基于Jawbone手環(huán)的睡眠質(zhì)量預(yù)測研究

楊天驍，李金寶，胡 悅

基于Jawbone手環(huán)的睡眠質(zhì)量預(yù)測研究

楊天驍1, 2，李金寶1, 2，胡 悅3

(1.黑龍江大學(xué) 計算機(jī)科學(xué)技術(shù)學(xué)院，哈爾濱 150080；2.黑龍江省數(shù)據(jù)庫與并行計算重點實驗室，哈爾濱 150080；3.哈爾濱商業(yè)大學(xué) 體育學(xué)院，哈爾濱 150028)

提出了一種基于Jawbone手環(huán)預(yù)測睡眠質(zhì)量的方法。通過對手環(huán)收集到的運動和睡眠數(shù)據(jù)進(jìn)行分析，選擇出有效的特征表示，并使用支持向量機(jī)(SVM)的預(yù)測分類方法進(jìn)行數(shù)據(jù)處理，取得了較好的效果。

睡眠質(zhì)量預(yù)測；手環(huán)；支持向量機(jī)；運動

0 引 言

隨著生活節(jié)奏的日益加快，人們的工作壓力也越來越大，很多人長期處于亞健康狀態(tài)，睡眠得不到保障，進(jìn)而影響工作效率。睡眠是人體自我更新過程中一個很重要的環(huán)節(jié)，與健康狀況密不可分。良好的睡眠可使疲憊的人體進(jìn)行自我修復(fù)，保證精力充沛；而不好的睡眠會則使人體的疲憊加劇，久而久之就會產(chǎn)生一些其他的健康問題，例如肥胖或者抑郁癥[1]。一些學(xué)者對健康和運動的關(guān)系進(jìn)行深入研究表明，有規(guī)律的適度運動可以在一定程度上提高睡眠的質(zhì)量[2]。另外，定量的有氧運動也可以減輕一些老年人失眠的癥狀[3]。然而，目前很多人經(jīng)常久坐辦公室中，缺乏運動，導(dǎo)致睡眠質(zhì)量的下降，進(jìn)而影響第二天的工作質(zhì)量，形成一個惡性循環(huán)。良好的睡眠也有利于第二天的運動狀態(tài)[4]。因此，如何保證良好的睡眠質(zhì)量成為了一個重要的健康問題。

基于多導(dǎo)睡眠圖(Polysomnogram, PSG)進(jìn)行睡眠檢測應(yīng)用非常的廣泛[5]，然而由于設(shè)備的限制，該方法只能在有專業(yè)人士的指導(dǎo)下進(jìn)行，對于一般人來說很難接觸到。而某些基于傳感器來檢測睡眠的方法同樣可達(dá)到和基于PSG相似的效果。iSleep睡眠識別系統(tǒng)[6]是利用手機(jī)內(nèi)置的聲音傳感器，同時采用決策樹算法，識別與睡眠相關(guān)的運動。另一種常見的是基于運動傳感器(Actigraphy)的睡眠檢測方法[7]，運動傳感器很輕巧，只需睡眠時佩戴在身上即可，可很好地應(yīng)用于大眾人群。很多可穿戴睡眠檢測設(shè)備都基于運動傳感器并配合相關(guān)的算法來進(jìn)行睡眠檢測，例如fitbit和jawbone up等。目前基于運動傳感器的人類日常運動識別的研究已經(jīng)非常成熟，比如可通過運動傳感器進(jìn)行走路步數(shù)的統(tǒng)計[8]。

本文主要基于jawbone手環(huán)進(jìn)行睡眠質(zhì)量的預(yù)測。Jawbone手環(huán)內(nèi)置的運動傳感器可檢測運動步數(shù)和睡眠狀況?；诓杉降倪\動數(shù)據(jù)和前一天的睡眠數(shù)據(jù)來預(yù)測未來的睡眠狀況。該方法適用于任何擁有該設(shè)備的人群，通過該方法可讓用戶實時關(guān)注自己的睡眠質(zhì)量，進(jìn)而擁有一個健康的生活狀態(tài)。

1 相關(guān)工作

20世紀(jì)30年代，隨著腦電圖(EEG，electroencephalogram)的問世，它逐漸被應(yīng)用到了睡眠狀態(tài)的分析上[9]。由于該方法只能觀測到腦電圖與睡眠之間的關(guān)系，在1974年研究人員提出了多導(dǎo)睡眠圖(PSG)這一概念[5]。它通過記錄全夜睡眠過程中的腦電圖、肌電圖、心電圖、眼動圖、呼吸、血氧等生理信號，再經(jīng)過處理分析后得出有關(guān)睡眠結(jié)構(gòu)、呼吸事件、血氧飽和度、鼾聲、體位和心電圖動態(tài)變化具體數(shù)據(jù)，為睡眠呼吸患者提供了一種檢測方法，廣泛應(yīng)用于睡眠、夢境、呼吸和抑郁癥的診斷[10]。該方法雖然可準(zhǔn)確地檢測測試者的睡眠狀態(tài)，但是卻需要測試者在夜晚佩戴一些復(fù)雜而且昂貴的設(shè)備(很多的傳感器)，進(jìn)行一個長期的監(jiān)測，會非常的不便利。

除了以上人體睡眠信號數(shù)據(jù)的收集，測試者的主觀睡眠認(rèn)知也很重要。這種睡眠數(shù)據(jù)分析的方法最主要的是通過調(diào)查問卷的形式進(jìn)行。匹茲堡睡眠質(zhì)量指數(shù)(Pittsburgh sleep quality index,PSQI)量表[11]是由是美國匹茲堡大學(xué)精神科醫(yī)生Buysse博士等人于1989年編制的。該方法基于紙質(zhì)的個人問卷問題，從睡眠質(zhì)量、入睡時間、睡眠時間、睡眠效率、睡眠障礙、催眠藥物和日間功能障礙7個方面進(jìn)行自我主觀分?jǐn)?shù)評定，得分越高表明睡眠質(zhì)量越差，其中的問卷問題是關(guān)于測試者近30 d的平均睡眠情況，它需要測試者每天記錄。該方法在臨床上取得了非常大的成效。電子日常記錄[12](The electronic daily daily)在當(dāng)前的睡眠實驗中應(yīng)用也非常廣泛。測試者僅需要每天在移動設(shè)備上登陸自己的賬號，回答一些與睡眠相關(guān)的問題，同時記錄自己當(dāng)天的睡眠狀況。這種記錄睡眠狀況的方法與紙質(zhì)問卷調(diào)查的形式相比,雖然在一定程度上減少用戶的負(fù)擔(dān)，但是如果進(jìn)行一個長期的測試，仍然會給用戶帶來不好的體驗。同時，以上方法主要是基于測試者的一個主觀的判斷和記憶，當(dāng)需要記錄的問題過多時，答案的準(zhǔn)確性會降低。

基于上述兩點的考慮，本文收集人體睡眠數(shù)據(jù)的主要方法是基于Jawbone up手環(huán)。該手環(huán)通過內(nèi)置運動傳感器可精確地記錄與睡眠相關(guān)的數(shù)據(jù)，例如可自動分辨出深度睡眠和淺度睡眠的時間等。通過藍(lán)牙的方式可將數(shù)據(jù)上傳到手機(jī)端的App中進(jìn)行統(tǒng)計和顯示。測試者長期佩戴該設(shè)備也不會影響正常的生活，適合于進(jìn)行長期的睡眠和運動監(jiān)測。除此之外，僅需要測試者在每天早上對自己前一天的睡眠給定一個主觀分?jǐn)?shù)(0～100分)，省去了一些繁復(fù)的問題，節(jié)省了測試者的時間和精力，為實驗的長期進(jìn)行做好準(zhǔn)備。

2 主要方法

本文的系統(tǒng)框架圖見圖1。將睡眠質(zhì)量根據(jù)用戶打分分為低、中、高3個檔次，進(jìn)而將睡眠質(zhì)量預(yù)測問題看做一個3分類問題，通過對日?；顒拥姆治鰜硗茢喈?dāng)天的睡眠狀況。 主要涉及3方面：(1) 數(shù)據(jù)收集。主要采用Jawbone手環(huán)中的運動傳感器和睡眠傳感器進(jìn)行數(shù)據(jù)采集，通過手環(huán)提供的API 返回數(shù)據(jù)進(jìn)行存儲。另外，每一個實驗者需要對當(dāng)天的睡眠質(zhì)量進(jìn)行打分作為類別標(biāo)注。(2) 特征分析與選擇。通過對采集到的數(shù)據(jù)進(jìn)行統(tǒng)計分析，提取出較為有效的幾種特征，作為日?；顒雍退叩臄?shù)據(jù)表示。(3) 分類方法。采用SVMs作為分類框架。通過在特征空間中找到間隔最大的超平面作為判別模型，進(jìn)而對新來的數(shù)據(jù)進(jìn)行睡眠質(zhì)量預(yù)測。

圖1 系統(tǒng)框架圖Fig.1 Framework of the method

2.1 數(shù)據(jù)收集

基于Jawbone手環(huán)收集到的睡眠和運動數(shù)據(jù)有：日期(DATA)，運動步數(shù)(STEPS)，最長連續(xù)運動時長(LCAT)，入睡時間(SOL)，清醒時間(WASO)，總睡眠時間(TST)，深度睡眠時間(DST)，淺度睡眠時間(LST)。該數(shù)據(jù)存儲于手環(huán)中，通過jawbone手環(huán)開放的API將數(shù)據(jù)讀取出來。同時要求測試者每天對自己的睡眠質(zhì)量情況(SQ)進(jìn)行一個主觀的打分(0～100)。某測試者7 d的運動和睡眠數(shù)據(jù)見圖2。

圖2 用戶7 d數(shù)據(jù)圖Fig.2 Collected data in 7 days

2.2 特征選擇

根據(jù)睡眠圖指標(biāo)，選取了7個比較重要的睡眠指標(biāo)作為分類和預(yù)測的特征[12-13]：①入睡時間(SOL)；②清醒時間(WASO)；③總睡眠時間(TST)；④睡眠效率(SE,TST/(SOL+WASO duration +TST))；⑤覺睡比(ASR,WASO/TST)；⑥深睡期(DSTR,DST/TST)；⑦淺睡期(LSTR,LST/TST)。

同時，選擇了2個運動特征對活動量進(jìn)行定量描述：①每天的運動總量(步數(shù))；②每天連續(xù)最長運動時間。Morgan[14]等人發(fā)現(xiàn)成年人步行10 000～15 000步/d可有效改善健康狀況，同時有氧運動時長>30 min能徹底消耗能量?；谏鲜鲅芯拷Y(jié)果，將這兩個特征進(jìn)行分類，其分類情況見表1、表2。

表1 運動強(qiáng)度分類

表2 最長連續(xù)運動時間分類

通過表3和表4中對不同運動強(qiáng)度和不同運動時長下的睡眠指標(biāo)的比較可見，隨著運動強(qiáng)度的增高，入睡時間有所減少，睡眠效率有所提高，與文獻(xiàn)[2]的研究一致。同時，隨著運動時長的增加，清醒時間有所減少。因此，將這7種因素作為睡眠特征進(jìn)行分類具有一定的可行性。

測試者對自己睡眠質(zhì)量的打分按表5進(jìn)行了劃分，分值<70分說明睡眠質(zhì)量較差，70～85分說明睡眠質(zhì)量一般，而>85分則說明睡眠較好。睡眠和運動特征作為分類的特征向量，睡眠質(zhì)量作為最后的分類結(jié)果。

表3 在不同運動強(qiáng)度下睡眠因素水平表(x±s)

表4 在不同運動時長下睡眠因素水平表(x±s)

表5 睡眠質(zhì)量分類

2.3 分類方法

支持向量機(jī)(Support Vector Machine, SVM)是一種二分類模型，在機(jī)器學(xué)習(xí)領(lǐng)域中支持向量機(jī)是目前最好的二分類方法。支持向量機(jī)通過選擇某一非線性映射，將輸入向量映射到一個高維度空間，并在此高維空間中尋找最優(yōu)線性分類平面，即超平面。一般常用的映射核函數(shù)有多項式核、高斯核等。支持向量機(jī)利用支持向量和邊緣發(fā)現(xiàn)超平面，通過搜尋最大邊緣超平面(maximum marginal hyper plane)進(jìn)行分類。本文所使用的LIBSVM[15]是由臺灣林智仁教授基于SVM模型原理開發(fā)的可實現(xiàn)多分類問題的軟件包。其主要原理是一對一法(one-versus-one,簡稱1-v-1 SVMs)。其做法是在任意兩類樣本之間設(shè)計一個SVM，因此k個類別的樣本就需要設(shè)計k(k-1)/2個SVM。當(dāng)對一個未知樣本進(jìn)行分類時，最后得票最多的類別即為該未知樣本的類別。本文的特征較多，選擇高斯核。

3 實驗結(jié)果與分析

3.1 實驗設(shè)置

筆者選擇了13個平均年齡在20～25歲的實驗對象(7個女性和6個男性)。每個測試者在15 d內(nèi)都需要在右手上佩戴jawbone手環(huán)進(jìn)行正常的日?；顒印Ｊ占?種類別睡眠質(zhì)量數(shù)據(jù)比例見圖3。

圖3 3種睡眠數(shù)據(jù)比例Fig.3 Ratio of three sleep types

3.2 評價標(biāo)準(zhǔn)

精確率、召回率和F值是廣泛用于信息檢索和分類領(lǐng)域的3個度量值，用來評價分類結(jié)果的質(zhì)量。精確率也叫查準(zhǔn)率，召回率也叫查全率。為了說明這3個度量值，首先介紹4個變量，見表6。

表6 變量定義

基于上述4個變量，3個度量值的定義如下：

精確率= TP/(TP+FP);召回率= TP/(TP+FN);F值=2 (精確率*召回率)/(精確率+召回率)。

3.3 實驗結(jié)果

本文進(jìn)行了2組對比實驗：①僅通過白天的運動量和最長運動時間對第二天的睡眠情況進(jìn)行一個預(yù)測，該實驗驗證運動量是否可以完全地決定睡眠質(zhì)量；②在方法1的基礎(chǔ)上，分類特征中又加入了前一晚的睡眠數(shù)據(jù)，該實驗是探究個人的歷時睡眠數(shù)據(jù)是否對未來的睡眠質(zhì)量的預(yù)測具有決定性的作用。兩種方法準(zhǔn)確率見表7。

表7 兩種方法準(zhǔn)確率

由表7可見，方法2對睡眠預(yù)測的平均正確率更高。然而，兩種方法對于低睡眠質(zhì)量的預(yù)測結(jié)果相較于其他兩個類別都是最差的，為了找到進(jìn)一步的原因，依據(jù)上述介紹的3個度量值對兩種方法進(jìn)行了進(jìn)一步的實驗。結(jié)果見表8～表10。

表8 低質(zhì)量睡眠下的度量值

表9 一般質(zhì)量睡眠下的度量值

表10 高質(zhì)量睡眠下的度量值

由表8～表10可見，方法2的各種評價指標(biāo)值都高于方法1。方法1的精確率在3種睡眠類別下產(chǎn)生了很大的差異，平均睡眠下取值最高達(dá)到0.8，另兩種類型下的取值均低于0.4。說明方法1無法更好地區(qū)分所有需要分類的類別。將大部分的低質(zhì)量和高質(zhì)量睡眠樣本預(yù)測為一般睡眠，導(dǎo)致了一般睡眠下的精確率取值高于其他兩類。發(fā)現(xiàn)僅通過運動量來預(yù)測睡眠質(zhì)量是不理想的。

數(shù)據(jù)分析結(jié)果見圖4。由圖4可見，在睡眠質(zhì)量非常高的測試者中也存在運動量和運動時長很短的測試者，同時睡眠質(zhì)量不好的人中也不乏有運動量和運動時間都很高的測試者。針對不同的運動活躍度的測試者，不能通過某一天的運動量或者是運動時間長度預(yù)測出其睡眠狀況。而方法2的預(yù)測正確率高于方法1的原因在于考慮到了測試者的歷時睡眠數(shù)據(jù)，并沒有僅根據(jù)某一天的運動活躍度就進(jìn)行預(yù)測。同時，方法2的預(yù)測正確率不理想的原因可能在于數(shù)據(jù)集中包含一些誤差。在未來的工作中，筆者采用更精確的設(shè)備來進(jìn)行睡眠的檢測和運動的識別。

(a) 睡眠質(zhì)量與運動步數(shù)對比圖

(b) 睡眠質(zhì)量與運動時長對比圖圖4 睡眠質(zhì)量與運動特征對比圖Fig.4 The compare figure between sleep quality and exercise feature

4 結(jié) 論

本文通過Jawbone up手環(huán)來探索運動和睡眠之間潛在的關(guān)系。首先，利用手環(huán)對年齡在20～25歲不同性別的人員收集15 d的運動和睡眠數(shù)據(jù)。其次，選取運動步數(shù)和運動時長作為運動特征，同時選取入睡時間、清醒時間、總睡眠時間、睡眠效率、覺睡比、深睡期、淺睡期作為睡眠特征。最后，在支持向量機(jī)框架下對睡眠質(zhì)量進(jìn)行分類預(yù)測。實驗結(jié)果顯示，筆者的方法具有一定的應(yīng)用價值，可發(fā)現(xiàn)運動與睡眠之間的潛在關(guān)系。

在未來的工作中，進(jìn)一步細(xì)化運動變量，探討某個特定時段的某種活動是否會對睡眠產(chǎn)生一些有利的影響。同時，將擴(kuò)大測試者的年齡范圍和數(shù)據(jù)的采集規(guī)模，保證數(shù)據(jù)的通用性。

[1]Parish J M. Sleep-related problems in common medical conditions[J]. Chest Journal, 2009, 135(2): 563-572.

[2]Driver H S, Taylor S R. Exercise and sleep[J]. Sleep Medicine Reviews, 2000, 4(4): 387-402.

[3]Reid K J, Baron K G, Lu B, et al. Aerobic exercise improves self-reported sleep and quality of life in older adults with insomnia[J]. Sleep Medicine, 2010, 11(9): 934-940.

[4]O’Connor P J, Breus M J, Youngstedt S D. Exercise-induced increase in core temperature does not disrupt a behavioral measure of sleep[J]. Physiology & Behavior, 1998, 64(3): 213-217.

[5]Chesson A L, Ferber R A, Fry J M, et al. Practice parameters for the indications for polysomnography and related procedures[J]. Sleep, 1997, 20(6): 406-422.

[6]Hao T, Xing G, Zhou G. iSleep: unobtrusive sleep quality monitoring using smartphones[C]//Proceedings of the 11th ACM Conference on Embedded Networked Sensor Systems. ACM, 2013: 4.

[7]Lichstein K L, Stone K C, Donaldson J, et al. Actigraphy validation with insomnia[J]. Sleep-New York Then Westchester, 2006, 29(2): 232.

[8]Brage S, Wedderkopp N, Franks P W, et al. Reexamination of validity and reliability of the CSA monitor in walking and running[J]. Medicine and Science in Sports and Exercise, 2003, 35(8): 1 447-1 454.

[9]Williams R L, Karacan I, Hursch C J. Electroencephalography (EEG) of human sleep: clinical applications[M]. New York: Wiley, 1974.

[10]路英智, 宗文斌, 陳興時. 多導(dǎo)睡眠圖在神經(jīng)精神科的應(yīng)用[J]. 神經(jīng)病學(xué)與神經(jīng)康復(fù)學(xué)雜志, 2008, 5(2): 119-120.

[11]Buysse D J, Reynolds III C F, Monk T H, et al. The Pittsburgh Sleep Quality Index: a new instrument for psychiatric practice and research[J]. Psychiatry Research, 1989, 28(2): 193-213.

[12]Tang N K Y, Sanborn A N. Better quality sleep promotes daytime physical activity in patients with chronic pain? A multilevel analysis of the within-person relationship[J]. PloS one, 2014, 9(3): e92158.

[13]孫學(xué)禮, 劉協(xié)和. 抑郁癥, 神經(jīng)衰弱和正常人的睡眠障礙研究[J]. 中華神經(jīng)精神科雜志, 1994, 27(2): 101-104.

[14]Morgan A L, Tobar D A, Snyder L. Walking toward a new me: the impact of prescribed walking 10,000 steps/day on physical and psychological well-being[J]. Journal of Physical Activity & Health, 2010, 7(3): 299-302.

[15]Chang C C,Lin C J.LIBSVM:alibrary for support vector machines[J].ACM Transactions on Intelligent Systems and Technology(TIST),2011,2(3):27-31.

Sleep quality prediction based on the Jawbone wristband

YANG Tian-Xiao1, 2，LI Jin-Bao1, 2,HU Yue3

(1.School of Computer Science and Technology，Heilongjiang University，Harbin 150080，China；2.Key Laboratory of Database and Parallel Computing of Heilongjiang Province，Harbin 150080，China; 3.Institute of Physical Education Harbin University of Commerce, Harbin 150080, China)

A method based on Jawbone wristband is proposed to forecast the quality of sleep. The effective features of sleep and exercise based on the data collected from the wristband were choosed，and the support vector machine (SVM) algorithm was choosed as the classification method. The experimental results show that the proposed method has practical value.

sleep quality prediction；wristband；SVMs；exercise

10.13524/j.2095-008x.2015.01.015

2015-01-14

國家自然科學(xué)基金資助項目(61370222，61070193)；黑龍江省自然科學(xué)基金資助項目(F201225)；黑龍江省高?？萍紕?chuàng)新團(tuán)隊建設(shè)計劃項目(2013TD012)；黑龍江省杰出青年基金資助項目(JC201104)

楊天驍(1990-),女，黑龍江哈爾濱人，碩士研究生，研究方向：移動計算等，E-mail:842792133@qq.com;*通訊作者：李金寶(1969-)，男，黑龍江慶安人，教授，博士，研究方向：無線傳感器、數(shù)據(jù)庫、并行計算等。

TP391.75

A

2095-008X(2015)01-0074-06