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

Slaap is een fundamenteel ritme van het menselijk leven, een dagelijkse cyclus waarin het lichaam zichzelf herstelt en de geest de wereld verwerkt. Om te begrijpen hoeveel slaap mensen krijgen, en hoe die hoeveelheid gerelateerd is aan hun gezondheid, moeten wetenschappers het exacte tijdsvenster meten tussen het moment waarop iemand in slaap valt en wanneer hij of zij wakker wordt. Deze periode staat bekend als de slaapperiode. Decennialang hebben onderzoekers vertrouwd op kleine apparaten die om de pols worden gedragen, vergelijkbaar met een horloge, om beweging te registreren en te raden wanneer iemand slaapt. Deze apparaten werken goed omdat de pols merkbaar beweegt wanneer iemand wakker is en stil blijft liggen wanneer iemand slaapt. Echter, veel grootschalige studies die de gezondheid van duizenden mensen over vele jaren volgen, gebruiken een andere aanpak. In plaats van een polsbandje, plaatsen deze studies de sensor op de heup, vergelijkbaar met een riem, om alle fysieke activiteit gedurende de hele dag te meten. Hoewel deze methode een compleet beeld geeft van de dagelijkse beweging, waren de standaard computerprogramma's die bedoeld zijn om slaaptijden te vinden gebouwd voor polsdata, niet voor heupdata. Dit creëerde een kloof: wetenschappers beschikten over een overvloed aan heupdata, maar misten een betrouwbare manier om nauwkeurige slaapinformatie uit deze data te extraheren.

Een team van onderzoekers zette zich af om deze kloof te overbruggen door twee open-source computerprogramma's te testen en te verfijnen die ontworpen zijn om slaapvensters te vinden. Ze richtten zich op een methode die gebruikmaakt van ruwe bewegingsdata verzameld van sensoren gedragen op zowel de pols als de heup. De studie omvatte 303 deelnemers, waaronder 109 kinderen tussen de acht en twaalf jaar oud, en 194 jongvolwassenen. Elke persoon droeg gelijktijdig twee sensoren gedurende zes nachten: één om de pols en één op de heup. Om ervoor te zorgen dat de computerprogramma's werden getest tegen een betrouwbare standaard, hielden de deelnemers ook een slaapdagboek bij, waarin zij precies opschreven wanneer zij naar bed gingen en wanneer zij opstonden. De onderzoekers gebruikten de polsdata, geleid door deze dagboeken, als een betrouwbaar referentiepunt. Vervolgens namen ze de heupdata en haalden deze door twee verschillende algoritmen, wat sets regels zijn die een computer vertellen hoe hij de beweging moet interpreteren. Eén algoritme, genaamd HDCZA, zoekt naar lange perioden waarin de sensor weinig beweegt. Het andere, genaamd HorAngle, is een nieuwere methode die specifiek voor de heup is ontworpen; het zoekt naar de tijd dat de sensor plat ligt, wat suggereert dat de persoon in bed ligt.

De onderzoekers voerden de programma's niet simpelweg uit met hun standaardinstellingen. In plaats daarvan stemden ze de interne regels van beide algoritmen zorgvuldig af met behulp van een deel van hun data om de instellingen te vinden die de meest nauwkeurige resultaten produceerden. Vervolgens testten ze deze afgestemde instellingen op de overige deelnemers om te zien hoe goed ze presteerden. De resultaten toonden aan dat beide programma's erin slaagden om slaaptijden te schatten vanuit de heupsensoren. Wanneer de gok van de computer werd vergeleken met de werkelijke tijd die de deelnemer in het dagboek noteerde, was het gemiddelde verschil zeer klein. Voor de tijd dat een persoon in slaap viel, zat het HDCZA-programma er gemiddeld drie minuten naast, terwijl het HorAngle-programma gemiddeld nul minuten afweek. Voor de tijd dat een persoon wakker werd, waren de verschillen eveneیز klein, waarbij HDCZA vier minuten afweek en HorAngle vier minuten in de tegenovergestelde richting. De totale geschatte slaaptijd door de programma's kwam ook nauw overeen met de dagboekgegevens, met gemiddelde verschillen van slechts enkele minuten.

Hoewel de gemiddelde fouten klein waren, merkten de onderzoekers op dat de gok voor een enkele nacht een grotere hoeveelheid kon zijn, soms wel enkele uren. Dit is te verwachten, aangezien de slaap van individuen per nacht kan variëren. Echter, wanneer de onderzoekers naar de algemene patronen keken, waren beide algoritmen erg goed in het correct rangschikken van mensen. Als de ene persoon langer sliep dan de andere, konden de computerprogramma's dat meestal correct identificeren. De studie vond ook dat de nauwkeurigheid van deze schattingen niet afhankelijk was van het feit of de deelnemer een kind of een volwassene was, of of het een man of een vrouw was. De belangrijkste factor die de nauwkeurigheid beïnvloedde, was hoe lang de sensor niet werd gedragen. Als het apparaat tijdens de nacht werd afgelegd, had de computer minder informatie om mee te werken, wat de schatting minder betrouwbaar maakte.

De studie concludeert dat het mogelijk is om slaapvensters nauwkeurig in te schatten vanuit heupgedragen sensoren, mits de juiste computeralgoritmen worden gebruikt. Het HDCZA-algoritme heeft het voordeel dat het geen speciale aanpassingen nodig heeft voor het specifieke type sensor, wat het een flexibel hulpmiddel maakt. Het HorAngle-algoritme, dat vertrouwt op het detecteren van wanneer de sensor horizontaal is, presteerde even goed maar vereist dat de onderzoeker correct identificeert welke as van de sensor de lengte van het lichaam vertegenwoordigt. Beide methoden bieden een waardevolle manier om slaapdata te ontsluiten uit de enorme hoeveelheden heupgedragen activiteitsdata die al zijn verzameld in grote gezondheidsstudies. Dit betekent dat onderzoekers nu decennia aan bestaande data kunnen bekijken en nieuwe inzichten kunnen verkrijgen in hoe slaappatronen de gezondheid beïnvloeden over de gehele populatie, zonder dat iedereen opnieuw met een polsbandje gemeten hoeft te worden. Het werk demonstreert dat met zorgvuldige afstemming, dezelfde bewegingsdata die iemands dagelijkse stappen bijhoudt, ook de stille uren van hun rust kan onthullen.