二十四节气视角下慢性失眠患者睡眠质量与稳定性的季节性波动规律及SARIMA模型预测研究
《Nature and Science of Sleep》：Seasonal Variations in Sleep Quality and Stability Among Patients with Chronic Insomnia: Real-World Evidence Across the 24 Solar Terms
【字体：
大
中
小
】
时间：2025年10月22日
来源：Nature and Science of Sleep 3.4
编辑推荐：
本研究首次基于真实世界大数据，通过季节性自回归综合移动平均（SARIMA）模型，系统揭示了慢性失眠患者的睡眠质量（PSQI）与稳定性在二十四节气框架下的动态变化规律。研究发现睡眠质量在谷雨、寒露时节较差，在大雪、小雪时节较好，且女性及45-59岁人群对节气变化更为敏感。该研究为融合传统文化时间体系与现代时间序列分析，实现失眠的个性化、时序性管理提供了新思路。
睡眠是维持身体健康、认知功能、情绪调节和免疫平衡所必需的基本生理过程。在睡眠的关键组成部分中，睡眠质量反映了对睡眠及其恢复功能的主观满意度，而睡眠稳定性则指睡眠模式随时间的规律性和恢复力，特别是在应对内部或外部扰动时。失眠障碍是全球最普遍的睡眠障碍之一。虽然其病因是多因素的，但新出现的证据强调了外部环境条件，特别是气象变量，在其发生和维持中的重要作用。
二十四节气源于中国古代的天文观测，形成了一个复杂的阴阳历计时系统，反映了太阳位置及其相关气候转变的周期性变化。每个节气对应于太阳沿黄道移动约15°，导致全年分布有24个不同的间隔。2016年，该系统被联合国教科文组织认定为非物质文化遗产，其与中医、养生和季节性疾病管理的相关性此后受到越来越多的关注。与传统的四季划分相比，二十四节气通过描绘季节转换期间的关键气候节点和典型物候现象，提供了更精细的气象变化表征，从而具有更高的时间分辨率和生态适应性。
二十四节气不仅具有农学和文化功能，而且 encapsulate 了环境变化的可预测模式，包括温度、湿度、光照和气压的变化。这些环境变化可能影响生理过程，如昼夜节律、体温节律和褪黑激素分泌，从而 disrupt 睡眠结构并对睡眠质量和睡眠稳定性产生影响。例如，暴露于突然的气候变化或极端天气条件可能导致总睡眠时间减少和觉醒增加。鉴于二十四节气系统地代表了气象周期，它们为研究睡眠障碍的季节性模式提供了一个具有文化意义和时间结构的框架，然而它们在睡眠流行病学中的应用仍未得到充分探索。
本研究涵盖了2018年1月1日至2023年12月31日期间在浙江大学医学院附属精神卫生中心诊断为慢性失眠的25,428名患者。在就诊前，所有患者均通过“好睡眠365”平台接受了睡眠模式和情绪状态的系统评估。失眠障碍的诊断随后由主任精神科医生验证。使用相同的睡眠相关量表每两周进行一次随访评估。
纳入标准：符合ICD-10非器质性失眠诊断标准；小学及以上文化程度，能够理解评估量表内容；完成所有必需的问卷项目。
排除标准：合并严重心脑血管或其他器质性疾病；妊娠或哺乳期妇女；合并焦虑障碍、抑郁障碍、情绪障碍等精神障碍的患者。
本研究主要利用来自浙江省“好睡眠365”平台的数据。数据集包括基本患者信息、每次睡眠评估的日期和匹兹堡睡眠质量指数总评分。每个评估日期与二十四节气之一对齐，发生在两个连续节气之间的评估被归入前一个节气以确保时间一致性。计算两次评估之间PSQI总评分的变化以确定PSQI评分降低值。PSQI降低率计算为评分降低值除以初始（治疗前）PSQI评分。
在本研究中，PSQI总评分用于评估慢性失眠患者的失眠严重程度。PSQI评分降低值用于量化睡眠模式变化的程度。此外，PSQI降低率提供了对睡眠质量改善程度的洞察。这两个指标一起分析以增强对睡眠稳定性变化的理解。
本研究检查了六年期间不同节气的平均PSQI总评分、PSQI评分降低值和PSQI降低率的变化。目的是确定失眠严重程度、观察到的变化程度以及随时间改善程度的模式。此外，按性别和年龄对数据进行分类，以调查这些人口统计学因素、节气、失眠严重程度、睡眠变化和患者康复疗效之间的关系。最终，采用季节性自回归综合移动平均模型进一步分析节气特征与失眠严重程度和睡眠稳定性变化之间的时间关系。
SARIMA模型是一种利用时间序列数据中的长期趋势、季节变化和随机变化模式来预测未来值的方法。模型表示为SARIMA(p, d, q)(P, D, Q)s。其中，p是非季节性自回归项数，d是为去除趋势而对数据进行差分的次数，q是非季节性移动平均项数。P、D和Q是季节性部分的同类项。s是季节周期的长度。在本研究中，由于数据按二十四节气分组，s设为24。
SARIMA模型通过以下五个步骤构建：时间序列平稳化、模型参数估计、最优模型选择、模型诊断和模型预测。使用R语言中的pm.auto_arima()函数自动识别最优SARIMA模型参数，并基于Akaike信息准则和贝叶斯信息准则比较候选模型。通过检查残差的自相关函数和偏自相关函数图以及Ljung–Box检验来评估模型拟合优度。
本研究使用2018年至2022年慢性失眠患者二十四节气的平均PSQI总评分、PSQI评分降低值和PSQI降低率构建了最优SARIMA模型。通过将预测值与2023年二十四节气各指标的实际观测平均值进行比较来评估这些模型的预测性能。最后，使用模型预测2024年二十四节气这些指标的趋势。
使用SPSS 26版和R 4.3.2版进行数据处理和统计分析。计量资料以均数±标准差表示，计数资料以频数或百分比汇总。对计量资料根据分组进行独立样本t检验或方差分析。使用R语言的fUnitRoots包进行单位根检验，使用forecast包中的函数进行时间序列预测。显著性水平设定为α = 0.05。
最终分析共纳入25,428名患者。其中男性5921人（23.3%），女性19,507人（76.7%）。参与者涵盖所有年龄段，比例最大的为45-59岁（n = 13,143, 51.7%），最小的为≥75岁（n = 130, 0.5%）。最低教育水平要求为小学；大多数具有中等教育程度（n = 12,784, 50.3%），其次为高等教育（n = 7759, 30.5%）。有失眠家族史者7387例（29.0%），无家族史者12,149例（47.8%），不确定者5892例（23.2%）。最常见的病程为5-10年（n = 8054, 31.7%），其次为1-3个月（n = 5060, 19.9%）。评估时，15,197名患者（59.8%）正在使用药物，10,231名患者（40.2%）未使用。
评估次数最多的节气是“处暑”（n = 1250, 4.92%），最少的节气是“立春”（n = 837, 3.29%）。共有8466名患者（33.29%）在节气点当天接受评估，16,962名患者（66.71%）在非节气点接受评估。
失眠障碍患者二十四节气PSQI总评分、PSQI评分降低值和PSQI降低率的比较（2018–2023）
统计分析表明，PSQI总评分在谷雨和寒露时节最高，在小暑和大雪时节最低。PSQI评分降低值和PSQI降低率均在大雪和小雪时节最高，在谷雨时节最低。PSQI评分降低值的次低值出现在雨水，PSQI降低率的次低值出现在大寒。不同节气间的PSQI总评分、PSQI评分降低值和PSQI降低率存在显著差异，表明失眠严重程度、睡眠波动和改善程度在二十四节气中存在潜在的季节性变异。
失眠障碍患者节气点与非节气点PSQI总评分、PSQI评分降低值和PSQI降低率的比较（2018–2023）
为观察节气点是否影响睡眠，将每个“节气点”设定为包括节气日及其前后7天在内的15天时段。选取了八个主要节气点：立冬、冬至、立春、春分、立夏、夏至、立秋、秋分。比较发现，节气点与非节气点之间的PSQI总评分、PSQI评分降低值或PSQI降低率均无统计学意义上的显著差异。这意味着失眠的严重程度、变化程度和改善程度与评估是否发生在节气点期间无关。
不同性别失眠患者二十四节气PSQI总评分、PSQI评分降低值和PSQI降低率的比较（2018–2023）
不同节气间，男性和女性患者的PSQI总评分无明显差异。但对于PSQI评分降低值和PSQI降低率，女性的平均值高于男性。这表明男性和女性在不同节气期间的失眠程度大致相同，但女性的睡眠变异性和改善更容易受到节气变化的影响。
进一步分析显示，男性失眠患者在不同节气间的PSQI总评分和PSQI降低率无明显差异，这意味着节气间的变化并未明显影响其失眠严重程度或改善程度。但PSQI评分降低值显示出显著差异，表明节气转换可能对男性的睡眠波动产生一定影响。对于女性患者，不同节气间的PSQI总评分、PSQI评分降低值和PSQI降低率均存在显著差异。这表明节气转换对女性的影响更强，导致在一年中不同时间点的失眠严重程度、睡眠波动和改善程度出现更大变化。
不同性别失眠患者节气点与非节气点PSQI总评分、PSQI评分降低值和PSQI降低率的比较（2018–2023）
为更好地理解节气点对不同性别失眠患者睡眠的影响，我们比较了男性和女性在节气点和非节气点的PSQI相关数据。结果显示，无论是在节气点还是非节气点，男性和女性的PSQI总评分均无明显差异。这意味着处于节气点对男性或女性的失眠严重程度没有大的影响。但男性和女性之间的PSQI评分降低值在节气点和非节气点均存在较大差异，这表明节气点可能对不同性别的睡眠变化程度影响更大。在节气点，男性和女性的PSQI降低率无明显差异。但在非节气点，存在显著差异，这意味着在非节气点睡眠改善程度更大。总之，评估是否发生在节气点似乎并不影响失眠的严重程度，但可能与睡眠变化或改善的程度有关。
对于男性和女性失眠患者，节气点与非节气点之间的平均PSQI总评分、PSQI评分降低值或PSQI降低率均无明显差异。这意味着节气点所标记的季节变化对每组内的失眠严重程度、睡眠变化或改善程度没有大的影响。
失眠障碍患者各年龄亚组二十四节气PSQI总评分、PSQI评分降低值和PSQI降低率的比较（2018–2023）
为更好地理解节气对睡眠质量和稳定性的影响，我们考察了不同的年龄组。参与者被分为五个年龄组。方差分析显示，不同年龄组在PSQI总评分、PSQI评分降低值和PSQI降低率上存在显著差异。这表明失眠严重程度、睡眠波动和改善随节气的变化并非在所有年龄段都相同。
在45-59岁的慢性失眠患者中，不同节气间的PSQI总评分、PSQI评分降低值和PSQI降低率存在显著差异。在60-74岁的患者中，PSQI评分降低值也显示出显著差异，但PSQI总评分和PSQI降低率则无显著差异。对于其他三个年龄组，任何PSQI相关评分均无显著差异。这些结果表明，节气变化主要影响45-74岁人群的睡眠变异性，并且与45-59岁年龄组的失眠严重程度和改善有更强的关联。
失眠障碍患者各年龄亚组节气点与非节气点期间PSQI总评分、PSQI评分降低值和PSQI降低率的比较（2018–2023）
统计分析显示，在所有年龄组中，节气点与非节气点之间的平均PSQI总评分、PSQI评分降低值或PSQI降低率均无明显差异。这意味着节气期间的变化与不同年龄组的失眠严重程度、睡眠变化或改善程度没有明显关联。
PSQI总评分、PSQI评分降低值和PSQI降低率概述
从2018年到2022年，二十四节气的PSQI总评分似乎逐渐下降。在2021年和2022年，评分变化更频繁，总体上有小幅上升。短期线经常上下波动，这可能意味着评分遵循规律或季节性模式。在同一时期，PSQI评分降低值显示出更大的变化，尤其是在2021年之后。总体方向是向上的。许多小的峰值和谷值也表明存在可能随时间重复的短期模式。PSQI降低率从2018年到2022年 mostly 上升，但该线未显示出清晰的重复模式。这需要进一步研究以更好地理解。
使用R中的decompose函数绘制了2018年至2022年PSQI总评分、PSQI评分降低值和PSQI降低率的时间序列分解图，以检查数据的长期趋势、季节变化和随机变化。
PSQI总评分似乎遵循一个总体稳定的趋势，在2020年左右略有下降，并在2022年后相对稳定。存在季节变异的迹象，较高的评分倾向于出现在夏季节气，较低的评分出现在冬季节气，表明可能存在年度周期。随机成分保持在一个相对稳定的范围内。PSQI评分降低值显示出总体上升趋势，并似乎表现出季节变异，冬季值较高，夏季值较低。观察到随机成分的一些波动，可能由外部因素引起。PSQI降低率也随时间呈上升趋势，并显示出间歇性的季节波动，在2019年和2021年偶尔有较大变异，而在其他时间相对较小。这些模式表明季节可能对睡眠质量和变异性产生影响，但需要进一步调查。
使用R语言tseries包中的adfTest函数对2018年至2022年期间的PSQI总评分时间序列、PSQI评分降低值时间序列和PSQI降低率时间序列进行了单位根检验。结果表明，所有序列都是平稳的，因此不需要进行差分。
在时间序列分析中，为避免模型阶数设置过高导致的过拟合，p、d和q值通常不设高于2。在R中，通常使用AIC和BIC来选择最佳模型。AIC和BIC越小，模型对数据的拟合越好。
PSQI总评分和PSQI评分降低值的SARIMA模型使用pm.auto.arima()函数选择。基于AIC和BIC，比较了不同的候选模型。最终，选择SARIMA(1, 0, 1)(0, 1, 1)24模型作为最佳模型。模型残差的ACF和PACF图显示大多数值保持在置信区间内。这意味着残差没有明显的模式或相关性，模型对数据拟合良好。
对PSQI降低率采用了相同的方法。pm.auto.arima()函数选择了一个模型，并使用AIC和BIC比较了不同选项。最终选择了SARIMA(1, 0, 1)(1, 0, 1)24模型。
ACF和PACF图显示大多数值在置信限内。这意味着残差没有明显的模式或相关性，模型拟合良好。
对PSQI总评分序列的SARIMA(1, 0, 1)(0, 1, 1)24模型残差、PSQI评分降低值序列的相同模型残差以及PSQI降低率序列的SARIMA(1, 0, 1)(1, 0, 1)24模型残差进行了Ljung–Box检验。所有结果均显示残差为白噪声。
还使用密度图和Q-Q图检查了所有三个模型的残差的正态性。密度图看起来像以零为中心的正态分布。Q-Q图显示大多数点靠近直线。这些结果意味着残差 mostly 独立且服从正态分布。
使用2023年PSQI总评分、PSQI评分降低值和PSQI降低率的数据检验了拟合模型。所有三个指标的拟合曲线都非常接近实际曲线。2023年二十四节气期间的大多数实际值都在预测值的置信区间内。这些发现表明，模型合理地捕捉了PSQI结果的短期模式，尽管考虑到未测量因素的潜在影响，预测应谨慎解释。
2024年PSQI总评分、PSQI评分降低值和PSQI降低率的预测
使用预测函数基于PSQI总评分和PSQI评分降低值的SARIMA (1,0,1)(0,1,1)24模型预测了2024年的值。预测的PSQI总评分最高值出现在谷雨和寒露，均为9.26。最低评分出现在大暑，为8.60。所有节气的平均评分为8.99。PSQI总评分曲线在冬至和大寒之间有一个小峰值，在春分和小满之间以及白露和立冬之间有两个较大的峰值。
对于PSQI评分降低值，预测的最高值出现在大雪，为7.79，最低值出现在谷雨，为6.58。所有节气的平均值为7.22。评分降低值曲线显示在夏至和处暑之间有一个小峰值，在立冬和小寒之间有一个较大的峰值。
使用SARIMA (1,0,1)(1,0,1)24模型预测了2024年的PSQI降低率。预测的最高率出现在雨水，为0.2931。最低值出现在大雪，为0.2621。平均率为0.2746。降低率曲线有两个小峰值，一个从立春到惊蛰，另一个从小满到夏至。
本研究分析了2018年1月1日至2023年12月31日期间收集的数据，以检验二十四节气与慢性失眠患者睡眠质量和稳定性之间的关联。研究结果表明，节气间的变化在某种程度上与睡眠质量和睡眠稳定性的变化相关。此外，国际研究报告的季节或气候因素与睡眠之间的类似关联表明，我们的发现与更广泛的证据一致，而非独特现象。
从睡眠质量来看，PSQI总评分在谷雨和寒露期间最高，表明在这些时期睡眠质量较差的趋势。相反，PSQI评分在小暑和大雪期间最低，表明在这些间隔期间睡眠质量相对改善。
对于睡眠改善和稳定性，PSQI评分降低值和降低率在大雪期间达到最高水平，其次是小雪，表明在这些时期睡眠改善和稳定性相对更大。相比之下，PSQI降低值的最低值出现在谷雨和雨水期间，而最低降低率出现在谷雨和大寒期间，表明在这些时间段改善有限且睡眠稳定性较差。
环境和季节动态可能部分解释了观察到的节气间差异。例如，谷雨和雨水通常具有较大的温度波动、高湿度和不稳定的阳光，这可能会损害体温调节，改变气道内衬张力，并激活与觉醒相关的神经元，从而导致睡眠质量较差。寒露和大寒带来突然的寒冷、较低的血清素、较高的去甲肾上腺素、睡眠/觉醒相关基因活动的变化以及交感神经激活，这可能会增加夜间觉醒并降低睡眠稳定性。这些节气期间的光照变化可以进一步影响褪黑激素和皮质醇节律，加剧对昼夜节律对齐的影响。相比之下，小暑呈现出相对稳定的温度和日光，而小雪和大雪则提供较长的夜晚和适度的寒冷，这些条件有利于褪黑激素分泌和更 consolidated 的睡眠。这些结果与其他研究一致，表明过度炎热和极端寒冷都可能损害睡眠，而温和且可预测的环境条件倾向于促进稳定性。
除了气象条件外，心理社会和行为因素也在睡眠的季节性变化中扮演重要角色。在春季，雨水和谷雨节气通常伴随着不稳定的天气、较大的昼夜温差和增加的湿度。这些环境变化可以直接 disrupt 昼夜节律并损害体温调节。同时，季节转换带来日常作息的调整、饮食习惯的改变以及自然光照射的变化，这可能进一步加剧心理压力或烦躁，形成“环境变化→心理压力→睡眠中断”的连锁反应。这种机制与临床发现一致，显示抑郁症患者的皮质醇水平在春季和秋季通常高于夏季和冬季，表明情绪与生理标志物之间存在季节性关联。在晚秋的寒露节气，加大的昼夜温差、较短的日照时间和气温的突然下降可能引发情绪波动，通常被称为“秋愁”。调查显示，青少年在秋季表现出比其他季节更高的抑郁和焦虑症状发生率，而这种情绪障碍又可能通过影响神经递质分泌（如血清素和褪黑激素）来 disrupt 睡眠周期。类似地，在晚冬的大寒节气，以寒冷、黑暗和短日照为特征，可能通过双重途径损害睡眠：首先，低温增强生理应激反应并降低睡眠深度；其次，长期缺乏阳光增加季节性情感障碍的风险。这些发现与国际研究报告一致，报告称秋季和冬季是季节性情感障碍复发的峰值期，最终在情绪和睡眠质量之间形成恶性循环。
从文化和医学角度来看，这些结果与中医原则产生共鸣。中医强调“顺应时节气”，建议在“长夏”（小暑）期间养心以保持平静，并在冬季（小雪；大雪）期间保存能量以支持恢复和 restorative 睡眠。
进一步分析表明，虽然失眠的总体严重程度在男性和女性中表现出相似的季节性模式，但女性在节气间的睡眠稳定性似乎经历了 slightly 更大的波动。这与早期的国际研究相符，该研究发现失眠在女性中更常见。可能的促成因素包括激素波动（例如雌激素和孕激素）、较高的焦虑和抑郁发生率以及与平衡工作和家庭责任相关的更大的心理社会压力。然而，这些因素可能以复杂的方式相互作用，本研究无法确定因果关系。
基于年龄的分析表明，45至59岁的个体对睡眠的季节性变化表现出相对更大的敏感性，包括失眠严重程度和睡眠改善的变化，而60至74岁的个体主要表现出睡眠稳定性的波动。在年轻或年长年龄组中未观察到清晰模式。这些发现与一项日本研究报告的中年及老年人睡眠时长和障碍的季节性变化基本一致。观察到的年龄差异可能反映了与年龄相关的生理适应性变化，例如改变的昼夜节律调节和激素波动。
为了进一步探索节气对睡眠的潜在短期影响，使用围绕每个节气（前后7天）的15天窗口分析了八个关键节气（立春、春分、立夏、夏至、立秋、秋分、立冬、冬至）。总体而言，未观察到这些节气与失眠严重程度或睡眠稳定性变化之间存在强烈或一致的关联，无论是在整个队列中还是按性别分层时。这种缺乏明显效应的现象可能反映了现代生活条件的缓解影响，例如气候控制环境和人工照明。注意到男性和女性之间睡眠模式的一些微小差异，这可能受到与性别相关的生理或行为因素的影响。
本研究使用R软件构建模型。数据包括144个节气，覆盖了六个完整周期，满足了模型构建的需求。由于失眠严重程度、睡眠变化和改善遵循季节性模式，测试并比较了不同的模型。选择SARIMA(1,0,1)(0,1,1)24模型用于失眠严重程度和睡眠变化。使用SARIMA(1,0,1)(1,0,1)24模型用于睡眠改善。检查模型后，误差（残差）看起来像白噪声并遵循正态模式。
在2024年，PSQI总评分、PSQI评分降低值和PSQI降低率的大多数观测值落在预测的置信区间内。PSQI总评分略高于预测，而PSQI评分降低值略低于预期。PSQI降低率显示出比预期更大的变异性。这些结果表明SARIMA模型对数据提供了合理的拟合，尽管存在预测误差。这种差异 likely 反映了本研究的初步性质，其中许多潜在的混杂因素——如共病健康状况、生活习惯和生活环境——未得到控制。在进一步的研究中，我们将纳入更多变量并测试替代建模方法，以提高预测准确性并更好地捕捉失眠动态的复杂性。
本研究考察了二十四节气与慢性失眠患者睡眠质量和稳定性之间的联系，并包括了短期预测。结果表明，传统节气的节律可能有助于现代睡眠护理。基于这些发现，睡眠治疗可以利用中医时间疗法中的理念与现代时序疗法相结合。这可能有助于使个性化护理更加精确和及时。
本研究探讨了二十四节气与慢性失眠患者睡眠质量和稳定性之间的关联，提供了新的证据表明症状波动可能遵循可预测的时间模式。这些发现强调了将季节性节律纳入临床决策的潜在价值，例如优化干预时机和定制个体化睡眠管理策略。研究结果并非取代现有方法，而是提供了一个额外的视角，可以补充传统疗法和中医的时间策略。尽管如此，由于地理范围有限，目前的工作应被视为初步研究。未来需要对更大、更多样化的人群、客观睡眠测量和环境变量进行研究，以验证这些观察结果并解释潜在的混杂因素。如果得到证实，这些见解可能具有广泛的临床意义，有助于以更精确和及时的方式改进慢性失眠的预防、监测和治疗。
本研究遵循《赫尔辛基宣言》的原则进行。研究方案经杭州市第七人民医院伦理委员会审查批准。鉴于回顾性设计和匿名数据的使用，委员会豁免了书面知情同意的要求。
林琳胡和王佳欣对这项工作贡献相同，共享第一作者身份。张欣和毛红静作为通讯作者贡献相同。概念化：林琳胡、张欣、毛红静；数据管理：宋明芬；形式分析：宋明芬；资金获取：毛红静；调查：傅涵曦、杨丽丽；方法论：林琳胡、张欣；监督：张欣、毛红静；验证：毛红静；可视化：王佳欣；初稿撰写：林琳胡、王佳欣；审阅与编辑：所有作者。所有作者均同意文章所投期刊；已审阅并批准论文的最终版本；并同意对工作的所有方面负责。
