Estimating the sleep period time window based on a hip- worn accelerometer collected in children and adults

Schlaf ist ein grundlegender Rhythmus des menschlichen Lebens, ein täglicher Zyklus, in dem der Körper sich selbst repariert und der Geist die Welt verarbeitet. Um zu verstehen, wie viel Schlaf Menschen bekommen und wie diese Menge mit ihrer Gesundheit zusammenhängt, müssen Wissenschaftler das exakte Zeitfenster messen, das zwischen dem Zeitpunkt, an dem eine Person einschläft, und dem Zeitpunkt, an dem sie aufwacht, liegt. Dieser Zeitraum wird als Schlafperiode bezeichnet. Jahrzehntelang haben Forscher kleine Geräte verwendet, die am Handgelenk getragen werden, ähnlich einer Armbanduhr, um Bewegungen zu verfolgen und zu erraten, wann eine Person schläft. Diese Geräte funktionieren gut, da sich das Handgelenk merklich bewegt, wenn eine Person wach ist, und still bleibt, wenn sie schläft. Viele groß angelegte Studien, die die Gesundheit von Tausenden von Menschen über viele Jahre hinweg verfolgen, nutzen jedoch einen anderen Ansatz. Anstatt eines Armbands platzieren diese Studien den Sensor an der Hüfte, ähnlich einem Gürtel, um die gesamte körperliche Aktivität des Tages zu messen. Während diese Methode ein vollständiges Bild der täglichen Bewegung liefert, wurden die Standardcomputerprogramme zur Ermittlung der Schlafzeiten für Handgelenkdaten entwickelt, nicht für Hüftdaten. Dies schuf eine Lücke: Wissenschaftler verfügten über eine Fülle von an der Hüfte getragenen Daten, aber es fehlte ihnen an einer zuverlässigen Methode, um präzise Schlafinformationen daraus zu extrahieren.

Ein Forschungsteam setzte sich zum Ziel, diese Lücke zu schließen, indem es zwei Open-Source-Computerprogramme testete und verfeinerte, die darauf ausgelegt sind, Schlafphasen zu finden. Sie konzentrierten sich auf eine Methode, die Rohbewegungsdaten verwendet, die von Sensoren gesammelt wurden, die sowohl am Handgelenk als auch an der Hüfte getragen werden. Die Studie umfasste 303 Teilnehmer, darunter 109 Kinder im Alter zwischen acht und zwölf Jahren sowie 194 junge Erwachsene. Jede Person trug sechs Nächte lang gleichzeitig zwei Sensoren: einen am Handgelenk und einen an der Hüfte. Um sicherzustellen, dass die Computerprogramme gegen einen zuverlässigen Standard getestet wurden, führten die Teilnehmer zudem ein Schlaftagebuch, in dem sie genau aufschrieben, wann sie zu Bett gingen und wann sie aufstanden. Die Forscher nutzten die Handgelenkdaten, geleitet durch diese Tagebücher, als vertrauenswürdigen Referenzpunkt. Sie nahmen dann die Hüftdaten und ließen sie durch zwei verschiedene Algorithmen laufen, welche Regelwerke sind, die einem Computer sagen, wie er die Bewegung zu interpretieren hat. Ein Algorithmus namens HDCZA sucht nach langen Zeiträumen, in denen sich der Sensor kaum bewegt. Der andere, namens HorAngle, ist eine neuere Methode, die speziell für die Hüfte entwickelt wurde; sie sucht nach der Zeit, in der der Sensor flach liegt, was darauf hindeutet, dass die Person im Bett liegt.

Die Forscher führten die Programme nicht einfach mit ihren Standardeinstellungen aus. Stattdessen stimmten sie die internen Regeln beider Algorithmen unter Verwendung eines Teils ihrer Daten sorgfältig ab, um die Einstellungen zu finden, die die genauesten Ergebnisse lieferten. Sie testeten diese abgestimmten Einstellungen dann an den verbleibenden Teilnehmern, um zu sehen, wie gut sie funktionierten. Die Ergebnisse zeigten, dass beide Programme in der Lage waren, Schlafzeiten aus den Hüftsensoren erfolgreich zu schätzen. Beim Vergleich der Vermutung des Computers mit der tatsächlichen Zeit, die der Teilnehmer in sein Tagebuch eintrug, war der durchschnittliche Unterschied sehr gering. Für die Zeit, zu der eine Person einschlief, lag der HDCZA-Algorithmus im Durchschnitt drei Minuten daneben, während der HorAngle-Algorithmus im Durchschnitt null Minuten Abweichung aufwies. Für die Zeit, zu der eine Person aufwachte, waren die Unterschiede ähnlich gering, wobei HDCZA um vier Minuten daneben lag und HorAngle um vier Minuten in die entgegengesetzte Richtung. Auch die geschätzte Gesamtschlafzeit der Programme entsprach eng den Aufzeichnungen im Tagebuch, wobei die Unterschiede im Durchschnitt nur wenige Minuten betrugen.

Obwohl die durchschnittlichen Fehler klein waren, stellten die Forscher fest, dass die Vermutung für eine einzelne Nacht um einen größeren Betrag, manchmal um mehrere Stunden, daneben liegen konnte. Dies ist zu erwarten, da die Schlafqualität in einzelnen Nächten unregelmäßig sein kann. Wenn die Forscher jedoch die allgemeinen Muster betrachteten, waren beide Algorithmen sehr gut darin, Menschen korrekt einzustufen. Wenn eine Person länger schlief als eine andere, konnten die Computerprogramme diesen Unterschied meistens identifizieren. Die Studie fand auch heraus, dass die Genauigkeit dieser Schätzungen nicht davon abhing, ob der Teilnehmer ein Kind oder ein Erwachsener war oder ob er männlich oder weiblich war. Der Hauptfaktor, der die Genauigkeit beeinflusste, war die Dauer, in der der Sensor nicht getragen wurde. Wenn das Gerät während der Nacht abgelegt wurde, hatte der Computer weniger Informationen zur Verfügung, was die Schätzung weniger zuverlässig machte.

Die Studie kommt zu dem Schluss, dass es möglich ist, Schlafperioden aus an der Hüfte getragenen Sensoren genau zu schätzen, sofern die richtigen Computeralgorithmen verwendet werden. Der HDCZA-Algorithmus hat den Vorteil, dass er keine speziellen Anpassungen für den jeweiligen Sensortyp benötigt, was ihn zu einem flexiblen Werkzeug macht. Der HorAngle-Algorithmus, der auf der Erkennung basiert, wann der Sensor horizontal liegt, arbeitet ebenso gut, erfordert jedoch, dass der Forscher korrekt identifiziert, welche Achse des Sensors die Länge des Körpers darstellt. Beide Methoden bieten eine wertvolle Möglichkeit, die Schlafdaten aus den massiven Mengen an Hüft-Aktivitätsdaten freizusetzen, die bereits in großen Gesundheitsstudien gesammelt wurden. Das bedeutet, dass Forscher nun in der Lage sind, in Jahrzehnte zurückliegende Daten zu betrachten und neue Erkenntnisse darüber zu gewinnen, wie Schlafmuster die Gesundheit beeinflussen, ohne die Menschen erneut mit einem Handgelenkssensor messen zu müssen. Die Arbeit zeigt, dass mit sorgfältiger Abstimmung dieselben Bewegungsdaten, die die täglichen Schritte einer Person verfolgen, auch die stillen Stunden ihrer Ruhe offenbaren können.