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

El sueño es un ritmo fundamental de la vida humana, un ciclo diario donde el cuerpo se repara a sí mismo y la mente procesa el mundo. Para entender cuánto duerme la gente, y cómo esa cantidad se relaciona con su salud, los científicos necesitan medir la ventana exacta de tiempo entre cuando una persona se queda dormida y cuando se despierta. Este periodo se conoce como el periodo de sueño. Durante décadas, los investigadores han dependido de pequeños dispositivos usados en la muñeca, similares a un reloj, para rastrear el movimiento y adivinar cuándo una persona está durmiendo. Estos dispositivos funcionan bien porque la muñeca se mueve notablemente cuando una persona está despierta y permanece quieta cuando está durmiendo. Sin embargo, muchos estudios a gran escala que rastrean la salud de miles de personas durante muchos años utilizan un enfoque diferente. En lugar de una pulsera, estos estudios colocan el sensor en la cadera, muy parecido a un cinturón, para medir toda la actividad física durante todo el día. Si bien este método captura una imagen completa del movimiento diario, los programas informáticos estándar utilizados para encontrar los tiempos de sueño fueron creados para datos de la muñeca, no de la cadera. Esto creó una brecha: los científicos tenían una gran cantidad de datos de sensores usados en la cadera, pero carecían de una forma fiable de extraer información precisa sobre el sueño de ellos.

Un equipo de investigadores se propuso cerrar esta brecha probando y perfeccionando dos programas informáticos de código abierto diseñados para encontrar ventanas de sueño. Se centraron en un método que utiliza datos de movimiento bruto recopilados de sensores usados tanto en la muñeca como en la cadera. El estudio involucró a 303 participantes, incluyendo 109 niños de entre ocho y doce años, y 194 adultos jóvenes. Cada persona usó dos sensores simultáneamente durante seis noches: uno en su muñeca y otro en su cadera. Para asegurar que los programas informáticos se estuvieran probando contra un estándar fiable, los participantes también llevaron un diario de sueño, anotando exactamente cuándo se acostaban y cuándo se levantaban. Los investigadores utilizaron los datos de la muñeca, guiados por estos diarios, como un punto de referencia confiable. Luego tomaron los datos de la cadera y los pasaron por dos algoritmos diferentes, que son conjuntos de reglas que le dicen a una computadora cómo interpretar el movimiento. Un algoritmo, llamado HDCZA, busca periodos largos donde el sensor no se mueve mucho. El otro, llamado HorAngle, es un método más nuevo diseñado específicamente para la cadera; busca el momento en que el sensor está tumbado, lo que sugiere que la persona está acostada en la cama.

Los investigadores no simplemente ejecutaron los programas con sus configuraciones predeterminadas. En su lugar, ajustaron cuidadosamente las reglas internas de ambos algoritmos utilizando una parte de sus datos para encontrar las configuraciones que produjeran los resultados más precisos. Luego probaron estas configuraciones ajustadas con los participantes restantes para ver cómo funcionaban. Los resultados mostraron que ambos programas podían estimar con éxito los tiempos de sueño a partir de los sensores de la cadera. Al comparar la suposición de la computadora con la hora real que el participante escribió en su diario, la diferencia promedio fue muy pequeña. Para la hora en que una persona se iba a dormir, el programa HDCZA tuvo un error de tres minutos en promedio, mientras que el programa HorAngle tuvo un error de cero minutos en promedio. Para la hora en que una persona se despertaba, las diferencias fueron similaresmente pequeñas, con HDCZA con cuatro minutos de diferencia y HorAngle con cuatro minutos en la dirección opuesta. La cantidad total de tiempo de sueño estimada por los programas también coincidió estrechamente con los registros del diario, con diferencias que promediaban solo unos pocos minutos.

Aunque los errores promedio fueron pequeños, los investigadores señalaron que, para cualquier noche individual, la suposición podría estar errada por un margen mayor, a veces por varias horas. Esto es de esperar, ya que las noches de sueño individuales pueden ser irregulares. Sin embargo, cuando los investigadores observaron los patrones generales, ambos algoritmos fueron bastante buenos para clasificar a las personas correctamente. Si una persona dormía más tiempo que otra, los programas informáticos eran capaces de identificar esa diferencia la mayor parte del tiempo. El estudio también encontró que la precisión de estas estimaciones no dependía de si el participante era un niño o un adulto, o si era hombre o mujer. El factor principal que influyó en la precisión fue cuánto tiempo no se usó el sensor. Si el dispositivo se quitaba durante la noche, la computadora tenía menos información con la cual trabajar, lo que hacía que la estimación fuera menos confiable.

El estudio concluye que es posible estimar con precisión las ventanas de sueño a partir de sensores usados en la cadera, siempre que se utilicen los algoritmos informáticos adecuados. El algoritmo HDCZA tiene la ventaja de no necesitar ningún ajuste especial para el tipo específico de sensor, lo que lo convierte en una herramienta flexible. El algoritmo HorAngle, que se basa en detectar cuándo el sensor es horizontal, funcionó igual de bien, pero requiere que el investigador identifique correctamente qué eje del sensor representa la longitud del cuerpo. Ambos métodos ofrecen una forma valiosa de desbloquear los datos de sueño de las enormes cantidades de datos de actividad de la cadera que ya se han recolectado en grandes estudios de salud. Esto significa que los investigadores ahora pueden mirar hacia atrás en décadas de datos existentes y obtener nuevos conocimientos sobre cómo los patrones de sueño afectan la salud en toda la población, sin necesidad de volver a medir a todos con un sensor de muñeca. El trabajo demuestra que, con un ajuste cuidadoso, los mismos datos de movimiento que rastrean los pasos diarios de una persona también pueden revelar las horas silenciosas de su descanso.