腕带Fitbit模型在评估睡眠中的准确性:系统回顾和荟萃分析gydF4y2Ba

介绍gydF4y2Ba

多导睡眠图(PSG)包括同时进行的脑电图(EEG)、肌电图、眼电图、心电图和其他评估。PSG被认为是诊断睡眠障碍和进行睡眠研究的金标准。然而，常规PSG的环境和仪器可能会让人不舒服，产生焦虑，甚至干扰睡眠。此外，PSG需要特殊的设备和熟练的技术人员的监督，这使得它非常昂贵，并且在大多数情况下，阻碍了对睡眠质量夜间变化的调查。因此，不足50%的睡眠研究是在正规的睡眠设施中进行的就不足为奇了[gydF4y2Ba1gydF4y2Ba]．gydF4y2Ba

睡眠日记法是消费者跟踪和评估睡眠的一种简单而经济的方法，但由于它需要主观的自我评价，因此往往是不准确和不完整的;此外，他们没有评估睡眠结构和阶段。脑电图可穿戴设备可以在家中评估睡眠结构和阶段，但它们价格昂贵，技术上也有些复杂。大约35年前，动态监测公司(ambuular Monitoring Inc)推出了腕部活动记录仪(Wrist actigraphy)，它可以感知加速运动，现在它与专有的解释性算法结合使用，通过估计关键睡眠参数来进行门诊睡眠筛查。然而，这些完全依赖于基于运动的算法的设备[gydF4y2Ba2gydF4y2Ba，缺乏睡眠阶段评估能力;此外，他们倾向于高估睡眠时间[gydF4y2Ba3.gydF4y2Ba]．大约10年前，gydF4y2BaFitbitgydF4y2Ba(Fitbit, Inc .)推出首款可穿戴设备[gydF4y2Ba4gydF4y2Ba]供注重健康的消费者使用。早期的Fitbit模型只能确定睡眠参数。然而，随后的修改和改进，包括基于身体运动和心率变异性(HRV)的评分算法，使新一代Fitbit模型——Fitbit Charge 2、Fitbit Charge 3、Fitbit Alta HR、Fitbit Versa、Fitbit Versa 2、Fitbit Blaze、Fitbit Inspire HR和Fitbit ionic——不仅可以估计睡眠参数和阶段[gydF4y2Ba5gydF4y2Ba]，但清醒和睡眠时的心率[gydF4y2Ba6gydF4y2Ba]．2019年的一项调查发现，可穿戴技术是全球头号健身趋势。gydF4y2Ba7gydF4y2Ba]．尤其是Fitbit可穿戴设备，在消费者中非常受欢迎，在80多个国家拥有超过2500万活跃用户[gydF4y2Ba8gydF4y2Ba]．此外，它们是进行生物医学研究最常用的可穿戴设备[gydF4y2Ba9gydF4y2Ba]．在这方面，今年美国国立卫生研究院宣布决定将Fitbit技术纳入其医疗系统gydF4y2Ba我们所有人研究项目gydF4y2Ba［gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba]．尽管如此，Fitbit技术的准确性仍然是一个主要问题，不仅是医疗专业人员，而且是普通公众。gydF4y2Ba12gydF4y2Ba]．认识到人们对个人腕带设备的兴趣和使用日益增长，并定期对睡眠质量的生物标志物进行自我评估，美国国家睡眠基金会、消费者技术协会和美国国家标准协会制定了推荐的术语和定义，以描述此类产品衍生的睡眠特征[gydF4y2Ba13gydF4y2Ba]．鉴于消费者和医疗机构对Fitbit腕带设备的日益普及，本文的目的是根据这些建议，通过对相关出版物的研究结果进行系统回顾和对报告数据进行荟萃分析，评估早期和最新一代Fitbit模型在确定睡眠参数和睡眠阶段方面的表现。gydF4y2Ba

方法gydF4y2Ba

这项前瞻性系统评价没有事先注册，是按照系统评价和荟萃分析的首选报告项目(PRISMA)声明进行的[gydF4y2Ba14gydF4y2Ba]．gydF4y2Ba

搜索策略gydF4y2Ba

对以下数据库进行了在线综合搜索:护理和相关健康文献累积索引(CINAHL)、Cochrane数据库、Embase、MEDLINE、PsycINFO、PubMed和Web of Science。该搜索最初于2018年7月进行，并于2019年7月和10月再次使用关键字进行搜索gydF4y2BaFitbitgydF4y2Ba没有语言、出版日期或其他过滤器。gydF4y2Ba

合格标准gydF4y2Ba

如果检索到的出版物(1)涉及任何已上市Fitbit模型的睡眠数据的有效性，(2)纳入PSG、活动描记、家庭脑电图、睡眠日记或调查方法作为参考，则符合系统评价的条件。排除标准包括:(1)少于5名受试者的样本量，(2)综述论文，(3)缺乏或不适当的统计分析，(4)重复发表相同的数据和发现。gydF4y2Ba

研究选择gydF4y2Ba

引文被导入参考文献管理软件Mendeley。在消除重复报告后，一位作者(SH)首先筛选标题和摘要，以删除不相关的出版物;此后，两位作者(SH和SK)根据纳入和排除标准独立筛选剩余的出版物。分歧通过讨论得到解决。gydF4y2Ba

数据提取和项目gydF4y2Ba

以下条目由一位作者(SH)系统地提取，并由另一位作者(SK)检查准确性:第一作者;出版年份;睡眠跟踪器和比较器的类型;参与者的人数、性别、类型和年龄;学习网站;睡眠评估夜数;睡觉;Fitbit模式设置;跟踪器的解剖位置;与标记参考标准相关的研究结果-测量总睡眠时间(TST)、睡眠发作潜伏期(SOL)、睡眠后觉醒(WASO)和睡眠效率(SE)参数的精度，以及检测睡眠期和睡眠阶段的敏感性、特异性和准确性。gydF4y2Ba

偏差的评估gydF4y2Ba

清单，改编自唐斯和布莱克[gydF4y2Ba15gydF4y2Ba]，用于评估每份出版物的质量和研究方法偏倚风险、内部效度、报告结果和概括性。gydF4y2Ba

统计分析gydF4y2Ba

对于比较Fitbit与PSG并提供定量数据的研究，SOL、WASO、TST和SE的原始Hedges效应大小计算为:Fitbit与PSG提供的平均值之差的平均值除以PSG值的标准差乘以Hedges校正因子[gydF4y2Ba16gydF4y2Ba]．正效应大小推断Fitbit得出的值相对于PSG得出的值更低。采用随机效应模型计算非睡眠分期和睡眠分期Fitbit模型各参数的总体效应大小和95%预测区间[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba]．森林图由Microsoft Excel for Mac，版本16.25 (Microsoft Corporation)创建。阈值概率为5% (gydF4y2BaPgydF4y2Ba= 0.05)作为拒绝原假设的依据，效应量等于零。效应量值0.2、0.5和0.8分别被认为是小效应、中效应和大效应[gydF4y2Ba19gydF4y2Ba]．通过计算Q统计量[gydF4y2Ba17gydF4y2Ba]．τgydF4y2Ba^2gydF4y2Ba表示真效应大小的总体变化，IgydF4y2Ba^2gydF4y2Ba表示观察到的方差代表研究间实际方差的比例[gydF4y2Ba17gydF4y2Ba]．我gydF4y2Ba^2gydF4y2Ba25%、50%和75%的值分别被认为是小、中、大异质性[gydF4y2Ba20.gydF4y2Ba]．通过随机效应亚组分析完成非睡眠分期和睡眠分期Fitbit模型的比较。根据建议，阈值概率为10% (gydF4y2BaPgydF4y2Ba=.10)是检验异质性显著性的基础，也是确定亚组比较统计显著性的依据[gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]．gydF4y2Ba

结果gydF4y2Ba

搜索结果gydF4y2Ba

图1gydF4y2Ba提出了一个视觉总结的选择和资格的文章进行审查。通过对2018年7月和2019年7月和10月进行的数据库检索，共检索到3074份出版物。通过其他来源，主要是通过已确定文章的参考书目，确定了另外11份出版物。在排除多个数据库中发现的重复出版物后，仍有1426篇文章有待筛选。对个别标题和摘要的审查产生了72份出版物进行全文评价;然而，在根据先验的纳入和排除标准逐一审查后，只有22项符合系统评价的资格[gydF4y2Ba22gydF4y2Ba-gydF4y2Ba43gydF4y2Ba]，其中these的8个报告了原始数据，以便进行定量综合和荟萃分析。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

纳入研究概述gydF4y2Ba

表1gydF4y2Ba和gydF4y2Ba2gydF4y2Ba展示每个符合条件的研究的提取细节，包括非睡眠阶段和睡眠阶段的Fitbit模型。参与者是多种多样的:正常睡眠者和被诊断为睡眠周期性肢体运动(PLMS)的人[gydF4y2Ba28gydF4y2Ba]，阻塞性睡眠呼吸暂停，睡眠呼吸障碍[gydF4y2Ba30.gydF4y2Ba]，嗜睡的中枢性障碍[gydF4y2Ba26gydF4y2Ba]，失眠[gydF4y2Ba31gydF4y2Ba]和抑郁[gydF4y2Ba25gydF4y2Ba]和亨廷顿病基因携带者[gydF4y2Ba38gydF4y2Ba]．调查的样本量差异很大，从7到63(中位数30)参与者，其中约77%涉及20人以上。22项研究中有6项(27%)的平均年龄小于20岁，1项(5%)的平均年龄大于50岁。在22项研究中，根据参与者的喜好，10项(45%)在睡眠实验室进行，11项(50%)在家庭环境中进行，1项(5%)在家中或酒店进行。gydF4y2Ba

偏差的评估gydF4y2Ba

表1gydF4y2Ba多媒体附录1gydF4y2Ba总结研究方法的偏倚风险、内部效度、报告结果和每个合格研究的可推广性。22项调查中只有5项(23%)试图使睡眠实验室技术人员对结果测量视而不见[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba40gydF4y2Ba]．在符合条件的22项研究中，共有13项(59%)依赖PSG作为评估Fitbit性能的参考[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba25gydF4y2Ba-gydF4y2Ba28gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba31gydF4y2Ba，gydF4y2Ba37gydF4y2Ba-gydF4y2Ba42gydF4y2Ba];另外9例(41%)依赖睡眠记录、活动记录仪或家庭脑电图作为参考。既然巴黎圣日耳曼是gydF4y2Ba黄金标准gydF4y2Ba对于睡眠阶段和参数的测量，使用其他参考方法构成了额外的潜在偏差来源。一半的调查(11/ 22,50 %)在参与者家中进行。22项研究中有5项(23%)未指定就寝时间，2项实验室研究(9%)参与者的规定就寝时间与习惯就寝时间不同。习惯性就寝时间和强制性就寝时间之间的差异可能会导致在床上醒来的时间比平时多或少，这可能会导致偏见。此外，使用笨重的睡眠追踪器作为参考，在一个人的住所进行的研究可能会有问题，因为仪器的不当佩戴和技术人员的监督。大多数研究(16/22，即73%)都遵循了制造商的建议，将Fitbit佩戴在非惯用手上。然而，22项研究中有2项(9%)采用了平衡实验设计来放置Fitbit设备，一半的参与者戴在右手，另一半戴在左手。最后，22项研究中有2项(9%)将Fitbit戴在了左手腕上;在另外两项(9%)研究中，没有报告佩戴Fitbit的手。在22项研究中，1项(5%)[gydF4y2Ba28gydF4y2Ba没有报告Fitbit的SE，但报告了PSG的SE;这可能构成选择性报告偏差。我们联系了本次调查的通讯作者，但我们没有得到回应。gydF4y2Ba

Fitbit与多导睡眠仪评估睡眠参数的比较gydF4y2Ba

非睡眠分期Fitbit模型gydF4y2Ba

在22项研究中，有10项(45%)评估了早期非睡眠阶段Fitbit模型与PSG在估计睡眠参数方面的比较[gydF4y2Ba25gydF4y2Ba，gydF4y2Ba27gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba31gydF4y2Ba，gydF4y2Ba37gydF4y2Ba-gydF4y2Ba42gydF4y2Ba];其中一项研究涉及Fitbit模型在应用于两个不同群体(即睡眠良好者和失眠症者)时的表现，从而将可能的比较数量增加到11个。10个潜在比较中有8个(N=203)报告了Fitbit与PSG对TST的显著高估，在6.5至88.1分钟之间，而另外两个(N=52)发现无显著高估。6个潜在比较中有5个(N=142)报告了Fitbit对WASO与PSG的显著低估，在5.6至44分钟之间，而另一个(N=17)报告了非显著低估。八个潜在比较中有六个(N=166)观察到Fitbit对SE与PSG的显著高估，在1.8%至17.4%之间，而另外两个(N=57)报告了不显著的高估。共有5个比较(N=110)评估了SOL，两种评估方法之间没有显著差异。gydF4y2Ba

图2gydF4y2Ba-gydF4y2Ba5gydF4y2Ba由非睡眠分期Fitbit模型得出的SOL、WASO、TST和SE变量的效应大小加上总体汇总估计效应大小的森林图。对非睡眠分期Fitbit模型相对于PSG的效应大小的汇总估计显示:SOL的估计差异不显著(N=4比较;效应值=0.12,95% CI -0.14 ~ 0.39;gydF4y2BaPgydF4y2Ba= .37点);显著低估WASO (N=5个比较);效应值=0.60,95% CI 0.38 ~ 0.83;gydF4y2BaPgydF4y2Ba<措施);TST显著高估(N=7);效应值=-0.51,95% CI -0.71 ~ -0.30;gydF4y2BaPgydF4y2Ba<措施);显著高估SE (N=6);效应值=-0.74,95% CI -0.97 ~ -0.48;gydF4y2BaPgydF4y2Ba<措施)。在任何睡眠参数中均未发现异质性。gydF4y2Ba

睡眠分期Fitbit模型gydF4y2Ba

22篇论文中只有3篇(14%)将最新一代睡眠分期Fitbit模型与PSG相比较作为参考[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba28gydF4y2Ba];这三篇论文中有一篇研究了Fitbit在两个不同的人群(正常睡眠者和PLMS睡眠者)上的表现，从而将可能的比较数量增加到四种。gydF4y2Ba

三个潜在比较中有两个(N=84)报告了Fitbit与PSG在9-11.6分钟内的TST显著高估，而另一个(N=9)报告了无显著高估。唯一一项评估SE的研究(N=49)报告了Fitbit相对于PSG的1.98%的显著高估。共有3项试验(N=93)报道两种方法的WASO无显著差异;其中1例(N=35)发现Fitbit对SOL的4分钟显着低估，而其他2例(N=58)发现Fitbit对SOL的非显着低估。gydF4y2Ba

效应大小的综合估计(见gydF4y2Ba图2gydF4y2Ba-gydF4y2Ba5gydF4y2Ba)显示了SOL的显著低估(N=3个比较;效应值=0.32,95% CI 0.04 ~ 0.60;gydF4y2BaPgydF4y2Ba=.03)， WASO的估计差异不显著(N=3个比较;效应值=0.16,95% CI -0.12 ~ 0.44;gydF4y2BaPgydF4y2Ba=.25)， TST (N=3组比较;效应值=-0.15,95% CI -0.43 ~ 0.13;gydF4y2BaPgydF4y2Ba=.29)， SE (N=1比较;效应值=-0.27,95% CI -0.65 ~ 0.13;gydF4y2BaPgydF4y2Ba睡眠阶段Fitbit模型与PSG对比= 0.19)。在任何睡眠参数中均未发现异质性。由于只有1项研究评估了SE，因此检验异质性不相关。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

非睡眠分期与睡眠分期Fitbit模型的比较gydF4y2Ba

亚组分析显示，非睡眠分期模型和睡眠分期模型在估计SOL方面无显著差异(χgydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba= 1.0,gydF4y2BaPgydF4y2Ba=收)。然而，睡眠分期模型比非睡眠分期模型在估计WASO方面表现得更好(χ)gydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba= 5.7,gydF4y2BaPgydF4y2Ba=.02)， TST (χgydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba= 4.0,gydF4y2BaPgydF4y2Ba= 0.045)， SE (χgydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba= 3.8,gydF4y2BaPgydF4y2Ba=。的截止点以下gydF4y2BaPgydF4y2Ba=。10recommended for statistical significance of subgroup comparisons).

Fitbit与多导睡眠图检测睡眠时间的准确性、灵敏度和特异性gydF4y2Ba

非睡眠分期Fitbit模型gydF4y2Ba

共有7项研究(N=197)对非睡眠分期Fitbit模型参考PSG区分睡眠和清醒状态的逐epoch (EBE)研究[gydF4y2Ba25gydF4y2Ba，gydF4y2Ba27gydF4y2Ba，gydF4y2Ba31gydF4y2Ba，gydF4y2Ba38gydF4y2Ba-gydF4y2Ba41gydF4y2Ba]．在这7个研究中，1个由两个不同的样本组成，从而使评估总数增加到8个。在这些试验中，Fitbit与PSG分析确定的睡眠时间的准确性值在0.81至0.93之间，灵敏度值在0.87至0.99之间，特异性值在0.10至0.52之间。gydF4y2Ba

睡眠分期Fitbit模型gydF4y2Ba

睡眠期识别gydF4y2Ba

共有3项研究(N=153)评估了睡眠分期Fitbit模型以PSG为参考，通过EBE分析识别睡眠期的性能[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]．总共一项研究包括两个不同的样本，从而将可能的比较数量增加到四个。相对于PSG，在三个可能的比较(N=144)中检测睡眠时间的灵敏度值在0.95 ~ 0.96之间;4个比较(N=153)的睡眠时间检测显示特异性值在0.58 ~ 0.69之间;仅在一项研究(N=49)中评估的睡眠时间检测显示准确率为0.90。gydF4y2Ba

睡眠阶段识别gydF4y2Ba

共有3项研究(N=153)通过EBE分析评价了睡眠分期Fitbit模型识别睡眠阶段的性能[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]．相对于PSG，检测浅睡眠(非快速眼动[REM] 1 [N1] +非快速眼动2 [N2])的准确率在0.69 ~ 0.81之间，检测深度睡眠(非快速眼动3 [N3])的准确率在0.36 ~ 0.89之间，检测快速眼动睡眠(REM)的准确率在0.62 ~ 0.89之间。gydF4y2Ba

Fitbit模型与活动描记仪估算的睡眠参数评估gydF4y2Ba

没有发表的研究评估睡眠分期Fitbit模型相对于活动描记在估计睡眠参数方面的表现。相比之下，有7项研究调查了非睡眠分期Fitbit模型相对于活动描记仪的准确性[gydF4y2Ba23gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba32gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba39gydF4y2Ba，gydF4y2Ba40gydF4y2Ba];其中一项涉及两种不同的活动记录仪[gydF4y2Ba39gydF4y2Ba]，另一个包括两个不同的样本:睡眠好的和睡眠不好的[gydF4y2Ba32gydF4y2Ba]．在7个潜在的比较中，Fitbit显著高估了其中5个(N=84)的TST 24.1-74分钟，而在2个(N=31)的比较中，TST未被显著高估。在总共4个比较(N=69)中，Fitbit显著高估了SE 1.1%-7.0%。在总共五项比较中，Fitbit显著低估了其中四项(N=65)的WASO 16-32分钟，而在一项(N=10)中，WASO未被显著低估。只有1项研究(N=21)评估了SOL，发现Fitbit显著高估了11.5分钟。gydF4y2Ba

两项研究[gydF4y2Ba25gydF4y2Ba，gydF4y2Ba38gydF4y2Ba在同一队列中，同时比较了非睡眠阶段Fitbit模型加活动记录仪与实验室PSG的对比。相对于PSG，活动仪和Fitbit都高估了TST: Fitbit在一项研究中高估了88分钟，在另一项研究中高估了46分钟;在一项研究中活动记录仪缩短了74分钟，在另一项研究中缩短了40.6分钟。他们还高估了SE:在一项研究中，Fitbit高估了17.4%，在另一项研究中高估了8.1%;在一项研究中，Actigraph下降了14.8%，在另一项研究中下降了7%。然而，他们在一项研究中低估了WASO: Fitbit 39分钟，在另一项研究中低估了44分钟;在一项研究中活动记录仪缩短了20分钟，在另一项研究中缩短了27分钟。与Fitbit相比，Actigraphy显示的偏差更小。另一方面，在同样的两项研究中，Fitbit在测量SOL相对于PSG作为参考方面的表现优于活动描记术:一项研究中Fitbit的偏差为17分钟，另一项研究为2分钟;一项研究23分钟，另一项研究14分钟。 One of these studies also performed EBE analysis [25gydF4y2Ba研究发现，相对于PSG, Fitbit检测睡眠的灵敏度和准确性比活动描记仪高约1%。gydF4y2Ba

Fitbit评估的睡眠参数与睡眠日记之间的相关性gydF4y2Ba

共有3项研究调查了非睡眠分期Fitbit模型得出的睡眠参数与自评睡眠日记之间的相关程度[gydF4y2Ba23gydF4y2Ba，gydF4y2Ba34gydF4y2Ba];其中1起涉及两种不同的Fitbit型号[gydF4y2Ba24gydF4y2Ba]．在共4个潜在比较(N=104)中，显著相关，范围为r=。55和r=。71，was reported between TST measured by Fitbit versus sleep diary. A total of 1 study (N=38) found significant correlation between the two methods of sleep assessment for time in bed (TIB; r=.48) but poor correlation for WASO (r=.09) and SE (r=-.03). A total of 1 study (N=10) [36gydF4y2Ba调查了睡眠日记和Fitbit睡眠分期方法之间的一致程度。据报道，与睡眠日记相比，Fitbit对WASO(13分钟)的高估和对SOL(5分钟)、TST(6分钟)和SE(1.4%)的低估显著。gydF4y2Ba

Fitbit睡眠阶段分类准确率的优势手与非优势手比较gydF4y2Ba

只有1项研究(N=60) [gydF4y2Ba22gydF4y2Ba研究了新一代Fitbit模型同时佩戴在优势手和非优势手时，睡眠阶段分类准确率的差异。在估计睡眠阶段时没有发现两手之间的差异。gydF4y2Ba

所选灵敏度模式设置对睡眠参数估计的影响gydF4y2Ba

早期的非睡眠阶段，而不是后期的睡眠阶段，Fitbit模型允许用户选择正常或敏感模式来感知身体运动，以获得睡眠参数。共有3项研究评估了这些Fitbit模型在设置为敏感模式时相对于PSG的性能[gydF4y2Ba25gydF4y2Ba，gydF4y2Ba31gydF4y2Ba，gydF4y2Ba39gydF4y2Ba]．其中2个敏感模式分别显著低估TST 86.3 min (N=21)和105 min (N=63)，显著低估SE 16.0% (N=21)和21% (N=63)。唯一一项评估SOL的研究(N=21)发现，敏感模式明显高估了11.5分钟。在这3项研究中(N=134)，早期非睡眠阶段Fitbit模型在相对于PSG设置为敏感模式时，区分睡眠和清醒时段的准确性为0.66 - 0.78，灵敏度为0.64 - 0.78，特异性为0.79 - 0.89。gydF4y2Ba

掐间可靠性gydF4y2Ba

共有3项研究评估了非睡眠分期Fitbit模型的设备间可靠性。在其中一项研究中，3名参与者在同一手腕上佩戴了两个Fitbit Classic腕带，通过EBE比较发现设备间可靠性高(96.5%-99.1%)[gydF4y2Ba40gydF4y2Ba]．另一项研究中，7名参与者在同一手腕上佩戴了两个Fitbit Ultra设备，也证实了在估计TST和SE方面，设备之间的表现基本相同;其他睡眠参数的研究结果未见报道[gydF4y2Ba39gydF4y2Ba]．最后，剩下的研究涉及10名参与者，他们同时在非优势臂的手腕上佩戴两个Fitbit Alta设备，发现两种设备在测量WASO方面没有显著差异，但在测量TST方面存在轻微但具有统计学意义的差异(约6分钟)[gydF4y2Ba32gydF4y2Ba]．gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

个人监测技术的质量和用途正在迅速提高，为广泛改善医学知识和健康提供了希望。睡眠质量是当今消费者和健康专业人士非常感兴趣的一个领域，因为它对白天的认知和身体表现非常重要。许多佩戴在手腕上的设备可以跟踪睡眠参数和阶段。一些最受欢迎的产品是由Fitbit公司销售的;它的几个非睡眠分期和睡眠分期模型的性能已经与实验室PSG、家庭睡眠追踪器或其他方法进行了评估。本系统综述的目的是全面评估这些消费者腕带设备在评估睡眠方面的价值。gydF4y2Ba

PSG被认为是评估睡眠参数和阶段的金标准;与PSG相比，非睡眠分期Fitbit模型高估了TST和SE，低估了WASO，但同样可以很好地确定SOL。此外，这种腕带模型在估计TST、SE和WASO时的偏差量是不可忽略的。EBE分析表明，与实验室PSG相比，这种类型的Fitbit模型在检测睡眠方面具有较高的准确性和灵敏度;然而，分析显示只有适度的特异性。gydF4y2Ba

2007年，美国睡眠医学会(American Academy of Sleep Medicine)认证腕动仪可用于健康成人和某些疑似睡眠障碍患者的家庭睡眠模式评估[gydF4y2Ba44gydF4y2Ba]．然而，一些研究发现，活动描记术与四种流行的解释算法中的任何一种结合使用[gydF4y2Ba2gydF4y2Ba高估睡眠时间;虽然其检测睡眠的灵敏度很高(即0.87至0.99之间)，但特异性较低(即0.28至0.67之间)[gydF4y2Ba3.gydF4y2Ba]．之所以会出现这种情况，是因为活动描记术及其解释算法倾向于将安静清醒的时期记为睡眠[gydF4y2Ba45gydF4y2Ba]．比较非睡眠阶段Fitbit模型与活动描记术的研究[gydF4y2Ba23gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba32gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba39gydF4y2Ba，gydF4y2Ba40gydF4y2Ba结果显示，Fitbit高估了TST和SE，而低估了WASO。只有一项研究[gydF4y2Ba25gydF4y2Ba相对于活动描记术评估SOL;研究发现，Fitbit明显高估了这个睡眠参数，平均高估了12分钟。单一研究[gydF4y2Ba25gydF4y2Ba对同时配备非睡眠阶段Fitbit和活动记录仪设备的同一参与者进行了EBE分析，结果显示Fitbit在灵敏度和准确性上只有轻微的差异(即大约高出1%)。在这方面，非睡眠阶段Fitbit模型允许用户选择正常或敏感模式来测量身体运动，从而得出睡眠参数。推荐的正常模式只评分gydF4y2Ba重要的gydF4y2Ba在床上的身体动作和醒着的时候一样。相比之下，敏感模式几乎将所有这些运动解释为清醒或不安的睡眠时间[gydF4y2Ba46gydF4y2Ba]．当Fitbit设备被设置为敏感和正常模式时，评估其相对于PSG的研究报告称，与正常模式相比，敏感模式在估计SOL、SE、WASO和TST时产生了明显更高的偏差;灵敏模式的准确性和灵敏度较低，但特异性较高。这些发现证实了该公司的建议，即在大多数情况下使用正常模式设置。gydF4y2Ba

Fitbit在2017年推出了睡眠分期功能，现在被整合到Fitbit Charge 2、Fitbit Charge 3、Fitbit Alta HR、Fitbit Versa、Fitbit Versa 2、Fitbit Blaze和Fitbit Ionic型号中。该功能依赖于结合身体运动和HRV算法来识别和估计在各个睡眠阶段花费的时间[gydF4y2Ba5gydF4y2Ba]．Fitbit解释性专有睡眠分期算法使用机器学习方法(即线性判别分类器)导出，应用于三种参数-运动，HRV和呼吸速率，后两种参数根据光容积脉搏图感知的心跳数据计算，这些数据是在60名18-60岁(平均34岁，SD 10)的正常睡眠者的睡眠研究中测量的。这三组参数导致初始特征集为180个，通过递归特征消去的方法将其减少到54个特征。Subsequently，将心跳衍生的特征与运动衍生的特征进行了比较，发现它们在睡眠和清醒时期的总体分类和区分中几乎同等重要[gydF4y2Ba22gydF4y2Ba]．根据与Fitbit公司的讨论，自2017年推出以来，所有睡眠分期Fitbit模型都采用了相同的核心硬件技术和软件算法，从而在已发表的研究中进行了可行有效的性能比较。gydF4y2Ba

到目前为止，只有3项合格的研究调查了新一代Fitbit硬件和软件耦合技术相对于PSG的性能[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]．其中，我评估了Fitbit在两种不同人群(正常睡眠者和plms)中的表现，从而将可能的比较数量增加到四种，这取决于在个别试验中评估的特定睡眠参数。虽然这些比较表明，新一代的Fitbit模型在检测睡眠阶段方面只有中等的准确性，但它们在估计TST、SE和WASO方面比早期的非睡眠阶段的Fitbit模型要好得多。总体而言，新一代Fitbit模型在参考PSG估计大多数睡眠参数时的偏倚量在临床上可以忽略不计:在确定TST的三个比较中小于12分钟，在评估SE的单个比较中小于1.98% [gydF4y2Ba26gydF4y2Ba]，在测量SOL的三个比较中小于7分钟。已发表数据的荟萃分析也证实睡眠分期Fitbit模型与PSG在测量WASO、TST和SE方面没有统计学上的显著差异，差异的效应量在gydF4y2Ba小gydF4y2Ba对同样四个比较的数据进行的EBE分析也显示出在检测睡眠方面具有很高的灵敏度(即0.95至0.96之间)和特异性(即0.58至0.69之间)。这四项涉及睡眠阶段Fitbit模型的比较试验显示，在检测睡眠方面，与所有报告特异性在0.10-0.52范围内的非睡眠阶段Fitbit模型比较试验相比，特异性要高得多。此外，这四种比较中有三种发现WASO在评估方法之间没有显著差异。相比之下，由非睡眠阶段Fitbit模型组成的5个比较报告显示，WASO被严重低估了5.6-44分钟。总的来说，这些发现表明，与早期的Fitbit模型相比，新一代睡眠阶段Fitbit模型的身体运动和HRV传感器以及软件算法技术更准确地检测到预期睡眠期间的觉醒时间。这些是非常有希望的结果，因为身体活动和基于运动的跟踪器(如活动仪)的主要缺点是对睡眠时间的高估和检测WASO的灵敏度较差(即，在安静的睡前活动期间，清醒和睡眠时期的区分较差)[gydF4y2Ba45gydF4y2Ba，gydF4y2Ba47gydF4y2Ba]．gydF4y2Ba

对商用个人监视器的一个关注是设备内部和设备间的可靠性。共3项调查[gydF4y2Ba32gydF4y2Ba，gydF4y2Ba39gydF4y2Ba，gydF4y2Ba40gydF4y2Ba解决了这个问题，他们都报告了可接受的一致性。唯一纵向(即连续4晚)调查[gydF4y2Ba29gydF4y2Ba]作为参考，Fitbit和actigraphy在TST和SE方面没有系统性的夜间差异。这项研究的作者得出结论，尽管某些睡眠参数的绝对值可能存在偏差，但Fitbit可以作为评估睡眠质量趋势的有用设备[gydF4y2Ba29gydF4y2Ba]．在这些研究中，有1项报告了测量TST的器械间差异(约6分钟)在统计学上显著，但在临床上不显著[gydF4y2Ba32gydF4y2Ba]．gydF4y2Ba

主观自我报告调查和日记法，尽管由于其易于使用和成本低而流行的睡眠评估手段，但其价值有限。自我报告调查方法依赖于回忆，这可能是有偏见的，特别是当不局限于最近的单一时间点的经历时。睡眠日记法较少依赖于记忆，但报告的信息可能不够准确，因为对某些事件的认识不足，例如夜间醒来的次数或频率以及入睡的精确时间[gydF4y2Ba48gydF4y2Ba]．将Fitbit模型与睡眠日记方法进行比较的研究发现，TIB和TST两种方法之间存在显著相关性。由于睡眠调查和日记方法简单且负担得起，它们通常比活动描记法更受青睐;然而，Fitbit模型相对便宜的客观方法，以及它们的易用性和对大多数睡眠变量的更好估计，可能会使它们更具吸引力。gydF4y2Ba

这篇关于非睡眠分期和睡眠分期Fitbit模型的系统综述的发现是基于我们最近对相关发表文章的数据库的全面搜索，在15个月的时间里重复了三次。纳入的研究有一定的局限性(例如，超过一半的研究是在实验室而不是在家庭环境中进行的，参与者大多是正常睡眠的年轻人或中年人)。此外，小样本量研究的不显著结果可能是统计能力不足的结果。此外，在已发表的22项合格调查中，只有5项涉及Fitbit睡眠分期模型。另一个限制是，缺乏公开的信息，说明Fitbit硬件和/或软件技术的进步在多大程度上解释了该公司不同代型号在获取睡眠参数和阶段方面的表现差异。根据我们与公司代表的对话，这种差异主要是由于传感器技术的进步;提高数据采集的保真度;并将心率、HRV和身体运动纳入其睡眠研究验证的专有解释算法中。尽管存在这些局限性，但本综述的研究结果表明，最新一代Fitbit腕带模型的先进身体运动和HRV方法似乎适用于得出适当的睡眠参数和睡眠时间估计。研究结果进一步表明，这种Fitbit模型可能有助于开展基于人群的睡眠研究，而在过去，这种研究通常严重依赖或完全依赖主观方法。gydF4y2Ba

结论gydF4y2Ba

Fitbit的销售对象是普通大众，目的是让用户自己获得有关睡眠质量的知识，而不是作为标准临床多导睡眠图的替代品。它们似乎有助于研究24小时睡眠-觉醒模式，以及确定在正常生活条件下连续多个夜晚的纵向睡眠的持续时间、模式和质量。在这方面，个人可以从腕带追踪器获得的信息中受益，以改善睡眠卫生和睡眠本身。在某些情况下，初级保健和睡眠专家至少可以获得对患者睡眠的肤浅看法。尽管对新一代睡眠分期Fitbit模型尚未进行充分的评估，但迄今为止已发表的少数研究结果表明，它们在区分清醒和睡眠时段方面的表现优于文献中报道的活动记录仪。gydF4y2Ba