评估健康成年人Fitbit睡眠数据与自我报告的情绪、睡眠和环境背景因素之间的关系:试点观察队列研究

介绍

焦虑、抑郁和创伤后应激障碍(PTSD)是美国日益常见的精神健康障碍类型。精神健康障碍可导致功能和生活质量显著下降[1]。虽然心理健康疾病在美国很普遍，但它影响了现役军人(ADSM)人口的不成比例的大比例。2013年，20%的ADSM患有精神健康疾病，其中陆军的精神健康疾病患病率最高，为30% [2]。精神健康障碍的常规筛检及早期转介有助改善ADSM患者的生活质素[3.]。既然已知治疗是有效的，更好地为ADSM服务的关键是早期识别潜在的精神健康障碍。

心理健康障碍，如焦虑、抑郁和创伤后应激障碍，与睡眠障碍之间有明确的关系[4]。高达90%的重度抑郁症患者有睡眠障碍[5]。与健康对照组相比，广泛性焦虑障碍患者出现睡眠障碍的风险增加了一倍[6]。大多数创伤后应激障碍患者都有睡眠障碍[7]。由潜在的心理健康状况引起的睡眠障碍可以用环境因素来衡量，如恐惧、担忧或生活压力源。

个人健身设备是可穿戴的传感器(通常戴在手腕上)，可以直接跟踪生物特征数据。Fitbit等设备轻便、便携、价格低廉，可以获取被动睡眠数据[8]。这些追踪器已被陆军和海军用于促进健康，在ADSM人群中无处不在[9]。具体来说，与金标准多导睡眠描记仪(PSG)相比，Fitbit被发现是一种获得睡眠指标的有效方法[10-12]。fitbit还被发现与患者报告的睡眠和步数等结果呈正相关[13]。在对24名健康志愿者的研究中，与PSG金标准相比，Fitbit在测量睡眠效率和总睡眠时间方面的设备内可靠性为96.5%-99.1% [10]。另一项研究将本研究中使用的Fitbit Flex设备与PSG进行了比较，发现睡眠良好者的总睡眠时间相关性为97.4%，失眠者的相关性为88.6% [14]。

许多研究测量了总睡眠时间、清醒时间和清醒事件的次数，但没有调查清醒事件发生的原因[15]。一项对22名参与者进行的研究使用SleepTight跟踪算法来评估咖啡因和运动等相关因素，在一个月的时间里，该研究没有显示出与良好、中性或不良睡眠之间的统计学显著相关性[16]。另一项研究也试图探索睡眠和环境因素之间的关系，让12名参与者在两周内查看Fitbit数据，并与名为“睡眠探索者”的在线睡眠工具进行比较。15]。醒着次数增加的最常见原因是配偶、孩子、宠物、垃圾车和酒精。15]。同一作者的另一项研究发现，睡眠的总时间和醒着的次数与参与者的睡眠体验密切相关。17]。最后，一项小型研究对10名参与者进行了Fitbit Alta睡眠指标和自我报告的睡眠日记，发现这两项指标之间存在正相关[18]。这些研究都没有试图探索自我报告的情绪、睡眠和环境因素之间的关系，这些因素是早期心理健康障碍的标志。

尽管Fitbit已被发现是测量睡眠数据的有效工具，但它尚未被用于评估潜在的心理健康障碍。数据的缺乏为设计研究提供了机会，以填补目前文献中的空白。

这项研究旨在评估Fitbit睡眠数据与自我报告的睡眠和情绪相比是否可靠。如果Fitbit是一种可靠的设备，可以发现精神健康障碍的早期标志物，那么Fitbit可以用作筛查工具，在不同人群(如ADSM)中识别精神压力的早期标志物。文献中没有分析试图解决以下3个目标:(1)确定每日Fitbit睡眠分钟数与每日自我报告的睡眠数据之间的相关性，(2)确定Fitbit清醒事件数与自我报告的情绪之间的相关性，以及(3)探索Fitbit清醒事件与自我报告的睡眠上下文因素之间的定性关系。

方法

这项观察性队列研究评估了Fitbit睡眠数据(小时数和清醒事件)、自我报告的情绪、自我报告的睡眠(小时数和清醒事件)和自我报告的影响睡眠的环境背景因素之间的关系，这些因素是在Madigan陆军医疗中心进行的为期2周的健康、工作的成年ADSM参与者的方便样本。健康的参与者被定义为没有原发性失控性失眠、阻塞性睡眠呼吸暂停、甲状腺功能亢进或心律失常。纳入标准包括自愿参与研究，并拥有功能正常的Fitbit。排除标准包括既往存在未控制的原发性睡眠障碍、未控制的阻塞性睡眠呼吸暂停、未控制的甲状腺疾病、心律失常或Fitbit功能不全。排除标准基于类似设计的研究[15]。

参与者在两周的数据收集期间佩戴Fitbit Flex。数据收集于3个时间点:干预前、干预中和干预后。

参与者使用匹兹堡睡眠质量指数(PSQI)完成干预前和干预后的睡眠调查[19]。参与者使用国家精神卫生研究所的生活图表法(NIMH LCM)完成每日情绪和睡眠日志[20.]。在数据收集的第一周结束时和两周结束时，参与者完成了临床访谈时间表-修订版(CIS-R) [21来衡量睡眠的环境因素。

目的1。确定每日Fitbit睡眠数据和每日自我报告睡眠之间的相关性

使用Spearman相关分析评估每日Fitbit睡眠分钟数和每日自我报告的睡眠小时数之间的关系。采用Spearman相关分析比较连续自我报告的睡眠与Fitbit测量的睡眠。作为质量检查，采用Wilcoxon符号秩检验比较干预前和干预后的PSQI评分，以确保干预前和干预后的睡眠习惯在2周间隔内没有变化。采用Wilcoxon符号排序检验比较干预前和干预后PSQI调查的序号值。

目标2。确定Fitbit清醒次数与自我报告情绪之间的相关性

使用NIMH LCM跟踪自我报告的情绪，每天记录睡眠小时数，并对睡前情绪进行评分，评分范围从-3(最低)到+3(最高)。每日Fitbit清醒事件数与每日自我报告的睡眠前情绪之间的关系采用斯皮尔曼相关评估。

目标3。探索Fitbit唤醒事件和自我报告的睡眠环境因素之间的定性关系

通过PSQI和CIS-R的调查数据，获得了导致破坏性睡眠的环境因素。两项调查都允许参与者从常见的睡眠障碍列表中挑选，并手动写下其他相关因素。研究人员分析了这些开放式回答，并根据相似度将其分组，以确定影响参与者睡眠的特定环境因素。

结果

共有17名参加者(P1-P17)完成研究(表1）.没有自我报告的数据被排除。

如在表1，人口统计分析显示，参与者处于工作年龄范围，样本中大约有四分之三的男性和四分之一的女性。没有发现显著的人口统计学差异。

表2总结了调查和Fitbit的睡眠数据。5名参与者(P2、P5、P11、P13和P16)报告了睡眠习惯紊乱，干预前和干预后的PSQI睡眠评分均为>5。这些分数可能是导致睡眠模式中断的潜在疾病的迹象。这些参与者在CIS-R上报告的环境因素表明，环境因素导致了破坏性睡眠。每个干预前和干预后PSQI睡眠得分高的参与者都报告了CIS-R调查中的情景混杂因素(表2）.

干预前PSQI均分(5.88,SD 3.71)和干预后PSQI均分(5.33,SD 2.83)差异无统计学意义。Wilcoxon符号秩检验显示干预前PSQI与干预后PSQI调查数据差异无统计学意义(Z=0.751，P= . 05)。因此，参与者自我报告的睡眠习惯在研究期间保持稳定。

目的1:自我报告睡眠与Fitbit睡眠的比较

图1比较Fitbit的睡眠时间和自我报告的睡眠时间。Fitbit平均睡眠时间的人群平均值为6.49小时(SD 0.95小时)，接近参与者自我报告的平均睡眠时间平均值6.38小时(SD 0.80小时)。Fitbit睡眠时间与自我报告睡眠时间之间的Spearman相关性中等(r=0.643，P= .005) (22]。

‎ 查看此图

目标2:自我报告的情绪与Fitbit清醒事件的比较

Fitbit唤醒事件的平均次数为1.79次(SD为1.05)。自我报告的平均情绪为0.67 (SD 1.00)。图2自我报告的情绪和清醒事件的次数之间没有明显的线性关系。清醒事件数与自我报告情绪之间的弱相关性证实了清醒事件数与自我报告情绪之间缺乏相关性(r=0.354，P= .163)。

‎ 查看此图

目的3:探索清醒事件的数量与环境因素之间的关系

定性分析中期和后CIS-R数据从表2导致了4类环境因素:噪音、疼痛、轮班/深夜工作和担忧。P9、P12和P13报告“噪音”是夜间醒来的主要原因。“噪音”和“轮班/深夜”为醒着的事件提供了额外的环境背景，而“疼痛”为醒着的事件提供了额外的物理背景。“担忧”的子类别为清醒时的事件提供了额外的心理健康背景。

研究人员对一部分参与者进行了评估，以进一步探索“担忧”作为压力的心理健康标志。研究人员分析了这部分参与者醒着的次数和情绪之间的相关性，结果显示在图3．

‎ 查看此图

图3显示清醒事件的数量和“担忧”子类别的睡眠前情绪之间的关系。这一人群的心理弹性可以从高情绪和醒着事件数量增加之间的关系中看出。异常值可能是精神压力的潜在标志，也可能是潜在的精神健康障碍。

讨论

干预前后PSQI评分差异无统计学意义。这表明，即使使用Fitbit，睡眠习惯也很稳定。此外，Fitbit的睡眠时间与自我报告的睡眠时间相关性很好。这一针对目标1的发现表明，Fitbit Flex作为测量参与者自我报告睡眠的可行工具，可以可靠地用于未来人群的进一步测试。目标1的独特贡献在于，它在麦迪根陆军医疗中心的健康工作年龄人群中显示了自我报告的睡眠和测量的睡眠之间的相关性。先前的文献表明，在使用PSG和活动记录仪的普通人群中，自我报告的睡眠和情绪之间存在正相关。然而，在军队卫生系统的健康工作年龄人群中，没有一项研究旨在证实自我报告的睡眠和情绪之间的相关性。确认这种相关性的存在为信任Fitbit数据作为测量睡眠的可靠工具提供了基础，并作为探索其他参数(如清醒事件数量和睡前情绪)的基线。

目的2试图确定情绪是否可以作为检测潜在心理健康障碍的标志。如果一个人患有焦虑、抑郁、创伤后应激障碍或其他心理健康障碍，那么在上床睡觉前，这种消极情绪就会被观察到，而Fitbit将能够捕捉到这种消极情绪，并将其记录为醒着次数的增加。然而，尽管使用斯皮尔曼系数测量的目标1具有中度相关性，但目标2的相关性较弱。

这一发现表明清醒事件的数量与睡眠前情绪之间存在弱相关性，这表明在这一人群中，自我报告的情绪与清醒事件的增加无关。这表明，睡前情绪并不是检测心理健康障碍早期标志物的可靠标志。然而，鉴于人群数据缺乏可变性，这一队列可能被用作未来测试的潜在基线。

此外，在调查Aim 2时发生了2个意外发现。由于这是一个没有潜在心理健康障碍的健康人群，没有发现显著的情绪或清醒事件关系，因此该人群可以用作测量正常人群数据的基线。这有助于未来研究不同的情绪、睡眠和环境因素。

有趣的是，一些参与者报告说，随着清醒事件的增多，他们的情绪也越来越好。一个可能的解释是样本总体本身。研究参与者是在武装部队环境中服役的健康成年人。这群人可能天生就有积极的态度，在面临压力时变得精力充沛。对于这一群体，醒着的事件不会随着消极的睡眠前情绪而增加，这可能是由于这一人群在压力条件下的心理弹性和积极的压力反应。这项研究的发现可以通过在类似人群中使用Fitbit设备、情绪和环境因素进行进一步测试，帮助筛选具有压力适应力的人群。这些发现对于健康、工作年龄、与军事有关的人群作为基线也具有重要意义。在ADSM人群中进行进一步的测试，可以试图筛选出适应性较差的压力反应，这表明消极情绪和增加清醒事件之间存在相关性。

最后，对于目标3，影响睡眠的环境因素因参与者和生活方式而异。具体常见的干扰有“噪音”、“疼痛”、“轮班工作/深夜工作”和“担忧”。“疼痛”和“担心”可能表明潜在的身体和精神压力。对这些参与者的数据进行的子分析发现了清醒事件数量的异常值。虽然总体人口数据没有显示情绪和清醒事件之间的相关性，但在个体层面，潜在的相关性可能存在，如P10的清醒事件数量增加和“担忧”的自我报告所确定的那样。未来的研究可能会使用额外的专门的心理健康筛查工具，如患者健康问卷(PHQ-9)，这可能会揭示情绪和清醒事件之间的关系，而目标2没有显示。

限制

这项研究有几个局限性。首先，样本量很小，只有17名参与者。然而，这个样本量与类似的研究是一致的[15]。可能需要更大样本量的进一步测试，以将结果推广到ADSM人群。

其次，NIMH LCM主要用于跟踪双相情感障碍患者治疗的有效性。在这里，它被用来跟踪日常情绪，尽管它的目的是跟踪一个月的双相情感障碍的严重程度。由于情绪数据是从自我报告的调查中收集的，回忆偏差可能影响了这些结果的准确性。未来的研究可能会考虑获得纵向情绪数据，而不是单一的情绪值。

第三，PSQI和CIS-R都包含要求参与者描述在30天内可能扰乱睡眠的环境因素的问题。参与者只被要求报告两周的环境因素。由于PSQI和CIS-R的部分内容适用于较短的研究周期，这可能会限制它们的有效性。

第四，由于这项研究首先关注的是健康参与者，而不是已知病理的患者，因此只有少数情绪得分在-1到-3区域。这可能会限制在未观察到的区域中找到线性关系的能力。未来的研究可能会通过评估患有已知潜在精神健康疾病的患者来解决这个问题。

最后，Fitbit Flex是最古老的Fitbit型号之一。一种新的Fitbit模型可能与睡眠前情绪有更好的相关性。新的模型可能包括更灵敏的检测快速眼动睡眠的方法，也可能在确定清醒事件的数量方面更灵敏。

尽管存在这些局限性，但这项研究仍有许多优势。Fitbit被证明是一种可靠的睡眠测量设备。Fitbit的清醒数据和睡眠前情绪数据可作为未来研究的基线。最后，Fitbit数据和调查数据的结合可以识别亚组中的异常值，可以使用进一步的筛查工具评估精神健康障碍。对这一亚组参与者进行进一步筛查，并进行额外的专门心理健康调查，如PHQ-9，可能能够揭示潜在的心理健康障碍。

结论

由于心理健康障碍和fitbit在ADSM人群中普遍存在，个人健康追踪器可能能够捕捉患者生成的数据，以获得有临床意义的结果。这项研究的目的是评估Fitbit睡眠数据、自我报告的情绪和可能干扰睡眠的环境因素之间的关系，以确定Fitbit设备是否可以用于识别精神健康障碍的早期标志物。这些发现为Fitbit Flex作为一种代理的强度提供了有价值的证据，与自我报告的睡眠数据一致。研究发现，情绪低落与醒着的次数增加无关。当清醒事件的数量增加时，情绪就会增加，这表明这个人群可能表现出在一般人群中看不到的压力适应力，未来的工作应该对此进行研究。此外，亚组分析表明，该人群可以用作基线，以确定健康国防部人口的睡眠和情绪模式特征中的异常值。最后，将Fitbit与情绪和背景调查结合使用，可以识别出可以用PHQ-9等专门的心理健康筛查工具进一步筛查的异常值。