Innsikt fra Garmin Healths søvnstudie

Da Garmin Health lanserte sin avanserte søvnsporing sommeren 2019, var det et betydelig skritt fremover for alle som ønsker å få dypere innsikt i egne søvnmønstre. Med referansedata fra klinisk måleutstyr gjør teknologien det mulig å analysere de ulike søvnfasene med høy presisjon. Bak utviklingen står en omfattende studie ledet av Dr. Suzanne Stevens, leder ved Sleep Medicine Clinic ved University of Kansas Medical Center (KUMC), som er sertifisert både av American Board of Psychiatry and Neurology og av American Board of Sleep Medicine.

På det årlige møtet i American Academy of Neurology den 7. mai 2019 presenterte Dr. Stevens både studiens design, resultater og konklusjoner. Hun konkluderte med at Garmins klokker med avansert søvnregistrering er en pålitelig metode for å måle ulike søvnfaser. For brukeren betyr det muligheten til å få uvurderlig innsikt i egen søvnhygiene og en dypere forståelse av hvordan søvnvanene påvirker den generelle helsen. For forskningsmiljøet åpner resultatene også for nye muligheter til å bruke Garmins søvnregistrering i langtidsstudier, der både aktivitets- og søvnmønstre følges over tid.

I motsetning til mange tilsvarende studier ble søvnstudien til Garmin og KUMC gjennomført utenfor den tradisjonelle søvnklinikken. I stedet fikk deltakerne bruke en klinisk referanseenhet hjemme i sine egne senger. Slik ble data samlet inn i virkelige omgivelser, noe som gir et mer presist bilde av hvordan vi faktisk sover i hverdagen. Kun personer som brukte CPAP-apparater eller hadde tatoveringer på håndleddet, ble utelukket fra studien. Dette gjorde det mulig for forskerne å samle inn data fra deltakere med et bredt spekter av både kjente og uoppdagede søvnproblemer – akkurat slik det er blant vanlige brukere av wearables.

Utenfor selve studien ble algoritmens ytelse også evaluert på data fra 3 200 netter, samlet inn under betatesting i et produksjonsmiljø. Resultatene ble sammenlignet med kliniske referansedata for gjennomsnittlig fordeling av søvnfaser i ulike aldersgrupper. Som forventet gikk både andelen dyp søvn og den totale søvntiden ned med økende alder.

Garmin Health tilbyr bedriftsløsninger basert på Garmins sensordata av høy kvalitet. Våre løsninger brukes allerede innen områder som bedriftshelse, folkehelse og pasientovervåking. Vil du vite mer om hvordan du kan utvikle innovative løsninger eller forskningsprosjekter med produktene våre? Ta gjerne kontakt med oss for mer informasjon.

Kommersielt tilgjengelige klokker / wearables gir pålitelig estimering av søvnfaser

Scott Burgett¹_,Robert Blair¹, Darrell Lightfoot², Catherine Siengsukon³, Adam Reetz¹, Suzanne Stevens^2
1Garmin International, ²Neurology, University of Kansas Health Systems, ³University of Kansas Medical Center

Introduksjon

De siste årene har smarte klokker / wearables som registrerer skritt, aktivitet, puls og andre biometriske data blitt stadig mer utbredt. Bare i 2019 ble det anslått at 117 millioner slike enheter ble solgt, og prognosen pekte mot hele 233 millioner i 2022¹.

Tradisjonelt har aktigrafi vært gullstandarden for å estimere søvnfaser ved hjelp av wearables. Aktigrafi baserer seg på data fra et akselerometer som avgjør når du er våken og når du sover². Mange av dagens klokker / wearables måler også puls og pulsbølgevariasjon ved hjelp av optisk fotopletysmografi (PPG). PPG fungerer ved å sende lys inn i huden og registrere pulsen gjennom små endringer i den reflekterte lysstyrken. Disse endringene oppstår når blodvolumet i kapillærene varierer i takt med pulsbølgen som passerer sensorens synsfelt.

Ved å kombinere aktigrafi, puls og pulsbølgevariasjon kan man i dag estimere mer enn bare våkenhet og søvn. Det er også mulig å analysere ulike søvnstadier som lett søvn (N1 og N2), dyp søvn og REM-søvn. Mange wearables hevder at de kan skille mellom lett og dyp søvn med høy presisjon³. Samtidig finnes det fortsatt begrenset kunnskap om hvor pålitelige disse målemetodene faktisk er. En tidligere studie fra Fitbit beskrev en metode – ennå ikke kommersielt tilgjengelig – der man brukte PPG og aktigrafi i en bærbar enhet for å estimere søvnfaser hos friske voksne⁴.

I denne studien er fokuset å undersøke metoden og resultatene ved bruk av optisk PPG og aktigrafi i en bærbar enhet – i dette tilfellet Garmin vívosmart 3 – for å estimere søvnfaser hos voksne.

Metode

Deltakerne ble rekruttert til å bære både en Garmin vívosmart 3 og en klinisk referanseenhet for å evaluere hvor presist Garmin-enheten kan estimere ulike søvnfaser. Den mest nøyaktige metoden for å fastslå søvnfaser er polysomnografi (PSG) i laboratoriemiljø, der man blant annet benytter EEG-, EOG- og EMG-sensorer. Å gjennomføre PSG i et laboratorium er imidlertid både krevende for deltakerne og kan ofte påvirke både søvnkvalitet og søvnmengde, sammenlignet med når personen sover hjemme i sin egen seng.

For å møte denne utfordringen er det utviklet såkalte EEG-systemer for hjemmebruk, som for eksempel Sleep Profiler. Slike systemer kan gi estimater av søvnarkitektur som er fullt sammenlignbare med tradisjonell PSG⁵. I denne studien ble Sleep Profiler brukt som referanseenhet, noe som reduserte belastningen på deltakerne og muliggjorde datainnsamling i et miljø som i større grad gjenspeiler reell bruk av Garmin-enheten. Nøyaktigheten til Sleep Profiler ble vurdert som på nivå med en laboratoriebasert PSG.

Deltakerne fikk opplæring i hvordan Sleep Profiler skulle brukes, og ble instruert til å bære Garmin-enheten på den ikke-dominante håndleddet. Sleep Profiler registrerte EEG i tre kanaler for å fastslå ulike søvnfaser og målte også hjertefrekvens. Garmin-enheten samlet inn data parallelt med Sleep Profiler. I tillegg til registrering av akselerometerets x-, y- og z-akser samt PPG-signalet med bred båndbredde, ble det i denne studien kun benyttet den grønne kanalen fra PPG-signalet.

For å sikre presis tidsmåling ble de interne klokkene i begge enhetene synkronisert til nøyaktig samme tidspunkt. Pulsmålingene ble deretter sammenlignet og viste seg å være svært like, med sterk korrelasjon. Dette gjorde det mulig å tidsjustere datainnsamlingen med en nøyaktighet bedre enn ett sekund.

Data fra Sleep Profiler, inkludert den automatiserte klassifiseringen av søvnfaser, ble deretter gjennomgått av en sertifisert polysomnografiteknolog i henhold til AASM sine retningslinjer⁶ for å fastslå referansens søvnfaser. Skåringen ble utført i intervaller på 30 sekunder. I denne studien ble N1- og N2-fasene slått sammen til én felles kategori for lett søvn. Våkenhet, lett søvn, dyp søvn (N3) og REM-søvn ble deretter klassifisert og evaluert.

De skårede dataene ble brukt til å trene et nevralt nettverk som kunne klassifisere de ulike søvnfasene. Nettverksarkitekturen ble valgt for å fungere både på selve wearable-enheten, der datakapasiteten er begrenset, og i Garmin-skyen, som har betydelig større ressurser. I praksis ble det benyttet en totrinnsløsning: Først ble data forhåndsbehandlet og komprimert på enheten til et håndterbart omfang. Deretter ble disse dataene overført via Bluetooth Low Energy (BLE) og Garmin Connect Mobile-appen til Garmin-skyen for videre analyse.

Det nevrale nettverket som ble benyttet i skyen, var basert på en forenklet versjon av arkitekturen beskrevet av Zhao⁷. Over 60 ulike variabler ble beregnet direkte på enheten, mens ytterligere sju variabler ble generert i skyen, der alle data fra hele natten kunne behandles.

For å trene nettverket ble det benyttet en k-folds kryssvalideringsmetode med en k-verdi på fem⁸. Dette innebar at dataene ble delt tilfeldig inn i fem like store grupper. Fire av gruppene, tilsvarende 80 prosent, ble brukt til trening, mens den femte gruppen, 20 prosent, ble brukt til evaluering. Treningssettet ble videre delt inn i en faktisk treningsdel og en valideringsdel, som bestemte når treningen skulle avbrytes. Stoppkriteriet som ble benyttet, var en variant av det som beskrives i kilde ⁹. Prosessen ble gjentatt fem ganger, slik at hver deltaker inngikk fire ganger i treningen og én gang i testsettet.

Resultater

Totalt ble 55 personer rekruttert til studien. Det eneste eksklusjonskriteriet var tatovering på håndryggen, ettersom dette kan forstyrre den optiske pulsmålingen. Av de 55 deltakerne oppga 14 at de hadde en søvnforstyrrelse eller brukte medisiner som kan påvirke søvnarkitekturen. Disse personene ble registrert, men dataene deres ble likevel inkludert for å bedre reflektere den generelle befolkningen og andelen brukere med både kjente og ukjente søvnproblemer. Av deltakerne var 31 prosent (17 personer) kvinner og 69 prosent (38 personer) menn. Gjennomsnittsalderen var 35,5 ± 8,7 år, og gjennomsnittlig BMI var 26,3 ± 6,4.

Algoritmens totale treffsikkerhet mot disse reelle dataene var 69,7 prosent, med en sensitivitet for å oppdage søvn på 95,8 prosent og en spesifisitet for å identifisere våkenhet på 73,4 prosent (se tabell 1). Cohen’s kappa-verdi (k) var 0,54 ± 0,12. Disse resultatene bør sees i sammenheng med at samsvaret mellom to erfarne menneskelige skårere som bruker PSG, vanligvis ligger på omtrent 83 prosent¹⁰, og at Cohen’s kappa-verdien da er rundt 0,78⁴.

Tabell 1. Sensitivitet, spesifisitet, treffsikkerhet og Cohen’s kappa for klassifisering av søvnstadier i en wearable-enhet

Den fullstendige forvekslingsmatrisen for klassifiseringen av søvnfaser er vist i tabell 2. Matrisen viser at klassifikatoren predikerer dyp søvn, lett søvn og REM-søvn med tilnærmet samme nøyaktighet, rundt 69 prosent. Våkenhet blir identifisert noe mer presist, med en treffsikkerhet på 73 prosent. De vanligste feilklassifiseringene er at faktisk dyp søvn blir registrert som lett søvn, og at faktisk REM-søvn også blir klassifisert som lett søvn.

Tabell 2. Forvekslingsmatrise for alle deltakere – Faktisk søvnstadium vs. forutsagt stadium

En sammenligning av den overordnede søvnarkitekturen mellom referanseenheten og wearable-enheten for alle de 55 deltakerne er vist i tabell 3.

Tabell 3. Søvnarkitektur for alle deltakere

Det er verdt å merke seg at algoritmen som beskrives i denne artikkelen, ble tatt i bruk i produksjon på en rekke av Garmins wearables, inkludert vívosmart 3. Under betatestingen av produksjonsversjonen av søvnfaseklassifiseringen ble ytterligere 3 200 netter analysert og gjennomgått for å bekrefte at resultatene var i samsvar med funnene fra studien med de 55 deltakerne. For disse 3 200 nettene fantes det ingen referanseenhet – kun den ferdige løsningen med aktigrafi og optisk pulsmåling ble brukt. I denne større gruppen ble algoritmens ytelse vurdert ved å sammenligne fordelingen av søvnfaser på tvers av aldersgrupper. Andelen REM-søvn holdt seg relativt stabil uavhengig av alder, mens både mengden dyp søvn og den totale søvntiden avtok tydelig med økende alder – akkurat som forventet¹¹.

Figur 1. Søvntid – gjennomsnitt per aldersgruppe i produksjonssystemet

Avslutningsvis presenteres noen representative resultater fra gruppen på 55 studiedeltakere. I figurene nedenfor er våkenhet angitt som fase 3, REM-søvn som fase 2, lett søvn (N1 og N2) som fase 1 og dyp søvn som fase 0. Figur 2 viser medianresultatet – det 27. av 55 datasett, rangert etter nøyaktighet – med en treffsikkerhet på 71,5 %.

Figur 3 viser det beste resultatet i gruppen (1 av 55), med en treffsikkerhet på 80,1 %.

Figur 3. Beste resultatet, treffsikkerhet 80,1 %, Cohen’s kappa 0,70

Figur 4 viser det svakeste resultatet i gruppen (55 av 55), med en treffsikkerhet på 49,9 %. Det er verdt å merke seg at denne deltakeren rapporterte å ha en søvnforstyrrelse.

Figur 4. Svakeste resultat, treffsikkerhet 49,9 %, Cohen’s kappa 0,18 (selvrapportert søvnforstyrrelse)

Diskusjon

Denne studien viser at en klokke / wearable som kun benytter aktigrafi og optiske pulssensorer, kan estimere brukerens søvnstadier med en nøyaktighet på nær 70 % og en solid Cohen’s kappa-verdi på 0,54 ± 0,12. Resultatet ligger tett opp mot det som er rapportert i kilde ⁴, til tross for de ekstra utfordringene med produksjonssystemer og datainnsamling under reelle forhold. Sammenlignet med søvnregistreringsenheter basert på EEG er funnene også positive, selv om de ikke helt når opp til nøyaktighetsnivået disse enhetene kan oppnå, der samsvaret mellom vurderere ligger på omtrent 82 %.

Den største fordelen med å bruke en håndleddsbåren klokke / wearable for å estimere søvnstadier, er hvor enkelt og praktisk det er for brukeren. Alt som kreves, er å ha enheten på håndleddet gjennom natten – uten behov for spesialutstyr. Muligheten til å estimere søvnstadier med høy nøyaktighet på denne måten gjør det også mulig å følge søvnen over lange perioder, så lenge enheten lades i løpet av dagen. Slik får brukeren verdifull innsikt i både søvnvaner og søvnens ulike faser.

Referanser

¹ P. Lamkin, Smart Wearables Market to Double by 2022: $27 Billion Industry Forecast, Forbes, 23. oktober 2018. [Online]. Tilgjengelig: https://www.forbes.com/sites/paullamkin/2018/10/23/smart-wearables-market-to-double-by-2022-27-billion-industry-forecast/#419523e92656 [Hentet: 25. april 2019]

² L. de Souza, A.A. Benedito-Silva, M.L. Pires, D. Poyares, S. Tufik, H.M. Calil, “Further validation of actigraphy for sleep studies,” Sleep, 1. feb. 2003; 26(1):81–85.

³ J. Mantua, N. Gravel, R.M.C. Spencer, “Reliability of Sleep Measures from Four Personal Health Monitoring Devices Compared to Research-Based Actigraphy and Polysomnography,” Sensors (Basel), mai 2016; 16(5): 646.

⁴ Z. Beattie, Y. Oyang, A. Statan, A. Ghoreyshi, A. Pantelopoulos, A. Russell, C. Heneghan, “Estimation of sleep stages in a healthy adult population from optical plethysmography and accelerometer signals,” Physiol. Meas. 38 (2017) 1968–1979.

⁵ P. Finan, J. Richards, C. Gamaldo, D. Han, J.M. Leoutsakos, R. Salas, M. Irwin, M. Smith, “Validation of a Wireless, Self-Application, Ambulatory Electroencephalographic Sleep Monitoring Device in Healthy Volunteers,” J. Clin. Sleep Med. 12:1443–1450.

⁶ Berry R.B., Brooks R., Gamaldo C.E., Harding S.M., Lloyd R.M., Marcus S.L., Vaughn B.V. The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical Specifications, Versjon 2.5 (Darien, IL: American Academy of Sleep Medicine), 2015.

⁷ M. Zhao, S. Yue, D. Katabi, T. Jaakkola, M. Bianchi, “Learning Sleep Stages from Radio Signals: A Conditional Adversarial Architecture,” International Conference on Machine Learning (ICML’17).

⁸ J. Brownlee, “A Gentle Introduction to k-fold Cross Validation,” Statistical Methods, 23. mai 2018. [Online]. Tilgjengelig: https://machinelearningmastery.com/k-fold-cross-validation/ [Hentet: 25. april 2019].

⁹ L. Prechelt, “Early Stopping – but when,” [Online]. Tilgjengelig: https://page.mi.fu-berlin.de/prechelt/Biblio/stop_tricks1997.pdf [Hentet: 25. april 2019].

¹⁰ R. Rosenberg, S. Van Hout, “The American Academy of Sleep Medicine Inter-scorer Reliability Program: Sleep Stage Scoring,” J. Clin. Sleep Med., 15. jan. 2013; 9(1): 81–87.

¹¹ M. Ohayon, M. Carskadon, C. Guilleminault, M. Vitiello, “Meta-Analysis of Quantitative Sleep Parameters From Childhood to Old Age in Healthy Individuals: Developing Normative Sleep Values Across the Human Lifespan,” Sleep, 2004; 27(7):1255–1273.