基于手腕温度的海上环境睡眠检测

《IEEE Sensors Letters》：Wrist Temperature-Based Sleep Detection for Maritime Environments

　　

摘要：

本研究探讨了一种基于生理学的睡眠检测方法，该方法通过一种轻量级的分阶段基于温度的算法来实现。该方法通过识别温度变化趋势来确定入睡和起床时间，从而估算每日的睡眠片段。本方法的设计动机源于传统体动图法的局限性，这些方法依赖加速度计数据，在存在持续外部运动和多发式睡眠的环境（如海上帆船运动）中可能变得不可靠。在这些条件下，睡眠参数的估算准确性大幅下降。本方法在7名运动员25晚的数据上进行了评估，共分析了148天的数据。运动员在长期比赛期间佩戴了Garmin Forerunner 265智能手表，包括3个陆上夜晚和22个海上夜晚。研究结果与基于加速度计的睡眠检测开源Python包以及作为真实参考的睡眠日记进行了比较。67.1%的平衡准确率和53.1%的F1分数揭示了一个明显的趋势：体动图法由于低估或高估睡眠时段而失效，而我们的方法则表现出了最佳的总体性能。这些发现表明，基于手腕温度的睡眠检测可以作为体动图法的稳健且计算高效的替代方案或补充手段，特别是在运动信号不可靠的环境中。

I. 引言

睡眠是一个基本的生物学过程，约占人生的三分之一，与身心健康、心理健康和运动表现密切相关[1]。多导睡眠监测（PSG）被认为是客观评估睡眠和睡眠分期分类的金标准[2]、[3]。这种基于实验室的评估使用笨重的设备，可能会干扰习惯性的睡眠规律，且无法进行长期数据采集。如今，随着可穿戴设备的广泛采用以及材料科学研究的日益增加，非侵入性和体表穿戴式解决方案已被广泛研究用于此目的[4]、[5]。智能手表和腕戴式传感器是最广泛采用的低成本设备之一[3]。其加速度计输出（即体动图数据）与人工智能模型相结合，推动了不同开源Python包的开发[6]、[7]。在此背景下，本研究探讨了在多日海上帆船比赛中，使用腕戴式可穿戴设备（即Garmin Forerunner 265智能手表[8]）进行睡眠检测的情况。在这种环境中，睡眠监测面临巨大挑战，因为受试者暴露在持续的水上运动、不规律的时刻表和碎片化的休息机会中，而且长时间的低活动状态可能并不对应实际的睡眠。在海上帆船运动中，睡眠通常分布为多个短时片段（多发式模式）。在船员海上比赛中，时刻表通常是半结构化的，交替值班（例如3小时轮班/3小时休息），导致高度碎片化的睡眠、昼夜节律紊乱和睡眠质量下降。这些状况已被证实会损害认知表现、反应能力和生理恢复[9]。重要的是，这些变化反映在体温调节模式中，因为末梢皮温与睡眠/清醒转换密切相关，并对睡眠碎片化非常敏感[10]。基于以上所有原因，本研究旨在评估在海上或多发式轮班作业等无约束环境中，将手腕皮温作为生理信号用于睡眠检测的可行性，作为体动图法的补充或替代方案。鉴于数据集规模有限，作者承认本研究的定位为基于该生理信号的初步调查，而非传统的加速度计数据。这为未来开发适合在传感器内或传感器附近实现的基于生理学的算法奠定了基础。