老年人加速度计测量的身体活动量与睡眠时长之间的关联：一项可解释的横断面机器学习分析

《Frontiers in Public Health》：Association between accelerometer-measured physical activity volume and sleep duration in older adults: a cross-sectional interpretable machine learning analysis

老年人身体活动量与睡眠持续时间的关系研究采用NHANES数据，通过可解释机器学习模型（如GBDT）分析发现非线性关联及阈值效应（临界点11461.51 MIMS），建议每日活动量≥12000 MIMS但需警惕过度运动风险。

　　本研究聚焦于老年人群体中体力活动量与睡眠时长之间的关系，旨在通过客观监测数据揭示二者之间可能存在非线性关联及阈值效应，从而为制定改善睡眠质量的运动干预方案提供科学依据。随着人口老龄化趋势的加剧，睡眠问题在老年人中愈发普遍，其与健康状况密切相关。因此，深入理解体力活动对睡眠的影响，对于提升老年人的生活质量具有重要意义。

### 一、研究背景与意义

睡眠是人类日常生活中不可或缺的生理功能，其质量直接影响个体的身心健康。对于老年人而言，睡眠质量的下降不仅可能引发认知功能退化、情绪障碍，还与慢性疾病的发生率增加密切相关。近年来，越来越多的研究表明，睡眠时长与健康状况之间存在显著关联，尤其在老年人群体中，睡眠不足或过度均可能带来不良后果。因此，如何通过非侵入性方式改善老年人的睡眠成为公共卫生领域的重要课题。

体力活动作为一种非药物干预手段，被广泛认为是改善睡眠质量的有效途径。研究表明，适度的运动可以提升睡眠质量，延长睡眠时长，并有助于调节昼夜节律。然而，当前研究对于体力活动量与睡眠时长之间的具体关系仍存在许多未解之谜。例如，是否存在一个临界点，使得体力活动量达到一定水平后，对睡眠质量的改善效果开始显现？是否在某些体力活动量范围内，增加活动量会带来更大的睡眠改善？这些问题的答案，对制定科学合理的运动干预方案至关重要。

传统的研究方法主要依赖于受试者的自我报告，这种方法存在较大的主观偏差，尤其是在老年人群体中，由于记忆能力下降，容易出现回忆偏差。此外，自我报告难以准确反映个体在24小时内的活动模式。因此，本研究采用了客观的监测数据，即通过可穿戴设备记录老年人的体力活动和睡眠情况，从而更精确地评估二者之间的关系。

### 二、研究方法与数据来源

本研究使用了美国国家健康与营养调查（NHANES）的交叉截面数据。其中，2011–2014年的数据被用于模型构建，2005–2006年的数据则作为外部验证集。研究团队对数据进行了严格的筛选，确保样本的代表性与数据质量。例如，在模型构建阶段，研究者排除了年龄小于60岁的参与者、缺乏加速度计数据的个体以及缺少关键协变量（如家庭收入、婚姻状况、BMI等）的样本，最终形成2,397人的研究队列。在外部验证阶段，同样采用了严格的筛选标准，以确保两组数据在统计学上的可比性。

研究中使用的可穿戴设备为加速度计，能够记录个体的日常活动模式和睡眠状态。在模型构建队列中，使用了三轴加速度计（ActiGraph GT3X+），而在外部验证队列中，采用的是单轴加速度计（ActiGraph AM-7164）。尽管两种设备的测量方式有所不同，但研究者通过统一的分析流程，确保了数据的一致性与可比性。

为了评估睡眠时长，研究者首先计算了“有效平均每日睡眠时长”（Sleepdaily），即根据加速度计记录的有效睡眠时间与总有效佩戴时间的比值得出。同时，为了评估体力活动量，研究者引入了“MIMS”（Monitor-Independent Movement Summary）这一新型指标，它通过将每分钟的三轴加速度数据转化为统一单位，从而更准确地反映个体的总体活动水平。此外，研究者还对数据进行了1%的截尾处理，以减少极端值对分析结果的干扰。

### 三、研究结果与分析

研究结果表明，体力活动量与睡眠时长之间存在显著的正向关联。通过加权单变量分析和加权多变量逻辑回归分析，研究者发现，随着体力活动量的增加，老年人获得良好睡眠时长的概率也相应上升。这一发现得到了机器学习模型（如随机森林、梯度提升决策树等）的进一步支持，其中梯度提升决策树（GBDT）模型在内部验证中表现出最佳的预测性能，AUC值达到0.859（95% CI: 0.821–0.897, p < 0.001），而在外部验证中，其AUC值为0.707（95% CI: 0.690–0.730, p < 0.001），显示出良好的泛化能力。

进一步的SHAP（SHapley Additive exPlanations）分析揭示了体力活动量对睡眠时长的具体影响机制。研究发现，体力活动量与睡眠时长之间的关系并非线性，而是存在明显的阈值效应。具体而言，当体力活动量低于7,000 MIMS或高于15,000 MIMS时，体力活动对睡眠时长的影响相对较小。而当体力活动量处于7,000–11,461.51 MIMS这一区间时，随着活动量的增加，睡眠质量改善的效果显著提升。当体力活动量超过11,461.51 MIMS后，睡眠改善的效果趋于稳定，即增加活动量不再带来更大的收益，此时体力活动对睡眠的边际效应逐渐减弱。

这一非线性关系与阈值效应的发现，为制定科学的运动干预策略提供了重要参考。例如，研究建议老年人每日保持至少12,000 MIMS的活动量，而15,000 MIMS则被认为是更优的指标。然而，研究者也指出，超过15,000 MIMS的活动量可能带来过度运动的风险，因此需要在运动干预中加以关注。

### 四、模型构建与验证

为了更全面地理解体力活动量与睡眠时长之间的关系，研究者构建了多种机器学习模型，并进行了模型性能的比较与验证。其中，使用了随机森林（RF）、梯度提升决策树（GBDT）、XGBoost和LightGBM等算法，并通过网格搜索与五折交叉验证优化模型参数。最终，研究者选择GBDT模型作为主要分析工具，并进一步构建了两层堆叠集成模型（Stacked Ensemble Model）以提高预测精度。

在模型验证过程中，研究者采用了内部验证和外部验证相结合的方式。内部验证结果显示，GBDT模型在测试集中的AUC值为0.859，表明其具有较强的分类能力。而外部验证则通过应用改进的SMOTE算法（Borderline-SMOTE）和SMOTE-ENN方法，有效缓解了数据不平衡问题，进一步验证了模型的泛化能力。尽管外部验证中的AUC值略低于内部验证（0.707），但其仍然保持了较高的预测精度，表明该模型在不同数据集之间具有一定的适应性。

此外，研究者还通过SHAP值对模型进行了可解释性分析。SHAP分析结果表明，体力活动量是影响睡眠时长的最关键变量之一。SHAP值的分布图和依赖图进一步揭示了体力活动量对睡眠时长的非线性影响。例如，当体力活动量低于7,000 MIMS时，其对睡眠质量的提升作用有限；而在7,000–11,461.51 MIMS区间内，活动量的增加显著提升了睡眠质量；当活动量超过15,000 MIMS后，其对睡眠质量的提升作用趋于饱和，即边际效应逐渐减小。

### 五、研究意义与应用价值

本研究的发现具有重要的临床和公共卫生意义。首先，它为老年人群体提供了一种非侵入性的干预方式，即通过增加体力活动量来改善睡眠质量。这一方法不仅具有较高的可行性，而且避免了药物干预可能带来的副作用。其次，研究揭示了体力活动量与睡眠时长之间的非线性关系，有助于更精准地制定运动干预方案。例如，研究建议老年人应保持每日至少12,000 MIMS的活动量，而15,000 MIMS则被认为是更优的指标。

然而，研究者也指出，这些发现仍需在更大规模的长期研究中进一步验证。此外，由于MIMS作为一种新型的活动量单位，目前尚缺乏明确的分类标准和临床指导，因此其应用仍需谨慎。研究者建议，未来可以结合纵向数据，进一步探索不同体力活动特征对睡眠的影响，并通过更丰富的外部验证方法，提高模型的预测能力。

### 六、研究局限性与未来方向

尽管本研究取得了一定成果，但仍然存在一些局限性。首先，研究采用的是横断面设计，无法明确体力活动与睡眠之间的因果关系。因此，研究者通过因果森林（Causal Forest）方法对结果进行了补充分析，以增强研究的因果推断能力。然而，因果森林方法仍无法完全排除反向因果效应的可能性，即睡眠质量下降可能反过来影响体力活动水平。

其次，研究中使用的体力活动量和睡眠时长的测量方法可能存在一定的局限性。例如，尽管加速度计能够提供客观数据，但不同设备之间的测量误差和检测范围可能影响结果的准确性。此外，睡眠时长的评估方式也存在差异，特别是在外部验证队列中，研究者使用了自我报告数据，这可能引入社会期望偏差。

最后，MIMS作为一种新的活动量单位，虽然在某些研究中显示出较好的准确性和泛化能力，但目前尚无明确的临床指导标准。因此，研究者建议未来可以进一步探索MIMS单位的分类标准，并结合更多的研究数据，以提高其在实际应用中的价值。

### 七、结论与建议

综上所述，本研究通过客观监测数据和机器学习方法，揭示了老年人体力活动量与睡眠时长之间的非线性关系及阈值效应。研究发现，体力活动量在7,000–11,461.51 MIMS区间内对睡眠质量的改善效果最为显著，而超过15,000 MIMS的活动量则可能带来边际效益的下降。因此，研究建议老年人应保持每日至少12,000 MIMS的活动量，以提高获得良好睡眠的概率。同时，研究也提醒，过度运动可能带来健康风险，因此在制定运动计划时应充分考虑活动量的合理范围。

此外，研究还强调了可解释性分析的重要性。通过SHAP值的分析，研究者不仅能够理解体力活动量对睡眠时长的影响程度，还能识别出关键的阈值点，从而为个体化干预提供科学依据。未来的研究可以进一步探索不同体力活动模式对睡眠质量的影响，并结合更多的临床数据，提高MIMS单位的适用性。

本研究为老年人的睡眠改善提供了新的视角，同时也为公共卫生政策的制定提供了数据支持。通过科学的运动干预，老年人不仅能够改善睡眠质量，还可能提升整体健康水平。因此，推广这种非侵入性的干预方式，对于提升老年人的生活质量具有重要意义。