使用单轴运动和lux数据自动估计MotionWatch8©的休息间隔

背景

睡眠不佳与老年人常见的慢性疾病有关，包括糖尿病、心脏病和痴呆症。因此，我们非常需要有效可靠的实地方法来客观地测量睡眠，以研究睡眠质量差对老年人的影响。腕戴式活动记录仪(WWA)是一种常见的睡眠客观测量方法，它使用运动和照度数据来估计睡眠。休息间隔标志着一个人试图睡觉和他们起床开始新的一天之间的时间间隔。传统上，休息间隔是由训练有素的技术人员手动评分，但目前存在的算法可以自动评分WWA数据，节省时间并提供用户与用户之间的一致性。然而，这些算法忽略了照度数据，在估计休息区间时只考虑运动。因此，本研究研究了一种新的算法，该算法使用照度数据来补充运动数据的休息区间逼近。

方法

我们检查了129名佩戴MotionWatch8©WWA的参与者共计1086天的数据，这些参与者的观察时间≥14晚。通过三种不同的参数设置得出的睡眠测量结果与根据标准评分协议和自我报告时间得出的睡眠测量结果进行了比较。

结果

该算法与标准协议(r睡眠时间= 0.92)。与标准评分方案相比，在睡眠时间、睡眠效率和碎片化指数估计方面没有显著差异。

结论

这些结果表明，使用光照和加速度数据的自动休息间隔计分方法提供了与标准计分方法相当的准确性。

睡眠不足与老年人的许多健康风险有关，包括糖尿病、心脏病、痴呆症和免疫系统疾病(Gottlieb et al.)。2006；Kasasbeh等人。2006；奥普和托特2003；Shokri-Kojori等人。2018)．因此，客观测量睡眠质量的可靠有效的现场方法对于理解这些关系和改善患者预后非常重要。虽然多导睡眠描记术是评估睡眠质量的“金标准”(Marino et al。2013)，这是一项资源密集的研究，需要使用各种设备对受试者进行夜间监测。这使得使用多导睡眠描记仪来评估一个人的自然睡眠-觉醒周期具有挑战性。自我报告测量是一种廉价、低负担的多导睡眠描记法的替代品，多导睡眠描记法可以捕捉人们几天、几周或几个月的自然睡眠模式。2018）;然而，他们愿意报告错误和个人偏见(Lauderdale et al。2008；肖特等人。2013)．

腕戴式活动记录仪(WWA)旨在通过提供一种非侵入性的客观现场方法来捕捉多个夜晚的睡眠，从而减少报告错误和自我报告偏差。通常，WWA收集两种类型的数据:1)三轴或单轴加速度(或运动)数据;2)光照数据。然后，这些数据通常通过品牌/软件特定的评分算法进行处理，该算法用于确定不同睡眠参数的估计值。使用这些评分算法，WWAs能够提供有效和可靠的估计睡眠时间(总睡眠时间)，睡眠效率(花在睡觉上的时间与花在床上试图睡觉的时间的比例)，以及入睡后醒来(沃索;睡眠开始后和最终觉醒前的清醒时间);WWA不太准确睡眠延迟(从清醒到睡眠所需的时间2011；Kushida等人。2001)．

确定不同睡眠质量指数的评分算法依赖于人类对佩戴者休息间隔的选择。传统上，休息时间是基于手动选择的熄灯时间(LO:佩戴者试图入睡的时间)和起床时间(GU:佩戴者起床开始一天的时间)。这些时间点通常是基于标志着运动和光线长时间停止/开始的初始时间。一旦确定了休息间隔，软件程序就可以执行自动睡眠参数评分。手动识别休息间隔的需求导致了休息间隔评分协议的发展，以考虑睡眠参数估计的可重复性和一致性(Chow等。2016；Patel等人。2015)．这些方案通常使用自我记录的睡眠日记和事件标记(如果可用)来尝试和提高睡眠估计的准确性。

人工选择休息间隔是很耗时的，这导致了用于自动评分穿戴者睡眠测量的算法的发展(van Hees et al。2015,2018；Driller等。2016)．虽然在标准的手动评分中，光照数据是一个参数，但自动算法会考虑到传感器被佩戴者的袖子或被褥覆盖的可能性，因此会选择去除光照作为参数。类似的论点也可以用在加速度计数据上，考虑到人们在晚上睡觉前坐着是很常见的。活动记录仪的这些不可避免的方面通常是手动评分数据的补充自我报告日记和事件标记的原因。然而，由于自动评分的目的是为评分者和用户提供最小的负担，以及佩戴者之间评分的一致性，因此应该考虑其他验证方法。光曝光，虽然在它的休息间隔的近似值不完美，可以作为一个有效的手段补充运动为基础的算法。

我们提出了一种确定LO和GU时间的定量方法，使用从WWA收集的单轴活动和光曝光数据:MotionWatch8©。该算法的目的不是提高活动记录仪中睡眠参数估计的准确性，而是建立一种一致的方法来确定休息间隔，而不使用睡眠日记或事件标记，这与手动休息间隔评分协议更一致。在自我报告依从性可能有限和不一致的人群中，例如在经历认知衰退的个体中，使用光线而不是睡眠日记或事件标记来补充评分可以证明是有利的。2006；摩尔等人。2004；Rikli2000)．因此，该算法的目标是在佩戴者与佩戴者之间建立一致性，允许记录睡眠的研究之间的一致性，并在进一步研究中实现睡眠分析的自动化。这项研究还比较了两个额外的参数设置——一个偏光和一个偏光运动——以自我报告和手动标准化睡眠测量。我们这样做是为了分离加速度和照度数据的参数，深入了解它们在量化休息间隔及其相互关系方面的有用性。

在睡眠和认知研究(Falck et al.)中，我们研究了三种不同的自动评分算法在确定佩戴WWA≥14天观察的老年人休息间隔时的准确性。2018年,一个；Landry等人。2015)，这是一项横断面研究，客观测量了睡眠的年龄和认知差异。所有参与者提供书面知情同意(H14-01301)。

参与者

我们从不列颠哥伦比亚省温哥华招募了154名参与者。参与者符合以下标准:1)居住在大温哥华地区的50岁以上的男性和女性;2)在迷你精神状态测试(MMSE)中获得> 24/30分(Kurlowicz和Wallace)1999）;3)能够读、写、说英语，并具有良好的视觉和听觉敏锐度。我们排除了个人:1)被诊断为任何类型的痴呆症;2)被诊断患有其他影响认知功能和/或睡眠质量的神经退行性或神经系统疾病(如帕金森病或多发性硬化症);3)服用对认知有负面影响的药物;4)计划参加或正在参加临床药物试验;或者5)不能说话，因为不能通过电话交流。

措施

仪器仪表和软件

我们使用MotionWatch8©(MW8) WWA来收集活动(即计数)和光线数据(lux) (Ancoli-Israel等人。2015)．数据收集于60年代。活动计数是一个任意的测量单位，计算每个历元的峰值加速度与0.1 g的最小加速度阈值的总和，范围为0.1-8 g，采样频率为6hz。MW8还具有从0到64,000 lx的勒克斯范围，并以1hz的频率对光照进行采样。记录的每个历元勒克斯值表示每秒采样一次时在指定历元长度上的平均勒克斯。在标准化协议中，我们使用事件标记时间戳按钮在数据中创建事件标记记录，以帮助定义休息间隔。MW8是Actiwatch7的更新版本，Actiwatch7是一种对健康成人多导睡眠记录仪有效的活动记录仪(平均年龄:30±6岁;45%的女性;O 'Hare等人。2015)，以及慢性失眠的成年人(平均年龄:41±12岁;78%的女性;(Martoni等。2012))。MW8在以下人群中有有效性的证据:1)54名疑似睡眠障碍的成年人，包括阻塞性睡眠呼吸暂停、失眠、睡眠过多和Ehlers Danlos综合征(平均年龄:53±16岁;61%女性);2)健康成人19名(平均年龄:28±5岁;53%的女性;Elbaz等。2012))。

在使用下面定义的方法之一确定休息间隔之后(参见休息间隔计分方法)，使用MotionWare软件估算睡眠。MotionWare软件使用的睡眠/唤醒算法可从制造商(CamNtech;admin@camntech.co.uk)．

睡眠日记(CSD)

CSD是一种自我报告的睡眠日记，主要用于失眠研究，在临床和研究环境中已被证明是有效的(Carney et al。2012)．我们选择使用csd核心，它有9个问题，对“好”和“差”睡眠者都有效。问题2和问题7用于确认标准化协议评分法中事件标记记录定义的休息间隔，用于CSD评分法中休息间隔的设置。

过程

每个参与者被要求连续14天佩戴MW8 (Van Someren2007)．在这14天内，手表被设置为记录单轴加速度和光照。参与者被要求在上床睡觉和最后醒来时按下手表上的事件标记按钮，以设置GU和LO时间。每个参与者都拿到了CSD，并要求他们每天早上醒来后填写。151名(98%)参与者在指定的连续14天内记录了活动记录仪数据。21名参与者被排除在外，因为CSD中的第2题或第7题在14天的研究窗口内任何一天都没有完成。在剩下的130名参与者(84.4%)中，有1人的睡眠模式不规律，他们睡到12点以后，违反了其中一个简化假设的程序。其余129名(83.7%)参与者的数据被用于测试和分析。

休息间隔计分方法

我们测试并比较了五种休息间隔评分方法，通过观察使用睡眠/觉醒评分算法从这些休息间隔生成的睡眠参数(图2)。1)．我们在下面重点介绍这些评分方法。

仅CSD法

CSD计分法以被试对CSD问题2和7的回答分别作为LO和GU时间，建立休息区间。

标准化的协议

一个训练有素的研究助理负责评分休息间隔在标准化的协议方法。四个主要的睡眠指标按优先级排序为事件标记，来自CSD的Q2和Q7，光线停止/开始和活动停止/开始。如果事件标记和CSD之间的距离在30分钟以内，则确定了适当的休息间隔。如果指标不太一致，事件标记不在CSD的30分钟内，则根据光和运动的停止/开始设置LO和GU时间。由于停止/开始的精确定义尚未定义，因此是否检查光线、运动或两者都检查，以及停止/开始连续计数的次数将由实验室工作人员自行决定。当遵循该协议时，使用MotionWare软件图形可视化地查看数据(图2)。2)．在进行评分之前，实验室工作人员被要求分别将活动计数和勒克斯的显示限制设置为1000和35。然后选择一个粗略的间隔，以允许准确的游标放置。通过调整显示在活动记录仪数据可视化上的光标来确定LO和GU位置，该数据显示光标放置的准确时间(精确到分钟)。

自动评分算法

创建了一个算法，然后使用三种不同的阈值设置进行测试，构成三种单独的评分方法，然后用于与CSD和标准化协议方法进行比较。该算法将被称为休息间隔计分算法(RISA)。3.)．

RISA算法工作原理如下:

1. 1.

   指定的兴趣期(在我们的研究人群中为14天)被划分为24小时的部分。

2. 2.

   在每个24小时的时间段内，包含活动次数低于20且lux计数为0的最小周期总和的6小时窗口被指定为潜在睡眠窗口(PSW)。

3. 3.

   通过分割PSW开始时间(ST)前3小时和后3小时的数据，可以找到包含潜在LO时间的6小时窗口。

4. 4.

   通过分割PSW结束时间(ET)前1 h和后6 h的数据，可以找到一个7小时的GU窗口。

5. 5.

   然后将潜在LO和潜在GU窗口输入两个单独的函数(LO和GU函数)，如下所述，它们返回LO和GU时间。

RISA算法是启发式确定的(即通过试错方法)。使用MotionWare软件对4项独立研究中任意数量的参与者的动图数据进行可视化检查，以识别如何根据协议方法设置休息间隔的模式。RISA及其后续组件中的参数值最初是任意设置的，并通过在训练数据集上运行算法进行手动迭代调整，该训练数据集由购买时间研究的基线腕戴活动记录仪记录组成(Falck等。2018 b)．我们选择避免参数值的优化，以防止过拟合并允许泛化。

图中抽象出LO函数。3.并在补充材料中详细说明S1，可以跟踪四个计数器。每个计数器同时跟踪连续的零勒克斯、活动计数小于20、活动计数为零或活动计数为零和勒克斯。GU函数(Supplementary Material .S2)，记录三个计数器。计数器跟踪勒克司大于零、活动大于零、活动大于20或活动和勒克司同时大于零的连续epoch。一旦计数器超过其各自的阈值，开始索引将标记为当天的LO(或GU，取决于函数)时间。

RISA的LO函数内的阈值给出了3组不同的值;一个用于偏光(BL)，一个用于偏光运动(BM)，一个平衡光和运动(LM)。因此RISA是父母算法，是LM、BM和BL的底层逻辑结构子算法由RISA得到LM、BM和BL, GU函数的阈值保持不变。LO函数中的每一组阈值构成了一个单独的方法，然后将其与CSD和协议评分方法进行比较。BL、BM和LM阈值在补充资料中给出S3．

统计分析

我们使用每种估计休息间隔长度的方法计算了睡眠持续时间、碎片、效率和潜伏期的均值和标准差。我们使用方差分析(ANOVA)来估计睡眠质量估计方法之间的差异。然后使用两两比较(即估计边际均值)探索显著差异。此外，我们进行了双变量相关分析，以检验不同方法之间睡眠质量估计的一致性。随后，我们进行了Bland Altman图分析，以调查标准化协议方法和我们确定休息间隔长度的自动化方法之间估计睡眠质量的差异。

表中给出了研究参与者的描述性统计数据1．大多数参与者为女性(71.3%)和退休(78.3%)。研究参与者的平均年龄为71.1岁，SD为7.3岁。值得注意的是，参与者的年龄范围比较大，最年轻的参与者为53岁，最年长的参与者为101岁。

表中描述了每种休息间隔估计方法对睡眠参数的均值和标准差估计2．两种休息间隔估计方法在睡眠时长上差异无统计学意义(F[4,640] = 1.877;p= 0.112),分裂指数(F (640) = 0.398;p= 0.810)和睡眠效率(F[4,640] = 1.164;p= 0.326)。在测量睡眠潜伏期时，各组间差异有统计学意义(F[4.640] = 14.831;p= 1.35 e-11)。对于睡眠潜伏期，CSD和方案之间没有显著差异(F[1256] = 0.701;p= 0.403)， LM和协议(F[1256] = 0.021;pLM和CSD (F[1,256] = 0.427;p(F[1,256] = 14.600;p= 0.000167)。

我们的双变量分析如表所示3.．观察到的睡眠时间、碎片指数和睡眠效率指标的相关性都超过了r= 0.80，差异有统计学意义p< 0.001，在他们对睡眠效率的估计中，BL和CSD之间的相关性最小(r= 0.83,p< 0.001)。在所有指标中，与协议方法的总体相关性最强的是CSD，其次是LM。LM算法显示了相当的相关性(r= 0.88,p< 0.001)，与CSD对协议所做的相同(r= 0.87,p< 0.001)。睡眠潜伏期表现出最弱的相关性。在自动方法中，BL在睡眠潜伏期方面与协议的相关性最高(r= 0.35,p< 0.001)和CSD (r= 0.25,p< 0.05)。

Bland-Altman图用于比较所有睡眠指标的LM和协议评分方法，以观察估计的潜在差异(图2)。4)．我们观察到，对于睡眠持续时间，LM方法倾向于低估方案。值得注意的是，睡眠持续时间的平均差值约为15分钟，这意味着LM与协议方法在LO和GU时间位置上的差异为7.5分钟。类似地，LM与协议方法的大约正负30分钟置信区间表示LO和GU位置的正负15分钟差异。在睡眠效率和碎片指数方面没有观察到的低估或高估，但在睡眠潜伏期方面有明显的扇形效应。

腕式活动记录仪(WWA)传统上基于一个潜在的假设:缺乏运动是休息的证据(Martin和Hakim)2011)．仅使用运动来确定休息区间，在这个假设成立的范围内，估计的确定性是有限的。而之前的自动评分方法已经有效地使用运动来估计休息间隔(van Hees et al。2015,2018；Driller等。2016)时，测量的确定性受此限制。为了减少这些不确定性，我们引入了RISA算法，该算法使用光作为补充证据来支持其对休息区间的估计。通过减少与数据模糊性相关的不确定性，我们的目标是增加自动休息间隔估计的确定性，允许更可靠和一致的睡眠指标评分。由于WWA是客观测量睡眠的有效现场方法(Ancoli-Israel et al。2015)，提高使用WWA测量睡眠质量的可靠性和一致性，将提高我们对睡眠不足如何影响老年人健康的理解。

最后选择的算法是LM，因为它最类似于通常用于设置休息间隔的手动方法。LM算法，像标准的手动协议方法一样，基于初始时间来设置休息间隔，该初始时间标志着运动和光线的长期停止。这是一种具有预定逻辑和阈值的算法，旨在模拟训练有素的技术人员在手动评分中应用的相同逻辑。它应该被看作是人工计分方法的一种形式主义，这就是它比人工计分方法的优势所在，人工计分方法的休息间隔有时是由人自行决定的。在查看活动记录仪数据时，精确定义休息间隔意味着什么，可以使评分保持一致，并减少隐藏的不确定性。

为了评估RISA算法的可靠性，在4个不同的睡眠指标上将其与CSD和标准协议估计方法进行了比较。睡眠效率、睡眠时长和碎片化指数三者之间的强相关性为算法的有效性提供了支持。

使用Bland-Altman图，我们确定LM和协议测量睡眠效率、碎片指数和睡眠持续时间之间没有系统差异。与睡眠时间方案相比，LM的低估转化为LO和GU时间放置的平均7.5分钟差异，置信区间为正负15分钟差异。这些观察可能更能说明训练有素的技术人员对数据评分的偏差(Galland等人)。2014)．在事件标记和自我报告时间差异超过30分钟的情况下，技术人员根据运动和光的停止/开始放置LO和GU时间，其定义由技术人员自行决定。因此，关于光线和运动的停止/开始的偏见可能导致休息间隔估计的不一致，从而导致睡眠时间Bland-Altman图中可见的低估。

RISA、CSD和协议方法之间的睡眠潜伏期相关性最低。睡眠潜伏期的LM和协议测量之间的一致性很低，这在Bland-Altman图中可见的扇形效应中很明显。这表明随着估计的睡眠潜伏期变大，测量的差异也越来越大。因为睡眠潜伏期的测量结果是不一致的(Martin和Hakim)2011)(推测是活动记录仪的潜在假设的结果)，两种方法之间的差异是可以预期的。

这项研究有几个局限性。我们的算法只针对50岁以上的成年人。该算法旨在对从MotionWatch8©收集的活动记录仪数据进行评分。由于MotionWatch8©以任意计数单位收集运动数据，并且由于不同活动图的技术组件存在潜在差异，该算法可能无法推广到其他工具。虽然我们确定LM提供了与标准协议和CSD类似的睡眠估计，但我们无法确定LM是否比CSD、标准协议或仅基于运动的WWA算法提供了更准确的睡眠估计。未来的研究将需要确定RISA算法相对于金标准测量(例如多导睡眠描记术)估计睡眠的准确性。虽然休息间隔是睡眠参数导出的锚点，但它不是确定睡眠质量的常用指标。因此，我们没有检查休息间隔自动计分方法与手动计分方法的准确性。

另一个限制是我们没有询问参与者的自然睡眠环境，因此我们无法解释参与者之间的照明差异。例如，我们无法确定参与者是穿短袖还是长袖，睡觉时把胳膊搭在被子上还是盖在被子下，或者有睡眠灯。然而，需要注意的是，在没有直接观察的情况下，确定参与者的精确睡眠环境(例如，手臂盖在被子上睡觉还是在被子下睡觉)将很难精确量化。

参与者被问及是否被诊断患有阻塞性睡眠呼吸暂停。只有一名参与者报告患有阻塞性睡眠呼吸暂停;然而，我们没有使用STOP-BANG问卷筛查阻塞性睡眠呼吸暂停(Chung等。2012)或其他确定阻塞性睡眠呼吸暂停风险的方法。未经治疗和未诊断的睡眠呼吸暂停可能会扭曲睡眠数据，可能会影响算法的结果。该算法还代表了一种睡眠活动记录仪数据的形式主义，该数据是基于对社区老年人的人类推断而开发的，可能无法推广到其他人群。算法的局限性是这些推论的结果。从这一人群中得出的简单假设——比如晚上12点到12点——可能不适用于患有睡眠障碍或睡眠模式不规律的老年人。然而，正是这种形式主义为RISA算法提供了一致性。它可能最好被视为标准化协议逻辑的实现，随后允许时间高效的估计和跨研究的一致性。

总之，本研究的结果表明，对于社区居住的老年人，RISA算法使用MotionWatch8©收集的数据提供了有效的休息间隔测量，并且是第一个使用照度数据来补充评分的自动算法。未来的研究应探讨在自动睡眠评分中正式量化不确定性的方法，以便更好地让临床医生和研究人员了解该方法的可靠性。为了将这些结果推广到老年人群之外，还需要进一步研究光在其他人群中的功效。

资料可按要求提供。

WWA:

可戴活动检测仪

瞧:

熄灯

顾:

修饰的

患者:

简易精神状态检查

MW8:

MotionWatch8©

CSD:

睡眠日记

RISA:

休息区间计分算法

(PSW):

潜在的睡眠窗口

(圣):

开始时间

等:

结束时间

提单:

Biasing-light算法

BM:

Biasing-motion算法

LM:

平衡光和运动算法

方差分析:

方差分析

美国华人博物馆:

蒙特利尔认知评估

不适用。

TLA的资金由杰克·布朗和家族阿尔茨海默氏病研究基金会和阿尔茨海默氏病社会研究计划提供。资助者没有参与研究设计、分析或结果解释。

作者及隶属关系

1. 英属哥伦比亚大学物理治疗系，威斯布鲁克商城212-2177，温哥华，BC, V6T1Z3，加拿大

   丹尼尔·巴恪思、瑞恩·斯坦利·法尔克和特雷莎·刘-安布罗斯

2. Djavad Mowafaghian脑健康中心，温哥华海岸健康研究所，不列颠哥伦比亚大学，加拿大温哥华

   丹尼尔·巴恪思、瑞恩·斯坦利·法尔克和特雷莎·刘-安布罗斯

贡献

DB、RSF和TLA构思了研究概念和设计。DB写了手稿的初稿。RSF和TLA负责初始数据收集。DB和RSF进行统计分析并解释结果。RSF和TLA提供了批判性的评论，并撰写了部分手稿。作者阅读并批准最终的手稿。

相应的作者

对应到特蕾莎修女Liu-Ambrose．

伦理批准并同意参与

所有参与者提供书面知情同意(H14-01301)。

发表同意书

不适用。

相互竞争的利益

没有竞争利益报告。

出版商的注意

伟德体育在线施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。

开放获取本文遵循知识共享署名4.0国际许可协议，允许以任何媒介或格式使用、分享、改编、分发和复制，只要您对原作者和来源给予适当的署名，提供知识共享许可协议的链接，并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中，除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中，并且您的预期使用不被法定法规所允许或超出了允许的使用范围，您将需要直接获得版权所有者的许可。如欲查看本牌照的副本，请浏览http://creativecommons.org/licenses/by/4.0/．

转载及权限