Estimating the sleep period time window based on a hip- worn accelerometer collected in children and adults
Questo studio dimostra che due algoritmi open-source, HDCZA e HorAngle, possono stimare efficacemente la finestra temporale del periodo di sonno dai dati di un accelerometro indossato all'anca sia nei bambini che negli adulti, mostrando un accordo moderato con uno standard di riferimento e nessuna differenza significativa di prestazione tra i due metodi.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Il sonno è un ritmo fondamentale della vita umana, un ciclo quotidiano in cui il corpo si ripara e la mente elabora il mondo. Per capire quanto le persone dormano e come tale quantità sia correlata alla loro salute, gli scienziati devono misurare l'esatto intervallo di tempo tra quando una persona si addormenta e quando si sveglia. Questo periodo è noto come periodo del sonno. Per decenni, i ricercatori si sono affidati a piccoli dispositivi indossati al polso, simili a un orologio, per tracciare il movimento e ipotizzare quando una persona stia dormendo. Questi dispositivi funzionano bene perché il polso si muove in modo evidente quando una persona è sveglia e rimane immobile quando dorme. Tuttavia, molti studi su larga scala che monitorano la salute di migliaia di persone per molti anni utilizzano un approccio diverso. Invece di un cinturino al polso, questi studi posizionano il sensore sull'anca, proprio come una cintura, per misurare tutta l'attività fisica durante l'intera giornata. Sebbene questo metodo catturi un quadro completo del movimento quotidiano, i programmi informatici standard utilizzati per trovare i tempi del sonno sono stati costruiti per i dati del polso, non per quelli dell'anca. Ciò ha creato un vuoto: gli scienziati disponevano di una ricchezza di dati raccolti tramite sensori all'anca, ma mancavano di un modo affidabile per estrarre informazioni accurate sul sonno da essi.
Un team di ricercatori ha cercato di colmare questo divario testando e perfezionando due programmi informatici open-source progettati per trovare le finestre del sonno. Si sono concentrati su un metodo che utilizza i dati grezzi del movimento raccolti da sensori indossati sia al polso che all'anca. Lo studio ha coinvolto 303 partecipanti, inclusi 109 bambini tra gli otto e i dodici anni e 194 giovani adulti. Ogni persona ha indossato due sensori simultaneamente per sei notti: uno al polso e uno all'anca. Per garantire che i programmi informatici fossero testati rispetto a uno standard affidabile, i partecipanti hanno anche tenuto un diario del sonno, annotando esattamente quando andavano a letto e quando si alzavano. I ricercatori hanno utilizzato i dati del polso, guidati da questi diari, come punto di riferimento attendibile. Hanno poi preso i dati dell'anca e li hanno fatti passare attraverso due diversi algoritmi, ovvero insiemi di regole che dicono a un computer come interpretare il movimento. Un algoritmo, chiamato HDCZA, cerca lunghi periodi in cui il sensore non si muove molto. L'altro, chiamato HorAngle, è un metodo più recente progettato specificamente per l'anca; esso cerca il momento in cui il sensore è disteso in piano, il che suggerisce che la persona sia sdraiata a letto.
I ricercatori non si sono limitati a eseguire i programmi con le impostazioni predefinite. Al contrario, hanno calibrato attentamente le regole interne di entrambi gli algoritmi utilizzando una parte dei loro dati per trovare le impostazioni che producessero i risultati più accurati. Hanno poi testato queste impostazioni calibrate sugli altri partecipanti per vedere come si comportassero. I risultati hanno dimostrato che entrambi i programmi potevano stimare con successo i tempi del sonno dai sensori all'anca. Confrontando la stima del computer con l'orario effettivo scritto dal partecipante nel proprio diario, la differenza media era molto piccola. Per l'orario in cui una persona andava a dormire, il programma HDCZA era errato di una media di tre minuti, mentre il programma HorAngle era errato di zero minuti in media. Per l'orario in cui una persona si svegliava, le differenze erano similmente piccole, con HDCZA errato di quattro minuti e HorAngle errato di quattro minuti nella direzione opposta. Anche il tempo totale di sonno stimato dai programmi corrispondeva da vicino ai record del diario, con differenze che mediamente ammontavano solo a pochi minuti.
Sebbene gli errori medi fossero piccoli, i ricercatori hanno osservato che per una singola notte la stima poteva essere errata di una quantità maggiore, talvolta di diverse ore. Questo è previsto, poiché le notti di sonno individuali possono essere irregolari. Tuttavia, quando i ricercatori hanno osservato i modelli generali, entrambi gli algoritmi sono stati molto bravi a classificare correttamente le persone. Se una persona dormiva più a lungo di un'altra, i programmi informatici erano in grado di identificare questa differenza la maggior parte delle volte. Lo studio ha anche rilevato che l'accuratezza di queste stime non dipendeva dal fatto che il partecipante fosse un bambino o un adulto, o se fosse maschio o femmina. Il fattore principale che ha influenzato l'accuratezza era quanto a lungo il sensore non fosse stato indossato. Se il dispositivo veniva tolto durante la notte, il computer aveva meno informazioni con cui lavorare, rendendo la stima meno affidabile.
Lo studio conclude che è possibile stimare accuratamente le finestre del sonno da sensori indossati all'anca, a patto che vengano utilizzati gli algoritmi informatici corretti. L'algoritmo HDCZA ha il vantaggio di non richiedere alcun adattamento speciale per il tipo specifico di sensore, rendendolo uno strumento flessibile. L'algoritmo HorAngle, che si basa sulla rilevazione di quando il sensore è orizzontale, ha ottenuto prestazioni ugualmente buone ma richiede che il ricercatore identifichi correttamente quale asse del sensore rappresenti la lunghezza del corpo. Entrambi i metodi offrono un modo prezioso per sbloccare i dati sul sonno dalle enormi quantità di dati sull'attività registrati all'anca già raccolti in grandi studi sulla salute. Ciò significa che i ricercatori possono ora guardare indietro a decenni di dati esistenti e ottenere nuove intuizioni su come i modelli del sonno influenzino la salute in tutta la popolazione, senza dover misurare nuovamente tutti con un sensore al polso. Il lavoro dimostra che, con una calibrazione attenta, gli stessi dati di movimento che tracciano i passi quotidari di una persona possono anche rivelare le ore silenziose del suo riposo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.