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

Le sommeil est un rythme fondamental de la vie humaine, un cycle quotidien où le corps se répare et l'esprit traite le monde. Pour comprendre combien de sommeil les gens obtiennent, et comment cette quantité est liée à leur santé, les scientifiques doivent mesurer la fenêtre de temps exacte entre le moment où une personne s'endort et celui où elle se réveille. Cette période est connue sous le nom de période de sommeil. Pendant des décennies, les chercheurs se sont appuyés sur de petits dispositifs portés au poignet, semblables à une montre, pour suivre les mouvements et deviner quand une personne dort. Ces dispositifs fonctionnent bien car le poignet bouge de manière notable lorsqu'une personne est éveillée et reste immobile lorsqu'elle dort. Cependant, de nombreuses études à grande échelle qui suivent la santé de milliers de personnes sur de nombreuses années utilisent une approche différente. Au lieu d'un bracelet, ces études placent le capteur sur la hanche, comme une ceinture, pour mesurer toute l'activité physique tout au long de la journée. Bien que cette méthode capture une image complète du mouvement quotidien, les programmes informatiques standards utilisés pour trouver les temps de sommeil ont été conçus pour des données de poignet, et non de hanche. Cela a créé un fossé : les scientifiques disposaient d'une abondance de données collectées via des capteurs portés à la hanche, mais manquaient d'un moyen fiable pour en extraire des informations précises sur le sommeil.

Une équipe de chercheurs s'est donné pour mission de combler ce fossé en testant et en affinant deux programmes informatiques en libre accès conçus pour trouver les fenêtres de sommeil. Ils se sont concentrés sur une méthode qui utilise les données de mouvement brutes collectées à partir de capteurs portés simultanément au poignet et à la hanche. L'étude a impliqué 303 participants, dont 109 enfants âgés de huit à douze ans, et 194 jeunes adultes. Chaque personne portait deux capteurs simultanément pendant six nuits : un à son poignet et un à sa hanche. Pour s'assurer que les programmes informatiques étaient testés par rapport à une norme fiable, les participants ont également tenu un journal de sommeil, notant précisément l'heure à laquelle ils se sont couchés et l'heure à laquelle ils se sont levés. Les chercheurs ont utilisé les données du poignet, guidées par ces journaux, comme un point de référence de confiance. Ils ont ensuite pris les données de la hanche et les ont passées à travers deux algorithmes différents, qui sont des ensembles de règles indiquant à un ordinateur comment interpréter le mouvement. Un algorithme, appelé HDCZA, recherche de longues périodes où le capteur ne bouge pas beaucoup. L'autre, appelé HorAngle, est une méthode plus récente spécifiquement conçue pour la hanche ; il recherche le moment où le capteur est à plat, ce qui suggère que la personne est allongée dans son lit.

Les chercheurs n'ont pas simplement exécuté les programmes avec leurs paramètres par défaut. Au lieu de cela, ils ont soigneusement ajusté les règles internes des deux algorithmes en utilisant une partie de leurs données afin de trouver les réglages produisant les résultats les plus précis. Ils ont ensuite testé ces réglages ajustés sur les participants restants pour voir comment ils performaient. Les résultats ont montré que les deux programmes pouvaient estimer avec succès les fenêtres de sommeil à partir des capteurs de hanche. En comparant l'estimation de l'ordinateur à l'heure réelle notée par le participant dans son journal, la différence moyenne était très faible. Pour l'heure à laquelle une personne s'est endormie, le programme HDCZA présentait un écart moyen de trois minutes, tandis que le programme HorAngle présentait un écart moyen de zéro minute. Pour l'heure à laquelle une personne s'est réveillée, les différences étaient similaires et faibles, l'HDCZA étant décalé de quatre minutes et l'HorAngle de quatre minutes dans la direction opposée. Le temps total de sommeil estimé par les programmes correspondait également étroitement aux enregistrements du journal, avec des différences n'avançant que de quelques minutes en moyenne.

Bien que les erreurs moyennes soient faibles, les chercheurs ont noté que pour une nuit donnée, l'estimation pouvait être erronée de manière plus importante, parfois de plusieurs heures. Cela est attendu, car les nuits de sommeil individuelles peuvent être irrégulières. Cependant, lorsque les chercheurs ont examiné les modèles globaux, les deux algorithmes étaient très performants pour classer correctement les personnes. Si une personne dormait plus longtemps qu'une autre, les programmes informatiques étaient capables d'identifier cette différence la plupart du temps. L'étude a également révélé que la précision de ces estimations ne dépendait pas du fait que le participant soit un enfant ou un adulte, ni de son sexe. Le principal facteur influençant la précision était la durée pendant laquelle le capteur n'était pas porté. Si l'appareil était retiré pendant la nuit, l'ordinateur disposait de moins d'informations, ce qui rendait l'estimation moins fiable.

L'étude conclut qu'il est possible d'estimer avec précision les fenêtres de sommeil à partir de capteurs portés à la hanche, à condition d'utiliser les bons algorithmes informatiques. L'algorithme HDCZA a l'avantage de ne nécessiter aucun ajustement spécial pour le type de capteur spécifique, ce qui en fait un outil flexible. L'algorithme HorAngle, qui repose sur la détection de l'horizontalité du capteur, a performé tout aussi bien mais nécessite que le chercheur identifie correctement l'axe du capteur qui représente la longueur du corps. Les deux méthodes offrent un moyen précieux de débloquer les données de sommeil à partir des masses de données d'activité collectées via la hanche dans les grandes études de santé. Cela signifie que les chercheurs peuvent désormais revenir sur des décennies de données existantes et obtenir de nouvelles perspectives sur la façon dont les modèles de sommeil affectent la santé de l'ensemble de la population, sans avoir besoin de procéder à de nouvelles mesures avec un capteur de poignet. Ce travail démontre qu'avec un ajustement minutieux, les mêmes données de mouvement qui suivent les pas quotidiens d'une personne peuvent également révéler les heures de repos silencieux.