich domach. Zgodnie z powszechną praktyką w nauce o śnie, przeanalizowaliśmy drugą noc dla każdego uczestnika, aby usunąć pierwszy efekt nocny . Jeśli dane z drugiej nocy nie były prawidłowe, analizowano dane z trzeciej nocy. Dane z pierwszej nocy były wybierane tylko wtedy, gdy ani druga noc, ani trzecia noc nie były ważne.

dane snu Fitbit zostały pobrane przez interfejs programu aplikacji (API) Fitbit. Fitbit Charge 2 zapewnia dane uśpienia na 2 poziomach za pośrednictwem publicznego API. Dane poziomu etapu obejmują poziomy etapu snu, w tym przebudzenie, lekki sen, głęboki sen i sen REM. Dane te są agregowane przy 30-sekundowej ziarnistości, która jest zgodna ze standardową fazą snu w warunkach klinicznych. Jeśli dane poziomu etapu nie są dostępne, dane poziomu klasycznego zostaną dostarczone jako alternatywa. Klasyczne dane poziomu obejmują poziomy wzorca snu, w tym uśpiony, niespokojny i przebudzony, i są agregowane w grubszej ziarnistości 60 sekund. W tym badaniu byliśmy zainteresowani danymi dotyczącymi snu na poziomie etapowym, a Klasyczne dane dotyczące poziomu zostały odrzucone, ponieważ nie zawierały informacji na temat głębokiego snu, lekkiego snu i snu REM.

dane urządzenia medycznego zostały przeanalizowane przez firmę Sleep Well, przy użyciu autorskich algorytmów automatycznej punktacji, a następnie przeprowadzono kontrolę wizualną poszczególnych epok przez specjalistów na podstawie ustalonych standardów i dodano korekty w razie potrzeby. Dane Fitbit i dane medyczne zostały zsynchronizowane, aby upewnić się, że czas rozpoczęcia był wyrównany.

aby zbadać wpływ czynników specyficznych dla użytkownika na dokładność pomiaru, zebraliśmy również dane dotyczące czynników wymienionych w tabeli 1. Wiek i płeć były oparte na raporcie własnym, a PSQI mierzono za pomocą kwestionariusza PSQI . Wskaźniki jakości snu pochodzą z danych medycznych.

Analiza statystyczna

ogólny cel analizy był dwojaki. Naszym celem było zbadanie dokładności Fitbit Charge 2 w pomiarze przejść fazy snu w porównaniu z urządzeniem medycznym. Interesowały nas również skojarzenia czynników specyficznych dla użytkownika z dokładnością pomiaru Fitbit Charge 2. Wszystkie zgłoszone poziomy istotności statystycznej były dwustronne, a analizę statystyczną przeprowadzono przy użyciu oprogramowania statystycznego R w wersji 3.5.3 (the R Foundation).

Po pierwsze, statyka opisowa parametrów snu została zaczerpnięta z danych medycznych. Sparowany test t z dwoma ogonami został użyty do zbadania, czy istnieją statystycznie istotne różnice we wzorcach snu między mężczyznami i kobietami, a także między uczestnikami poniżej 25 roku życia i powyżej 25 roku życia. Po drugie, prawdopodobieństwo przejścia ze stanu snu zostało obliczone przez podzielenie liczby przejść z określonego stanu snu do określonego stanu snu przez całkowitą liczbę przejść z tego konkretnego stanu do wszystkich stanów snu (w tym pobytu w tym samym stanie). Jak pokazano na fig. 2, { X, Y i B } pochodzą od { W, L, D i R}, A nX→y to liczba przejść ze fazy snu X do Y podczas całego nocnego snu. W, L, D i R są skrótami wake, light sleep, deep sleep I REM sleep. Prawdopodobieństwo przejścia w fazie snu obliczono na podstawie danych Fitbit i danych medycznych dla każdego uczestnika, a następnie uśredniono w całej kohorcie, aby uzyskać średnie prawdopodobieństwo przejścia w fazie snu. Systematyczną różnicę między tymi dwoma urządzeniami oceniono stosując sparowany test t na prawdopodobieństwie przejścia w fazie snu. Wartość p poniżej .05 uznano za istotne statystycznie. Poziom porozumienia między dwoma urządzeniami zbadano za pomocą działek Bland-Altman .

zobacz ten rysunek

zobacz tę figurę

bezwzględny błąd procentowy eX→y został obliczony przy użyciu równania na fig.3, gdzie { X, Y i B } pochodzą z { W, L, D i R}, sFX→y i sMX→y są prawdopodobieństwem przejścia od fazy snu X do Y, pochodzącym z danych Fitbit i danych medycznych.

aby zbadać wpływ czynników specyficznych dla użytkownika na bezwzględny błąd procentowy, zbiór danych podzielono na 2 podzbiory zgodnie z wartościami granicznymi wymienionymi w tabeli 1. Wilcoxon signed-rank test przeprowadzono w celu zbadania, czy istnieją znaczące różnice między 2 podzbiorów pod względem wyników snu metrics (prawdopodobieństwo przejścia etapu snu). Wybór wartości progowych odcięcia był zgodny z literaturą w nauce o śnie .

wyniki

statystyki opisowe

w badaniu wzięło udział łącznie 28 młodych osób dorosłych bez chorób przewlekłych. W sumie 5 uczestników zostało wykluczonych z analizy z powodu braku uzyskania danych dotyczących snu na poziomie zaawansowania za pomocą Fitbit. Oznacza to, że od tych uczestników uzyskano tylko klasyczne dane dotyczące snu; dane nie zawierały informacji na temat snu lekkiego, głębokiego i REM. W związku z tym nie było możliwe obliczenie prawdopodobieństwa przejścia fazy snu dla tych uczestników. Ostateczny zestaw danych obejmuje zatem dane dotyczące snu od 23 uczestników (Mężczyźni: Kobiety=14: 9). Ta liczba uczestników jest porównywalna z innymi badaniami walidacyjnymi . Wszyscy uczestnicy byli studentami w wieku od 21 do 30 lat (średnia 24,3, SD 2,7). W sumie 8 z 23 uczestników miało PSQI wyższe niż 5, co wskazywało na niezaspokojoną jakość snu. Stwierdzono istotne statystycznie różnice pomiędzy mężczyznami i kobietami pod względem czasu przebudzenia (kobiety: 9,7 min; mężczyźni: 22,8 min; P=.02) i stosunek fazy snu 1 (kobiety: 7,7(%); mężczyźni: 14,3 ( % ); P=.02). Porównaliśmy również schematy snu między uczestnikami poniżej i powyżej 25 lat. Stwierdzono istotne statystycznie różnice pod względem TST (poniżej 25 lat: 308,7 min; powyżej 25 lat: 396,8 min; P=.03), prawdopodobieństwo przejścia ze snu głębokiego na lekki sen (poniżej 25 lat: 5,5%; powyżej 25 lat: 1,5%; P=.02), a prawdopodobieństwo pozostania w lekkim śnie (poniżej 25 lat: 85,3 (%); powyżej 25 lat: 94,8 (%); P=.008).

różnice systematyczne

Tabela 2 przedstawia szacowane prawdopodobieństwo przejścia w fazie snu uzyskane na podstawie danych medycznych i danych Fitbit, a także wyniki sparowanego testu T. Obliczaliśmy prawdopodobieństwo przejścia fazy snu indywidualnie dla każdego uczestnika, a następnie uśrednialiśmy wyniki w całej kohorcie. Wykazano, że rzadko występowały następujące przejścia: głęboki sen do snu REM i obudzić, lekki sen do snu REM, sen REM do głębokiego snu i sen REM do lekkiego snu. Wyniki testu t wykazały, że istnieją znaczące różnice między prawdopodobieństwem przejścia na etap snu mierzonym za pomocą urządzenia Fitbit a prawdopodobieństwem mierzonym za pomocą urządzenia medycznego. Fitbit odbiegał od urządzenia medycznego we wszystkich prawdopodobieństwach przejścia z wyjątkiem prawdopodobieństwa przejścia ze snu lekkiego do snu REM (sFL→r = 0,9%; sML→r =1,7%), prawdopodobieństwo przejścia z głębokiego snu do przebudzenia (sFD→w = sMD→w =0.2%), a prawdopodobieństwo pozostania w fazie snu REM (sFR→r = sMR→r =96,9%). Ogólnie Rzecz Biorąc, Fitbit nie doceniał dynamiki przejścia etapu snu. Prawdopodobieństwo przebywania w określonym etapie snu było znacznie zawyżone, podczas gdy prawdopodobieństwo przejścia z określonego etapu do innego etapu było w większości zaniżone.

poziom porozumienia i korelacji

na rysunkach 4-6 przedstawiono wykresy Blanda-Altmana porównujące Fitbit Charge 2 z urządzeniem medycznym. Rozbieżności urządzeń dla wyników snu są wykreślane jako funkcja wyników medycznych dla każdej osoby. Średnie odchylenie wahało się od 0% (sR→R i sD→W) do około 60% (SL→D). Nie więcej niż 2 uczestników znajdowało się poza dolną granicą porozumienia lub górną granicą porozumienia.

zgodnie z wcześniejszymi badaniami zdefiniowaliśmy dopuszczalny zakres błędów jako ei ≤5%, ponieważ jest to zbliżone do powszechnie akceptowalnego standardu istotności statystycznej w literaturze. Na podstawie tego kryterium nie stwierdzono systematycznego odchylenia pomiędzy Fitbit a urządzeniem medycznym w pomiarach SW→L, SW→R, sL→R, sD→W, sR→L, sR→D i Sr→R.

Rysunek 4 pokazuje, że nie stwierdzono tendencji pomiędzy różnicą a średnią sR→L, SL→R i Sr→R. W przeciwieństwie do tego, Fig. 5 i Fig. 6 pokazują wyraźne tendencje, że różnice pomiarowe były większe dla niższych sL→L, sD→D i sW→w, a różnice były większe dla wyższych SW→l, SW→R, sW→D, SL→w, sL→D, sD→W, sD→L, sD→r, SR→W i sR→D. wyniki te sugerują, że dokładność Fitbit Charge 2 w pomiarze przejść fazy snu może ulec pogorszeniu, gdy sen staje się bardziej dynamiczny (więcej przejść między różnymi etapami snu).

zobacz ten rysunek

zobacz ten rysunek

zobacz ten rysunek

wpływ czynników specyficznych dla użytkownika

wyniki testu Wilcoxon signed-rank wykazały, że dobra subiektywna jakość snu wskazana przez PSQI jako niższa niż 5 była związana ze zmniejszeniem błędów w prawdopodobieństwie pozostania w fazie głębokiego snu (PSQI<5, 132.1±173,1%; Psqi≥5; 346,8±250,0%; P=.04), ale wiązało się to ze zwiększonym prawdopodobieństwem przejścia z przebudzenia do snu REM (PSQI<5, 100,0±0,0%; PSQI≥5, 85,1±25,5%; P=.02).

Czas czuwania dłuższy niż 30 minut był związany ze zwiększonym prawdopodobieństwem przejścia ze snu lekkiego do snu REM (WASO≥30, 265, 8±176, 5; WASO<30, 103, 9±49, 1%; P=.02), ale wiązało się to ze zmniejszeniem prawdopodobieństwa przejścia z lekkiego snu do przebudzenia (WASO≥30, 78,6±10,2%; WASO<30, 86,7±8,6%; P=.049), a także prawdopodobieństwo pozostania w stanie czuwania (WASO≥30, 117, 3±269, 5%; WASO<30, 125, 2±103, 6%; P=.006).

SE powyżej 90% wiązało się ze zwiększonym błędem pomiaru prawdopodobieństwa przejścia ze snu REM do snu lekkiego (SE > 90, 107, 1±53, 2%; SE≤90%, 55, 9±40, 4%; P=.047).

ponadto, wiek poniżej 25 lat (wiek< 25, 7,9±5,4%; wiek≥25, 3,1±2,3%; P=.01), opóźnienie początku snu (SOL) krótsze niż 30 minut (SOL<30, 8, 6±5, 8%; SOL≥30, 4, 1±3, 4%; P=.02) i współczynnik głębokiego snu powyżej 20% (sen wolnofalowy; SWS<20%, 3,9±3,5%; SWS≥20, 9,5±5,2; P=.007) były związane z niewielkim zwiększonym błędem pomiarowym w prawdopodobieństwie pozostawania w fazie lekkiego snu. Niemniej jednak średnie błędy nie przekraczały 10% we wszystkich odpowiednich przypadkach.

nie stwierdzono istotnych powiązań między błędami pomiaru Fitbit a innymi czynnikami, w tym płcią, TST, SOL, współczynnikiem lekkiego snu, współczynnikiem snu REM i Tavg.

dyskusja

główne ustalenia

zademonstrowaliśmy numeryczne porównanie prawdopodobieństwa przejścia fazy snu między Fitbit Charge 2 a urządzeniem medycznym. Poziom i granice porozumienia między dwoma typami urządzeń zostały zilustrowane za pomocą wykresów Bland-Altman. Wyniki testu Wilcoxon signed-rank zostały przedstawione w celu wykazania związków między czynnikami specyficznymi dla użytkownika a błędami pomiarowymi. Badanie to wygenerowało 2 główne wnioski. Po pierwsze, stwierdziliśmy, że Fitbit Charge 2 nie doceniał dynamiki przejścia fazy snu w porównaniu z urządzeniem medycznym. Po drugie, dokładność urządzenia była głównie związana z 3 czynnikami specyficznymi dla użytkownika: subiektywną jakością snu mierzoną przez PSQI, WASO i SE.

analiza przejścia fazy snu została wykorzystana do scharakteryzowania ciągłości snu i stabilności czasowej napadów non-REM i REM w nauce o śnie . W tym badaniu, prawdopodobieństwo przejścia etapu snu pochodzące z danych medycznych wykazały interesujące wzorce. Zgodnie z oczekiwaniami prawdopodobieństwo, że jakikolwiek etap snu pozostanie na tym samym etapie, było stale wyższe niż prawdopodobieństwo, że ten etap zmieni się na inny. Bezpośrednie przejście między głębokim snem a snem REM rzadko się zdarzało. Prawdopodobieństwo przejścia z przebudzenia do głębokiego snu lub z przebudzenia do snu REM było niskie. Podobnie prawdopodobieństwo przejścia z głębokiego snu do przebudzenia było również niskie. Cechy te były zgodne z ustaleniami zgłoszonymi we wcześniejszych badaniach dotyczących przemian w fazie snu u zdrowych osób .

Przejście fazy snu jest wynikiem złożonych interakcji między wieloma regionami mózgu. Nie będąc w stanie wykryć markerów w falach mózgowych, takich jak kompleksy k , opaski konsumenckie mają ograniczoną wydajność w klasyfikacji etapów snu. Wcześniejsze badania pokazują, że urządzenia Fitbit Charge 2 znacznie zawyżały lekki sen i niedoceniały głębokiego snu, gdy zatwierdzano je w warunkach laboratoryjnych, podczas gdy nie doceniały głębokiego snu i zawyżały sen lekki i REM, gdy zatwierdzano je w warunkach wolnego życia . Badanie to uzupełnia wcześniejsze ustalenia i wnosi nowy wgląd w możliwości Fitbit w rejestrowaniu przejść na etapie snu. Ogólnie rzecz biorąc, zaobserwowaliśmy, że Fitbit Charge 2 znacznie odbiega od urządzenia medycznego w pomiarze dynamiki przejścia etapu snu. W szczególności średnie prawdopodobieństwo pozostawania w fazie przebudzenia i głębokiej fazie mierzone za pomocą Fitbit było znacznie wyższe niż te mierzone za pomocą urządzenia medycznego. W przeciwieństwie do tego, Fitbit nie docenił prawdopodobieństwa przejścia scenicznego z lekkiego snu do przebudzenia i z lekkiego snu do głębokiego snu. Jest to prawdopodobnie spowodowane błędną klasyfikacją epok przebudzenia i głębokiego snu na lekki sen . Tendencja systematyczna (między 40% a 60%) została zilustrowana na wykresach Bland-Altmana dotyczących prawdopodobieństwa przejścia na fazę snu. Z drugiej strony nie zaobserwowano systematycznego odchylenia i średniej różnicy w pomiarze prawdopodobieństwa przebywania w fazie snu REM. Wynik ten stanowi komplementarny dowód do stwierdzenia w badaniu de Zambotti et al., że Fitbit Charge 2 zgodził się dobrze do urządzeń medycznych w wykrywaniu snu REM.

unikalnym aspektem tego badania jest to, że zbadaliśmy również wpływ czynników specyficznych dla użytkownika i znaleźliśmy wiele skojarzeń. Nasza analiza wykazała, że subiektywna jakość snu mierzona za pomocą PSQI, wake after WASO i SE była znacznie silnymi predyktorami błędów pomiarowych w prawdopodobieństwie przejścia na etap snu. Wiek, SOL i współczynnik głębokiego snu były znaczącymi, ale słabymi predyktorami, podczas gdy płeć, TST, współczynnik lekkiego snu, współczynnik snu REM i średni cykl snu nie były związane z błędami pomiarowymi Fitbit.

pomimo ustalenia z poprzednich badań walidacyjnych, że zła jakość snu jest związana z pogorszeniem wydajności urządzeń monitorujących sen w pomiarach polisomnograficznych wskaźników snu, badanie to ujawnia, że związek jest bardziej skomplikowany między jakością snu a dokładnością urządzenia w pomiarze przejść etapu snu. Rzeczywiście, stwierdziliśmy, że dobra subiektywna jakość snu (PSQI<5) była związana ze zmniejszonym błędem pomiaru prawdopodobieństwa pozostania w fazie głębokiego snu, a mniej fragmentarycznego snu (WASO<30 min) była związana ze zmniejszonym błędem w prawdopodobieństwie przejścia ze snu lekkiego do snu REM. Niemniej jednak stwierdzono również, że dobry sen charakteryzuje się szybkim początkiem snu (SOL<30 min), wysokim współczynnikiem głębokiego snu (SWS>20%), dobrym subiektywnym odczuciem (PSQI<5), krótkimi przebudzeniami (WASO<30 min) i wysokie se (se>90%) były związane ze zwiększonymi błędami pomiaru w różnych prawdopodobieństwach przejścia wyników. Wynik ten jest sprzeczny z wcześniejszymi ustaleniami na temat aktygrafii, które pogorszyły sen (np. long WASO i SOL) zwiększając błędy pomiarowe . Ta rozbieżność sugeruje, że wyników związanych z aktygrafią kliniczną nie należy uogólniać na opaski konsumenckie bez dalszej walidacji.

Ponadto stwierdzono, że wiek jest znaczącym, ale słabym predyktorem błędów pomiarowych. Uczestnicy w przedziale wiekowym od 25 do 30 lat mieli mniejsze błędy pomiarowe w prawdopodobieństwie przebywania w fazie lekkiego snu w porównaniu z osobami młodszymi niż 25 lat. Ponieważ wiek jest powszechnie uznawany za istotny czynnik , który zmienia wzorce snu, wpływ wieku można również przypisać różnicy w podstawowych wzorcach snu. Medyczne dane dotyczące snu wykazały, że młodsi uczestnicy na ogół mieli krótszy sen i wyższą dynamikę przejścia etapu snu (przejście z głębokiego snu do lekkiego snu), co może stanowić wzrost błędów pomiarowych. Niemniej jednak, to odkrycie nie powinno być uogólnione do szerokiego zakresu grup wiekowych ze względu na ograniczone pobieranie próbek wieku w tym badaniu. Konieczne są dalsze badania, aby systematycznie badać wpływ wieku na dokładność urządzenia.

nasze wyniki uzupełniają wyniki poprzednich badań walidacyjnych dotyczących opasek konsumenckich do śledzenia snu w ogóle. Fitbit Charge 2 wykazał zadowalającą wydajność w pomiarach TST i SE, ale nadal nie jest w stanie klasyfikować etapów snu z dobrą dokładnością . Nasze wyniki pokazują, że Fitbit Charge 2 może również lekceważyć dynamikę przejścia snu, dlatego należy go stosować ostrożnie. Badanie to ustanawia wstępne odniesienie dla naukowców, którzy zamierzają używać urządzenia Fitbit do pomiaru przejść w fazie snu w badaniach naukowych, a badanie to sugeruje, że przy wyborze narzędzi do monitorowania snu mogą być brane pod uwagę zarówno postrzegane, jak i obiektywne wzorce snu.

ograniczenia

to badanie podlega następującym ograniczeniom. Po pierwsze, uczestnicy reprezentują młodą zdrową populację, która była wolna od zaburzeń snu lub chorób przewlekłych. W związku z tym, wyniki nie mogą być uogólnione do starszych lub klinicznych populacji. Po drugie, Faza zbierania danych nie miała charakteru podłużnego i analizowano tylko 1 noc snu od każdego uczestnika. Tak więc wyniki mogą nie liczyć zmian intrapersonalnych. Po trzecie, wykaz potencjalnych czynników wpływających zbadanych w tym badaniu nie był wyczerpujący i może na niego wpływać ograniczone pobieranie próbek. Dalsze badania powinny rozwiązać te ograniczenia poprzez włączenie zróżnicowanej populacji, wydłużenie czasu zbierania danych i zbadanie wpływu innych potencjalnych predyktorów dokładności urządzeń.

wnioski

udowodniliśmy, że Fitbit Charge 2 znacząco zaniża dynamikę przejścia na etapie snu w porównaniu z urządzeniem medycznym i że na dokładność pomiaru może mieć wpływ głównie postrzegana jakość snu, ciągłość snu i SE. Pomimo pozytywnego trendu zwiększonej dokładności w przypadku najnowszych czujników snu do noszenia przez konsumentów, należy rozpoznać ograniczenia tych urządzeń w wykrywaniu dynamiki przejścia na etapie snu. Jako narzędzie do pomiaru wyników, Fitbit Charge 2 może nie być odpowiedni do badań związanych z przejściami na etapie snu lub do podejmowania decyzji w zakresie opieki zdrowotnej. Dalsze badania powinny koncentrować się na zwiększeniu dokładności tych opasek konsumenckich w pomiarach nie tylko parametrów polisomnograficznych, ale także dynamiki przejścia w fazie snu.