Insikter från Garmin Healths sömnstudie

När Garmin Health sommaren 2019 lanserade den avancerade sömnregistreringen togs ett stort steg mot att förstå sömnmönster på djupet. Med referensdata från klinisk utrustning möjliggör teknologin analys av olika sömnfaser med hög precision. Bakom utvecklingen ligger en omfattande studie ledd av Dr. Suzanne Stevens, chef för Sleep Medicine Clinic vid University of Kansas Medical Center (KUMC), certifierad av American Board of Psychiatry and Neurology och American Board of Sleep Medicine.

Vid American Academy of Neurologys årsmöte den 7 maj 2019 presenterade Dr. Stevens studiens upplägg, resultat och slutsatser. Hon konstaterade att Garmins wearables med avancerad sömnregistrering utgör en tillförlitlig metod för att uppskatta olika sömnfaser. För användare innebär det ovärderliga insikter om den egna sömnen och en djupare förståelse för hur sömnvanor påverkar den allmänna hälsan. För forskare öppnar resultaten för att använda Garmins sömnregistrering i långtidsstudier där aktivitets- och sömnmönster följs över tid.

Till skillnad från många liknande studier genomfördes Garmin och KUMC:s sömnstudie utanför en traditionell sömnklinik. I stället använde deltagarna en klinisk referensenhet hemma i sina egna sängar. På så vis samlades data in i verkliga miljöer som bättre speglar hur vi faktiskt sover till vardags. Endast personer som använde CPAP-apparater eller hade tatueringar på handleden uteslöts. Det gjorde det möjligt att samla in data från deltagare med både kända och okända sömnproblem, ungefär som bland vanliga användare av wearables.

Utanför själva studien utvärderades även algoritmens prestanda på data från 3 200 nätter, insamlade under betatestning i en produktionsmiljö. Resultaten jämfördes med kliniska referensdata över den genomsnittliga fördelningen av sömnfaser i olika åldersgrupper. Som väntat minskade både andelen djupsömn och den totala sömntiden med stigande ålder.

Garmin Health erbjuder företagslösningar baserade på Garmins högkvalitativa sensordata. Våra lösningar används inom företagshälsa, folkhälsa och patientövervakning. Vill du veta mer om hur du kan utveckla innovativa lösningar eller forskningsprojekt med våra produkter? Kontakta oss gärna för mer information.

Kommersiellt tillgängliga wearables ger tillförlitlig uppskattning av sömnfaser

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

Introduktion

Under de senaste åren har smarta wearables som mäter steg, aktivitet, puls och andra biometriska data blivit allt vanligare. År 2019 beräknades 117 miljoner smarta wearables säljas, och prognosen pekade mot 233 miljoner år 2022¹.

Traditionellt har aktigrafi utgjort guldstandard för att uppskatta sömnfaser med wearables. Aktigrafi bygger på accelerometerdata för att uppskatta när du är vaken och när du sover². Många moderna wearables mäter dessutom puls och pulsvariabilitet med optisk fotopletysmografi (PPG). PPG skickar ljus in i huden och registrerar små förändringar i reflekterad ljusstyrka när blodvolymen i kapillärerna varierar i takt med pulsvågen genom sensorns synfält.

Genom att kombinera aktigrafi, puls och pulsvariabilitet går det att uppskatta mer än bara vakenhet och sömn. Det omfattar även sömnfaser som lätt sömn (N1 och N2), djupsömn och REM-sömn. Många wearables hävdar att de kan skilja mellan lätt och djup sömn med hög noggrannhet³. Samtidigt finns det fortfarande begränsat med evidens för hur tillförlitliga dessa metoder faktiskt är. En tidigare studie från Fitbit beskrev en metod, ännu inte kommersiellt tillgänglig, där PPG och aktigrafi i en wearable-enhet användes för att uppskatta sömnfaser hos friska vuxna⁴.

I denna studie utvärderas hur optisk PPG och aktigrafi i en wearable-enhet (Garmin vívosmart 3) kan användas för att uppskatta sömnfaser hos vuxna.

Metod

Deltagarna rekryterades att bära både en Garmin vívosmart 3 och en klinisk referensenhet för att utvärdera hur noggrant Garminenheten uppskattar olika sömnfaser. Den mest exakta metoden för att fastställa sömnfaser är polysomnografi (PSG) i laboratoriemiljö, där bland annat EEG-, EOG- och EMG-sensorer används. PSG i labb är dock omständligt för deltagarna och leder ofta till att både sömnkvalitet och sömnmängd avviker från nattsömn i hemmiljö.

För att möta detta har EEG-system för hemmabruk, som Sleep Profiler, utvecklats. De ger uppskattningar av sömnarkitektur som är jämförbara med traditionell PSG⁵. I denna studie användes Sleep Profiler som referensenhet. Det minskade deltagarbelastningen och möjliggjorde datainsamling i en miljö som bättre speglar verklig användning av Garmin-enheten. Sleep Profilers noggrannhet bedömdes som jämförbar med laboratoriebaserad PSG.

Deltagarna utbildades i användningen av Sleep Profiler och instruerades att bära Garmin-enheten på den icke-dominanta handleden. Sleep Profiler registrerade EEG i tre kanaler för sömnfasbestämning och mätte även hjärtfrekvens. Garmin-enheten samlade in data parallellt. Accelerometerns x-, y- och z-axlar samt PPG-signal med bred bandbredd spelades in; i denna studie användes endast den gröna PPG-kanalen.

För att säkerställa korrekt tidssynkronisering stämdes enheternas interna klockor mot samma tid. Därefter jämfördes pulsmätningarna, som visade nära överensstämmelse och stark korrelation. Detta möjliggjorde tidsjustering av data med en noggrannhet bättre än en sekund.

Data från Sleep Profiler, inklusive den automatiserade klassificeringen av sömnfaser, granskades därefter av en certifierad polysomnografiteknolog enligt AASM:s riktlinjer⁶ för att fastställa referensens sömnfaser. Poängsättningen gjordes i 30-sekundersintervall. I denna studie slogs N1 och N2 samman till kategorin lätt sömn. Därefter klassificerades sömnen som vakenhet, lätt sömn, djupsömn (N3) eller REM-sömn.

De poängsatta data användes för att träna ett neuralt nätverk för klassificering av sömnfaser. Arkitekturen valdes för att fungera både på wearable-enheten med begränsad datorkapacitet och i Garmin-molnet med betydligt större resurser. I praktiken tillämpades en tvåstegslösning: först förbehandlades och komprimerades data på enheten till en hanterbar mängd. Därefter synkroniserades data via Bluetooth Low Energy (BLE) och Garmin Connect Mobile-appen till Garmin-molnet för fortsatt analys.

Det molnbaserade neurala nätverket byggde på en förenklad version av den arkitektur som beskrivs av Zhao⁷. Över 60 variabler beräknades direkt på enheten. Ytterligare sju togs fram i molnet, där hela nattens data kunde bearbetas.

För att träna nätverket användes korsvalidering med k=5⁸. Data delades slumpmässigt i fem lika stora grupper. Fyra grupper (80 %) användes för träning och den femte (20 %) för utvärdering. Träningsuppsättningen delades dessutom i en träningsdel och en valideringsdel för att avgöra när träningen skulle stoppas. Stoppkriteriet var en variant av det som beskrivs i källa ⁹. Processen upprepades fem gånger så att varje deltagare ingick fyra gånger i träningen och en gång i testuppsättningen.

Resultat

Totalt rekryterades 55 personer till studien. Det enda exklusionskriteriet var tatuering på handryggen, eftersom en sådan kan störa den optiska pulsmätningen. Av deltagarna uppgav 14 att de har en sömnstörning eller tar läkemedel som kan påverka sömnarkitekturen. Dessa personer noterades, men deras data inkluderades ändå i studien för att bättre spegla den allmänna befolkningen och andelen användare med kända eller okända sömnproblem. Av de 55 deltagarna var 31 % (17) kvinnor och 69 % (38) män. Medelåldern var 35,5 ± 8,7 år och BMI 26,3 ± 6,4.

Algoritmens totala träffsäkerhet mot data från verklig användning var 69,7 %, med sensitivitet för sömn 95,8 % och specificitet för vakenhet 73,4 % (se tabell 1). Cohen’s kappa (k) var 0,54 ± 0,12. Sätt resultaten i perspektiv: överensstämmelsen mellan två utbildade bedömare som använder PSG ligger runt 83 %¹⁰ och motsvarande Cohen’s kappa omkring 0,78⁴.

Tabell 1. Sensitivitet, specificitet, träffsäkerhet och Cohen’s kappa för klassificering av sömnstadier i en wearable-enhet

Den fullständiga förväxlingsmatrisen för klassificeringen av sömnfaser presenteras i tabell 2. Matrisen visar att klassificeraren förutsäger djupsömn, lätt sömn och REM-sömn med ungefär samma noggrannhet, cirka 69 %. Vakenhet identifieras något mer träffsäkert, med en träffsäkerhet på 73 %. De vanligaste felen är att djupsömn klassificeras som lätt sömn och att REM-sömn klassificeras som lätt sömn.

Tabell 2. Förväxlingstabell för alla deltagare – Faktiskt sömnstadium vs. förutsagt stadium

Tabell 3 visar en jämförelse av den övergripande sömnarkitekturen mellan referensenheten och wearable-enheten för samtliga 55 deltagare.

Tabell 3. Sömnarkitektur för alla deltagare

Det är viktigt att notera att den algoritm som beskrivs här implementerades i produktion på många av Garmins wearables, inklusive vívosmart 3. Under betatestningen av produktionsversionen av sömnfasklassificeringen analyserades ytterligare 3 200 nätter för att säkerställa överensstämmelse med studien på de 55 deltagarna. För dessa 3 200 nätter fanns ingen referensenhet; i stället användes endast produktionslösningen med aktigrafi och optisk pulsmätning. I denna större grupp bedömdes algoritmens prestanda genom att studera fördelningen av sömnfaser i relation till ålder. Andelen REM-sömn var relativt konstant oavsett ålder, medan både djupsömnen och den totala sömntiden minskade tydligt med stigande ålder, precis som väntat¹¹.

Figur 1. Sömntid – genomsnitt per åldersgrupp i produktionssystemet

Avslutningsvis presenteras några representativa resultat från de 55 deltagarna. I figurerna nedan motsvarar vakenhet fas 3, REM-sömn fas 2, lätt sömn (N1 och N2) fas 1 och djupsömn fas 0. Figur 2 visar medianresultatet (det 27:e av 55 datamängder, rangordnade efter noggrannhet) med en träffsäkerhet på 71,5 %.

Figur 3 visar det bästa resultatet i gruppen (första av 55), med en träffsäkerhet på 80,1 %.

Figur 3. Bästa resultatet, träffsäkerhet 80,1 %, Cohen’s kappa 0,70

Figur 4 visar det sämsta resultatet i gruppen (55 av 55) med en träffsäkerhet på 49,9 %. Notera att denna deltagare självrapporterade en sömnstörning.

Figur 4. Sämsta resultatet: träffsäkerhet 49,9 %, Cohen’s kappa 0,18 (självrapporterad sömnstörning)

Diskussion

Denna studie visar att en wearable som endast använder aktigrafi och optiska pulssensorer kan uppskatta användarens sömnfaser med nästan 70 % noggrannhet och ett Cohen’s kappa på 0,54 ± 0,12. Resultatet ligger nära det som rapporterats i källa ⁴, trots de ökade utmaningarna med produktionssystem och datainsamling under verkliga förhållanden. Jämfört med EEG-baserade sömnregistreringsenheter är utfallet positivt men når inte hela vägen upp till deras nivå; överensstämmelsen mellan bedömare ligger där kring 82 %.

Den största fördelen med en handledsburen wearable för att uppskatta sömnfaser är enkelheten för användaren. Det räcker att bära enheten på handleden under natten. Ingen specialutrustning behövs. Möjligheten att uppskatta sömnfaser med hög noggrannhet gör dessutom att sömnen kan följas under långa perioder, så länge enheten laddas under dagen. Det ger användaren värdefull information om både sömnvanor och sömnfaser.

Referenser

¹ P. Lamkin, Smart Wearables Market to Double by 2022: $27 Billion Industry Forecast, Forbes, 23 oktober 2018. [Online]. Tillgänglig: https://www.forbes.com/sites/paullamkin/2018/10/23/smart-wearables-market-to-double-by-2022-27-billion-industry-forecast/#419523e92656 [Hämtad: 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, 2003 feb 1; 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), 2016 maj; 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, Version 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 maj 2018. [Online]. Tillgänglig: https://machinelearningmastery.com/k-fold-cross-validation/ [Hämtad: 25 april 2019].

⁹ L. Prechelt, “Early Stopping – but when,” [Online]. Tillgänglig: https://page.mi.fu-berlin.de/prechelt/Biblio/stop_tricks1997.pdf [Hämtad: 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., 2013 jan 15; 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.