使用可穿戴传感器和健康调查预测长期睡眠剥夺

科学领域:

• * 计算睡眠科学 * 计算睡眠科学
• * 数字健康和可穿戴技术

背景情况:

• * 充足的睡眠对认知功能,情绪和整体福祉至关重要.
• *虽然床上睡眠监测是常见的,但预测睡眠时间从之前的清醒活动仍然不太探索.
• * 现有的研究利用运动总结,动作图和脚步测量来预测睡眠.

研究的目的:

• * 开发和评估机器学习模型,使用Fitbit体育活动数据和自我报告调查来预测长期平均睡眠时间.
• * 确定影响睡眠时间预测的关键特征,包括身体活动,睡眠史和心理指标.
• * 检查特征相关性和模型性能的性别差异,用于睡眠预测和睡眠剥夺分类.

主要方法:

• * 使用Fitbit记录的体育活动数据和自我报告调查作为输入特征.
• * 使用随机森林的递归特征消除 (RFE-RF) 进行特征选择.
• * 应用各种机器学习模型用于睡眠时间回归和睡眠剥夺分类.

主要成果:

• *以前的睡眠模式和体育炼成为睡眠时间最重要的预测因素.
• *人格和抑郁症指标也在预测睡眠方面表现出相关性.
• *在分类长期睡眠剥夺 (AUC高达0.9762) 和预测平均夜间睡眠时间 (R平方高达0.6861) 中获得了高性能.
• * 一个预测过渡到睡眠剥夺的模型实现了0.9448.8的AUC.

结论:

• * 机器学习模型可以有效地预测长期平均睡眠时间,并使用可穿戴设备数据和调查识别睡眠不足.
• * 身体活动和以前的睡眠模式是未来睡眠时间的强有力的指标.
• *这些发现对开发个性化的睡眠健康干预措施和早期发现睡眠问题有影响.