互联网和通信技术、移动传感设备和物联网(IoT)的最新发展使纵向多维信息的获取成为可能，包括实时生理、行为和环境数据。例如，消费级可穿戴健身追踪器(如Fitbit、Garmin和Jawbone)可以客观、重复地记录身体活动、睡眠和心率等健康相关信息。gydF4y2B一个

通过使用智能手机及其短信，有可能在最佳时间提供有效的支持，以提高人们对健康状况的认识，并改善对干预试验的依从性。作为日常生活的一部分，移动设备在改变与健康相关的行为方面很有用。根据这些技术进步及其适用性，移动医疗等移动设备支持的医疗和公共卫生实践[gydF4y2B一个 1gydF4y2B一个，gydF4y2B一个 2gydF4y2B一个，近年来备受关注。自2017年以来，商业应用程序商店中已经提供了超过32.5万个移动健康应用程序，并且可用应用程序的数量还在继续增长[gydF4y2B一个 3.gydF4y2B一个］．移动健康应用程序已用于几项针对身体活动的干预试验[gydF4y2B一个 4gydF4y2B一个-gydF4y2B一个 6gydF4y2B一个]、吸烟[gydF4y2B一个 7gydF4y2B一个，gydF4y2B一个 8gydF4y2B一个]，以及自杀意念[gydF4y2B一个 9gydF4y2B一个]，而它们的实用性和有效性已得到证实。gydF4y2B一个

睡眠是恢复的重要方面。事实上，充足和高质量的睡眠与更好的身心健康息息相关。gydF4y2B一个 10gydF4y2B一个-gydF4y2B一个 12gydF4y2B一个]和改善日间功能，包括减轻身体症状[gydF4y2B一个 13gydF4y2B一个，gydF4y2B一个 14gydF4y2B一个]，工作表现更佳[gydF4y2B一个 15gydF4y2B一个]，以及改善生活质素[gydF4y2B一个 16gydF4y2B一个］．gydF4y2B一个

尽管研究兴趣集中在睡眠时间和质量的重要性上，但最近的研究表明，睡眠时间和习惯性睡眠行为的稳定性对健康也起着重要作用。事实上，睡眠时间延迟与肥胖有关。gydF4y2B一个 17gydF4y2B一个]、充血性心力衰竭[gydF4y2B一个 18gydF4y2B一个]，血糖控制不佳[gydF4y2B一个 19gydF4y2B一个]，以及抑郁症状加重[gydF4y2B一个 20.gydF4y2B一个，gydF4y2B一个 21gydF4y2B一个］．更多的研究表明，日常睡眠行为(即持续时间、时间和质量)的可变性，即个体内部可变性[gydF4y2B一个 22gydF4y2B一个]，与生理功能障碍有关[gydF4y2B一个 23gydF4y2B一个，gydF4y2B一个 24gydF4y2B一个]，不利的医疗和精神健康状况[gydF4y2B一个 25gydF4y2B一个]，以及心理健康欠佳[gydF4y2B一个 26gydF4y2B一个］．因此，多层面监测和调节习惯性睡眠行为有助于预防和支持身心健康问题。gydF4y2B一个

睡眠数据，以及其他与健康相关的行为和生理数据，可以通过移动设备实时收集。移动或可穿戴传感设备(如床传感器、智能手机应用程序和活动监控器)的广泛使用使得实时监测睡眠行为变得更加容易和普遍。gydF4y2B一个 27gydF4y2B一个］．尽管大多数消费设备没有获得食品和药物管理局作为医疗设备的许可，但它们有望提供机会在大规模人群中纵向跟踪习惯性睡眠行为[gydF4y2B一个 28gydF4y2B一个］．例如，Crowley等人[gydF4y2B一个 29gydF4y2B一个试图将消费者可穿戴设备纳入促进健康的试验。他们在12个月的时间里调查了565名员工在改善身体活动和睡眠方面的效果，发现在整个研究期间，睡眠时间稳步增加。gydF4y2B一个

此外，用于治疗睡眠障碍的移动健康应用程序发展迅速[gydF4y2B一个 30.gydF4y2B一个，gydF4y2B一个 31gydF4y2B一个]，目前有超过2000个针对睡眠的移动健康应用程序可在商业应用程序商店中使用[gydF4y2B一个 32gydF4y2B一个］．普兰塔拉等[gydF4y2B一个 33gydF4y2B一个，gydF4y2B一个 34gydF4y2B一个他开发了一款名为“增强睡眠弹性”的交互式应用程序，并研究了其作为睡眠行为治疗的临床可行性。他们报告说，使用这款应用程序改善了失眠的严重程度和整体睡眠质量，而且这款应用程序并不逊于传统的面对面睡眠治疗。此外，Hoersch等人[gydF4y2B一个 35gydF4y2B一个]和库恩等人[gydF4y2B一个 36gydF4y2B一个]进行了随机对照试验，并报告说，与候补对照组参与者相比，接受移动健康干预的参与者失眠严重程度和睡眠质量有所改善。gydF4y2B一个

尽管移动健康应用程序和移动传感技术快速发展，但最近的评论表明，检验移动健康应用程序有效性的科学试验有限[gydF4y2B一个 32gydF4y2B一个]，需要进一步的研究来测试客观数据是否能提高睡眠结果[gydF4y2B一个 37gydF4y2B一个］．这项调查移动健康应用程序在增强睡眠方面的作用的研究有几个局限性。首先，大多数移动健康试验都没有客观地评估睡眠行为[gydF4y2B一个 31gydF4y2B一个]，所提供的反馈取决于参与者的自我报告评估。虽然一些研究将可穿戴设备纳入试验[gydF4y2B一个 38gydF4y2B一个，gydF4y2B一个 39gydF4y2B一个，他们只使用这些测量来评估试验的效果，而不是客观化反馈。考虑到自我管理习惯性睡眠行为对预防未来健康问题的重要性，在应用程序中实现客观的睡眠反馈是有益的。其次，之前的移动健康研究专注于改善习惯性睡眠行为的有限方面，如睡眠质量和睡眠时间[gydF4y2B一个 31gydF4y2B一个]，而睡眠的动态方面，包括试验期间睡眠测量的个体内部变化，往往被忽视。据我们所知，Murawski等人只有1项mHealth研究[gydF4y2B一个 40gydF4y2B一个报告了睡眠行为的动态方面，并发现睡眠时间的可变性在他们干预后得到了改善，这是通过自我报告问卷评估的。研究睡眠行为的动态特征，可以深入了解在响应反馈信息或其他干预时，睡眠自我调节过程的典型特征。最后，鉴于睡眠的广泛影响，包括心理健康，睡眠与白天功能的协变关系，如情绪、身体症状和工作表现，应该进行检查。协变关系可能包含有关从属效应的重要信息，有助于对睡眠自我管理的全面理解。gydF4y2B一个

这项研究的目的是进行一项移动健康试验，使用智能手机应用程序和可穿戴活动监测器向健康的参与者发送客观的推送式睡眠反馈。具体来说，我们检查了每天发送睡眠反馈信息是否会改变参与者的睡眠行为和自我报告的症状，特别是抑郁情绪、焦虑、压力、嗜睡、疲劳以及颈部和肩部僵硬。我们对客观测量的睡眠变量的统计特性和使用生态瞬时评估(EMA)记录的白天瞬时症状的特征进行了探索性分析。gydF4y2B一个

在这项研究中，我们对一家保险公司的办公室职员进行了随机方便抽样，并将他们分为对照组和反馈组，进行了两组干预试验。通过比较各组在习惯性睡眠行为(睡眠时间和睡眠中点)、瞬间症状(抑郁情绪、焦虑、压力、嗜睡、疲劳、颈肩僵硬)和日常工作表现方面的特征，我们研究了个性化睡眠反馈的效果。为了尽量减少回溯性回忆造成的记忆失真，研究人员在智能手机应用程序上实时记录了瞬间的症状。使用可穿戴设备客观地测量习惯性睡眠行为。试验前评估了可能的外部变量，包括试验前心理症状、习惯性睡眠行为和工作表现。gydF4y2B一个

我们使用EMA方法实时获取瞬时情绪和身体症状数据(即抑郁情绪、焦虑、压力、疲劳、嗜睡和颈部和肩部僵硬)。EMA是一种实时、多时间点记录参与者行为、心理状态和身体症状的方法，可以收集自我报告和客观数据，具有信度和生态效度。因此，EMA避免了自我报告数据中回顾性回忆的潜在扭曲[gydF4y2B一个 41gydF4y2B一个，gydF4y2B一个 42gydF4y2B一个］．gydF4y2B一个

我们开发了一个基于云的医疗物联网(HIT)系统，可以连续获取健康相关信息，包括瞬间症状、生物信号和周围环境信息，记录为日常生活的一部分。HIT系统由云服务器和智能手机应用程序(分别为HIT服务器和HIT应用程序)组成。HIT应用程序配备了EMA，用户可以记录自己日常生活中的瞬间症状(gydF4y2B一个 多媒体附件1gydF4y2B一个)．此外，HIT应用程序可以连接各种物联网设备，包括本研究中使用的专有活动监控器(Sciencenet设备，Sciencenet Inc)，使用蓝牙低能耗(BLE)。数据从IoT设备传输到HIT服务器。该应用程序兼容安卓和iOS操作系统。HIT服务器可以存储、集成和管理应用程序上传的数据，并向HIT应用程序用户发送个性化消息(推送式反馈消息)。HIT系统已用于实时评估自我报告的症状[gydF4y2B一个 43gydF4y2B一个］．gydF4y2B一个

在保险公司工作的31名办公室职员参与了这项研究。参与者平均年龄为42.3岁(SD 7.9岁)，男女比例为21:10。在试验期间，应雇主要求，所有参与者都在家工作，以防止COVID-19的传播。gydF4y2B一个

使用R统计软件(4.0.2版;R Foundation for Statistical Computing)，使样本量的比例为1:1。没有观察到年龄和性别的分层。共同作者KS独立于主要研究员HT进行了这种随机化。虽然作者HT在随机分配后也被告知谁被分配到哪个组，但在试验期间他不被允许与参与者联系。gydF4y2B一个

在试验期间，反馈组的参与者每天早上都会收到关于他们当前睡眠状态的个性化信息，而对照组的参与者则没有收到任何信息。对照组16人，男9人，女7人，平均年龄44.1岁(SD 8.3岁)。反馈组15人，其中男性12人，女性3人，平均年龄40.5岁(SD 7.2岁)。gydF4y2B一个

参与者使用HIT应用程序每天回答5次EMA问卷。EMA包括以下测量值:gydF4y2B一个

这些测量值使用屏幕上显示的从0到100的可视模拟刻度进行评级。在完成每一份EMA问卷后，所有分数立即转移到HIT服务器。gydF4y2B一个

在试验期间，参与者被要求在非惯用手腕上佩戴腕带式活动监测器，除非在洗澡、淋浴、进行严格锻炼或任何其他可能损坏设备的活动时除外。该设备配备了三轴压电加速度计，能够检测身体加速度的微小变化(≥0.01 G/rad/s)。我们证实，该设备的性能相当于研究级活动记录仪(amlatory Monitors Inc)，后者广泛应用于临床环境。比较分析结果载于gydF4y2B一个 多媒体附件2gydF4y2B一个．gydF4y2B一个

该设备被配置为每当参与者启动应用程序时，使用HIT应用程序将物理活动数据传输到HIT服务器。我们使用过零计数，即每个epoch计算加速度信号水平超过0的次数[gydF4y2B一个 53gydF4y2B一个]，每分钟累积，计算客观睡眠变量。gydF4y2B一个

为了估计睡眠变量，我们采用了带有韦氏重录规则的Cole-Kripke算法[gydF4y2B一个 54gydF4y2B一个，gydF4y2B一个 55gydF4y2B一个]的过零计数数据，以确定所记录的1分钟时间是睡眠还是清醒。接下来，我们引入了睡眠概率函数(SPF) θgydF4y2B一个 (t)gydF4y2B一个如下:gydF4y2B一个

在哪里gydF4y2B一个 tgydF4y2B一个表示转换为数值的时钟时间(例如，3 AM转换为3.00,6:30 PM转换为18.50)。因此，SPF是一个从0到1的值，代表昼夜节律振荡。gydF4y2B一个

然后对有效SPF参数(βgydF4y2B一个_{0gydF4y2B一个},βgydF4y2B一个_{1gydF4y2B一个}，和βgydF4y2B一个_{2gydF4y2B一个})来拟合实际的Cole-Kripke识别，使用伯努利逻辑回归模型。gydF4y2B一个

CK (gydF4y2B一个 tgydF4y2B一个)表示时钟时间为时的Cole-Kripke识别结果gydF4y2B一个 tgydF4y2B一个；CK (gydF4y2B一个 tgydF4y2B一个) = 0和CK(gydF4y2B一个 tgydF4y2B一个) = 1表示当时的epochgydF4y2B一个 tgydF4y2B一个分别被标记为清醒和睡眠。gydF4y2B一个

最后，我们对平方波形函数θ ' (gydF4y2B一个 tgydF4y2B一个)从θ(gydF4y2B一个 tgydF4y2B一个)，通过引入起始和偏移量(gydF4y2B一个 tgydF4y2B一个_{在gydF4y2B一个} 而且gydF4y2B一个 tgydF4y2B一个_{从gydF4y2B一个} 分别)。gydF4y2B一个

有效的gydF4y2B一个 tgydF4y2B一个_{在gydF4y2B一个} 而且gydF4y2B一个 tgydF4y2B一个_{从gydF4y2B一个} 都是为了最大化gydF4y2B一个 RgydF4y2B一个^{2gydF4y2B一个}θ ' (t)和CK(t)之间的值，使用Nelder-Mead方法。我们假设gydF4y2B一个 tgydF4y2B一个_{在gydF4y2B一个} 而且gydF4y2B一个 tgydF4y2B一个_{从gydF4y2B一个} 分别表示就寝时间和起床时间;因此，睡眠时间和睡眠中点是根据他们的间隔和中点来确定的。我们确认该算法的执行水平相当于Action-W版本2软件(AW2软件，Ambulatory Monitors Inc)，该软件用于分析研究级活动记录仪数据(gydF4y2B一个 多媒体附件2gydF4y2B一个)．gydF4y2B一个

根据工作日和休息日的习惯性睡眠时长计算平均每天睡眠时长(gydF4y2B一个 年代gydF4y2B一个_{wgydF4y2B一个} 而且gydF4y2B一个 年代gydF4y2B一个_{fgydF4y2B一个} ，分别为)，使用以下公式:gydF4y2B一个

这代表了每天的预期睡眠时间，因为参与者每周工作5天。睡眠债和累积睡眠债的定义如下:gydF4y2B一个

因此，睡眠债表示每天睡眠不足，累积睡眠债表示随着时间的推移累积的价值。在试用期间，使用HIT应用程序将这些值自动发送给反馈组的参与者。gydF4y2B一个

训练有素的研究人员为参与者提供了关于研究目的和潜在风险的全面解释。随后，他们签署了知情同意书并完成了基线调查问卷。此外，他们还收到了一份睡眠卫生指南，列出了改善他们习惯性睡眠行为或健康状况的白天活动(gydF4y2B一个 多媒体gydF4y2B一个)．然后，他们被要求在智能手机上安装HIT应用程序，并在非惯用手腕上佩戴活动监测器。所有参与者都接受了应用程序和活动监视器的使用指导。使用这些仪器，我们反复实时测量他们的瞬间症状和身体活动数据。使用通信服务和视频会议系统，尽可能多地在网上展示设置和操作程序。gydF4y2B一个

试验的概述显示在gydF4y2B一个 图1gydF4y2B一个．这次试验进行了近3周(从2020年11月30日到12月19日)。在试验期间，参与者被要求在预定时间的+10分钟至- 10分钟内(上午10点和下午2点)随机选择时间完成EMA问卷(见EMA问卷部分)。此外，他们被要求在醒来、完成工作和上床睡觉的时候完成EMA(分别是起床时间、下班时间和就寝时间)。gydF4y2B一个

每天上午9点，使用本地数据分析服务器对HIT服务器上的身体活动数据进行整理和分析，以估计睡眠持续时间、睡眠债务和累积睡眠债务。在估计睡眠数据的基础上，生成个性化的睡眠反馈信息，并发送给反馈组的参与者。他们被告知自己的睡眠状况(估计的睡眠债和累积的睡眠债)，并被要求参考减少睡眠债的指导方针来计划和调整他们的白天活动。这条信息是这样写的:“你昨天累积了XX分钟的睡眠债。你目前的总债务是XX分钟。“睡眠债”对身心健康都有负面影响。调整你白天的行为来抵消你的债务。”gydF4y2Ba

如果在上午9点之前还没有将足够的体育活动数据(<720条/天)上传到服务器，则会向参与者发送另一条消息，要求他们确认活动监控器与应用程序的BLE配对:“似乎您的数据尚未上传成功。我们将在下午1点再次分析数据。请在此之前检查您的HIT应用程序的BLE连接。”下午1点对相关参与者执行相同的计算过程。这些流程由本地服务器执行，并且是完全自动化的。gydF4y2B一个

在试用期结束后，参与者对自己在前两周的整体工作表现进行自我锚定评分，评分范围从1到10。问题是这样的:“如果从0到10分，你给过去两周的工作表现打几分?”HPQ最初用于评估过去一个月的工作表现，本研究中使用的量表被修改为评估过去两周的表现，与调查期间相对应。gydF4y2B一个

睡眠变量，包括睡眠时间和睡眠中间时间，以及每天的工作表现，每天记录一次，而情绪和身体症状则使用基于智能手机的EMA每天记录几次。由于这种数据记录频率的差异，我们使用不同的模型来分析得到的数据的群体差异。gydF4y2B一个

对于睡眠变量和日常工作表现，我们构建了一个层次贝叶斯模型来捕捉日常趋势、基线水平和个体内部稳定性，如下所示:gydF4y2B一个

在哪里gydF4y2B一个 ygydF4y2B一个_{ijkgydF4y2B一个} 的因变量(睡眠时间、睡眠中点或日常工作表现)gydF4y2B一个 kgydF4y2B一个的-th记录gydF4y2B一个 jgydF4y2B一个-th参与者gydF4y2B一个 我gydF4y2B一个th组;gydF4y2B一个 一天gydF4y2B一个_{ijkgydF4y2B一个} 表示测量相应因变量以记录趋势(改善或恶化)的日期;gydF4y2B一个 βgydF4y2B一个_{ijgydF4y2B一个} ^{0gydF4y2B一个}的截距是gydF4y2B一个 jgydF4y2B一个-th参与者gydF4y2B一个 我gydF4y2B一个th组;gydF4y2B一个 βgydF4y2B一个_{我gydF4y2B一个} ^{1gydF4y2B一个}是坡度为日的吗gydF4y2B一个 我gydF4y2B一个th组;随机项gydF4y2B一个 rgydF4y2B一个_{ijgydF4y2B一个} ^{0gydF4y2B一个}为个体间残差;而且gydF4y2B一个 egydF4y2B一个_{ijkgydF4y2B一个} 是个体内残差。特别是，方差分量σgydF4y2B一个_{我gydF4y2B一个}^{ygydF4y2B一个}可以解释为衡量个体睡眠变量在群体水平上的稳定或波动程度。因此,σgydF4y2B一个_{我gydF4y2B一个}^{ygydF4y2B一个}假设受到是否提供干预的影响，并对每组进行估计。假设所有随机项服从正态分布。gydF4y2B一个

对于ema记录的情绪和身体症状，我们使用线性混合效应模型来检查它们的日斜率和组间差异。gydF4y2B一个

在哪里gydF4y2B一个 ygydF4y2B一个_{ijkgydF4y2B一个} 显示的情绪或身体症状gydF4y2B一个 kgydF4y2B一个的-th记录gydF4y2B一个 jgydF4y2B一个-th参与者gydF4y2B一个 我gydF4y2B一个th组;gydF4y2B一个 时间gydF4y2B一个_{ijkgydF4y2B一个} 指示分类变量，表示记录相应因变量的时间;因此,时间gydF4y2B一个 _{ijkgydF4y2B一个} = 0和时间gydF4y2B一个 _{ijkgydF4y2B一个} = 1表示分别在起床时间和就寝时间记录因变量;gydF4y2B一个 集团gydF4y2B一个_{ijkgydF4y2B一个} 属性所在的组的类别变量gydF4y2B一个 jgydF4y2B一个-对第3位参与者进行分类;因此,组gydF4y2B一个 _{ijkgydF4y2B一个} = 0和GroupgydF4y2B一个 _{ijkgydF4y2B一个} = 1表示因变量分别来自控制组和反馈组的参与者;gydF4y2B一个 βgydF4y2B一个_{jgydF4y2B一个} ^{0gydF4y2B一个}的截距是gydF4y2B一个 jgydF4y2B一个th参与者;gydF4y2B一个 βgydF4y2B一个^{1gydF4y2B一个}，gydF4y2B一个 βgydF4y2B一个^{2gydF4y2B一个},gydF4y2B一个 βgydF4y2B一个^{3.gydF4y2B一个}的系数是gydF4y2B一个 时间gydF4y2B一个_{ijkgydF4y2B一个} ，gydF4y2B一个 集团gydF4y2B一个_{ijkgydF4y2B一个} ，和它们的相互作用项;随机项gydF4y2B一个 rgydF4y2B一个_{jgydF4y2B一个} ^{0gydF4y2B一个}个体间残差和gydF4y2B一个 egydF4y2B一个_{ijkgydF4y2B一个} 是个体内残差。假设所有随机项服从正态分布。当观察到显著的相互作用效应时，我们使用Tukey校正进行多次比较试验。gydF4y2B一个

此外，我们还表演了双尾韦尔奇gydF4y2B一个 tgydF4y2B一个对基线数据进行Fisher精确检验，以确认两组间无显著差异。由于HPQ评分记录在基线和随访问卷中，我们采用2-way重复测量方差分析来检验组(对照vs反馈)和时间(干预前vs干预后)的主要影响及其相互作用效应。对于累积睡眠债，我们采用了韦尔奇二尾模型gydF4y2B一个 tgydF4y2B一个对每个参与者的最终观察数据进行Levene检验和方差相等检验，以检验均数和方差方面的组间差异。gydF4y2B一个

所有分析均使用R统计软件(4.0.2版)进行。特别地，统计模型的参数是用rstan [gydF4y2B一个 56gydF4y2B一个]和lmerTest [gydF4y2B一个 57gydF4y2B一个)包。emmeans包(亦称lsmeans包)[gydF4y2B一个 58gydF4y2B一个]用于与Tukey校正的多次比较试验。统计显著性定义为95%可信区间(CI)不包括空值或当agydF4y2B一个 PgydF4y2B一个值< . 05。gydF4y2B一个

东京大学伦理委员会批准了这项研究和知情同意书(批准号20-20)。gydF4y2B一个

共有31人同意参与这项研究。然而，4名参与者的数据被排除在统计分析之外，因为他们在EMA问卷上的起床时间和就寝时间的回复率较低(即<3天;gydF4y2B一个 图2gydF4y2B一个)．参与者的人口统计学特征，包括对照组(n=12)和反馈组(n=15)，表示在gydF4y2B一个 表1gydF4y2B一个．参与者的平均年龄为41.8岁(SD 7.9岁)，33%(9/27)为女性。韦尔奇双尾gydF4y2B一个 tgydF4y2B一个两组间的人口学特征差异无统计学意义(p < 0.05)。EMA病历总数为1839份，总有效率为64.88%(1839/2835)。gydF4y2B一个

在试验期间，我们检查了组间睡眠变量的差异，如累积睡眠债务、睡眠时间和睡眠中点。27名参与者中有5名(18%)的数据由于身体活动测量失败而被排除在分析之外(gydF4y2B一个 图2gydF4y2B一个)．因此，对照组11名参与者的数据(平均年龄43.3岁，SD 9.1岁;男性6名，女性5名)，反馈组11名(平均年龄41.3岁，SD 7.41岁;男性9例，女性2例)。gydF4y2B一个

图3gydF4y2B一个在试验期间，展示了所有参与者的计算睡眠变量的意大利面图。韦尔奇的gydF4y2B一个 tgydF4y2B一个方差相等性检验和Levene检验均表明，两组间累计睡眠债务差异不显著gydF4y2B一个_{17.32gydF4y2B一个}= 0.64,gydF4y2B一个 PgydF4y2B一个= 53;gydF4y2B一个 FgydF4y2B一个_{1、20gydF4y2B一个}= 0.15,gydF4y2B一个 PgydF4y2B一个= 2。gydF4y2B一个

随后，我们使用层次贝叶斯模型检验了睡眠时间和睡眠中点的每日趋势、基线水平和个体内残差的组间差异。反馈组睡眠中点的个体内残差显著小于对照组(预期差异的后验:- 15,95% CI - 26至- 4分钟;gydF4y2B一个 表2gydF4y2B一个)．就寝时间的个体内残差也是如此(- 18,95% CI - 31至- 4 min;gydF4y2B一个 多媒体附件4gydF4y2B一个)．两组在睡眠时间上均无明显斜坡(对照组:0 95% CI−3 ~ 3 min;反馈组:1,95% CI−3至1分钟)或睡眠中点(对照组:- 1,95% CI−4至1分钟;反馈组:1,95% CI−1 ~ 3 min)。gydF4y2B一个

在试验期间，我们使用27名参与者的307份EMA记录(gydF4y2B一个 图4gydF4y2B一个)．我们通过使用用于分析睡眠变量的统计模型来检验日常工作绩效的统计特性。然而，两组之间并无显著差异(gydF4y2B一个 表3gydF4y2B一个)．在使用二向重复方差分析比较干预前后HPQ评分时，gydF4y2B一个 FgydF4y2B一个_{1,25gydF4y2B一个}= 0.39,gydF4y2B一个 PgydF4y2B一个=。54,t我me, FgydF4y2B一个_{1,25gydF4y2B一个}= 0.01,gydF4y2B一个 PgydF4y2B一个=。94,the我r我nteraction, FgydF4y2B一个_{1,25gydF4y2B一个}= 0.05,gydF4y2B一个 PgydF4y2B一个=。83.，werenot significant.

27名参与者(760份记录)的EMA评分被用来检查瞬时情绪和身体症状的日斜率(gydF4y2B一个 图2gydF4y2B一个)．线性混合效应模型结果显示，生理症状(疲劳、gydF4y2B一个 PgydF4y2B一个= .002;嗜睡,gydF4y2B一个 PgydF4y2B一个<措施;脖子和肩膀僵硬，gydF4y2B一个 PgydF4y2B一个<措施;gydF4y2B一个 表4gydF4y2B一个)．此外，Tukey校正的多重比较检验显示，反馈组起床时身体症状的EMA评分明显低于就寝时(疲劳、嗜睡、颈肩僵硬)。gydF4y2B一个 PgydF4y2B一个<措施)。在对照组中，起床时间和就寝时间之间的显著差异仅在疲劳方面观察到(gydF4y2B一个 PgydF4y2B一个<措施;gydF4y2B一个 图5gydF4y2B一个)．gydF4y2B一个

我们使用一个独特的基于云的HIT系统，包括一个基于web的可穿戴活动监视器和一个智能手机应用程序，探讨了关于当前睡眠状态的个性化反馈信息对日本办公室职员的习惯性睡眠行为、瞬时情绪和身体症状的影响。具体来说，我们关注的是试验期间睡眠变量统计属性和日内瞬时症状的组间差异。我们发现，反馈组睡眠时间的个体内残差明显小于对照组。此外，身体症状的日斜率(嗜睡、疲劳、颈肩僵硬)在反馈组和对照组之间有显著差异，这主要是因为反馈组在醒来时的身体症状评分更好。这是第一个基于客观测量实现推式睡眠反馈的移动健康研究，并证明了与接收反馈信息相关的睡眠状态和瞬时症状的改善。这项研究的发现表明，客观的推送式反馈信息可能促进睡眠自我管理，并解决习惯性睡眠行为问题，尽管有轻微的不便。gydF4y2B一个

已经开发了几个移动健康应用程序来治疗失眠等睡眠障碍[gydF4y2B一个 30.gydF4y2B一个，gydF4y2B一个 31gydF4y2B一个]，但这些app还没有实现客观的睡眠反馈功能。虽然消费级可穿戴设备的用户可以利用客观的睡眠测量，但这些被视为拉式干预，因为这些设备要求用户主动访问应用程序来接收反馈，这有时可能是负担。在开发或更新针对睡眠障碍的移动健康应用程序时，可以考虑将移动健康应用程序与可穿戴传感设备连接起来，并发送客观的推送式睡眠反馈。gydF4y2B一个

本研究中检测的睡眠变量的个体内残差可以代表睡眠行为在几天内的变化，这通常被称为个体内变异性[gydF4y2B一个 22gydF4y2B一个］．最近，习惯性睡眠行为的稳定性被认为是身体和心理健康的一个关键因素，因为先前的研究表明，睡眠行为的较大个体内部变异与较差的医疗健康状况有关[gydF4y2B一个 25gydF4y2B一个]和较差的心理健康状况[gydF4y2B一个 26gydF4y2B一个］．在我们的研究中，参与者可能试图通过采取稳定睡眠时间的策略来改善他们的睡眠习惯(特别是他们的就寝时间);例如，不要过度熬夜。这一推论得到了在就寝时间个体内残差显著组间差异的证据支持，但在唤醒时间没有。Murawski等人也报道了类似的结果[gydF4y2B一个 40gydF4y2B一个他们发现在3个月的干预后，睡眠时间的可变性有所改善。考虑到我们的调查周期相对较短，我们推测睡眠变异性的改善是由于对习惯性睡眠行为的意识提高引起的初步变化。特别是在现代工业社会，睡眠-觉醒周期遵循社会时间表，而不是内源性的昼夜节律，导致暴露在明亮的光线时间明显不同于自然环境。这会导致睡眠和昼夜节律紊乱，如昼夜节律失调[gydF4y2B一个 59gydF4y2B一个和社会时差[gydF4y2B一个 60gydF4y2B一个，gydF4y2B一个 61gydF4y2B一个]，这些都与未来的健康问题有关。因此，本研究的结果表明，发送个性化的睡眠反馈信息可能有助于身体和心理健康问题的初级预防，以及改善睡眠-觉醒周期。gydF4y2B一个

在反馈组中，身体症状的改善和睡眠时间的稳定同时被观察到，这表明它们之间存在协变关系。事实上，之前的研究已经表明，睡眠时间和睡眠时间的个体内部差异较大的个体表现出更多与内源性昼夜节律相关的失调生物标志物[gydF4y2B一个 23gydF4y2B一个]和炎症功能[gydF4y2B一个 24gydF4y2B一个]，这会影响白天的症状，包括嗜睡和疲劳。因此，在反馈组中醒来时身体症状的改善可能是由稳定的睡眠时间引起的，由调节的生理系统介导。因此，有可能观察到身体症状的改善是稳定睡眠时间的干预措施的短期效果或近期结果，并进一步作为改善睡眠习惯和调整日间活动的激励因素。然而，在之前调查睡眠和身体症状之间关系的研究中，报告的结果不一致。在一项横断面研究中，睡眠变异性与白天疲劳和困倦之间没有关系[gydF4y2B一个 62gydF4y2B一个]，而在实验中被要求稳定睡眠-觉醒时间表的大学生中，白天的嗜睡减少了[gydF4y2B一个 63gydF4y2B一个］．这些混杂的结果可能是由于使用了在单个时间点评估症状的调查设计。相比之下，我们使用EMA技术每天多次测量身体症状，比以前的研究具有更好的时间分辨率，并且具有生态有效性，结果发现反馈组在醒来时身体症状得到改善。在获取身体症状数据时，测量的时间也是一个重要因素。gydF4y2B一个

之前的一项研究表明，使用可穿戴设备可以改善健康人群的睡眠时间[gydF4y2B一个 29gydF4y2B一个］．但是，层次贝叶斯模型显示，睡眠时间和睡眠中点的日斜率不具有统计学意义;因此，我们没有发现仅使用睡眠反馈对睡眠持续时间或睡眠中点有改善。这种差异可能是由于反馈信息的提示。在调查期间，参与者的睡眠债并没有累积太多，他们似乎收到了表明他们的睡眠状态更好的信息。在这种情况下，他们可能会试图通过稳定他们的睡眠-觉醒周期来维持他们的睡眠状态，而不是改善他们的睡眠时间或睡眠时间。在未来的研究中，除了客观的睡眠反馈信息外，还需要为延长睡眠时间和提前睡眠时间提供进一步的支持。改善睡眠时间和时间也有利于白天的功能，如瞬间情绪和工作表现，这些在本研究中没有得到改善。gydF4y2Ba

与为治疗睡眠障碍而开发的mHealth应用不同，HIT应用主要用于收集日常生活中的多维数据。因此，在HIT应用中，对改善睡眠障碍有用的功能仅限于客观的反馈信息，而其他应用则提供了心理教育、睡眠卫生、数据可视化等多种支持功能[gydF4y2B一个 30.gydF4y2B一个］．通过在HIT应用程序中加入额外的干预选项，可以改善睡眠时间和时间。在夜间建立足够睡眠压力的行为指示是额外支持的一个例子。在治疗失眠症患者时，使用睡眠限制疗法，即诱导轻度睡眠剥夺以建立稳态睡眠压力，现有的移动健康研究结合睡眠限制疗法证明了失眠严重程度和睡眠疗效的显著改善[gydF4y2B一个 35gydF4y2B一个，gydF4y2B一个 64gydF4y2B一个，gydF4y2B一个 65gydF4y2B一个］．作为日常生活的一部分，建立足够的稳态睡眠压力的干预措施，例如晚上锻炼和避免长时间午睡，可能会改善睡眠时间和白天的功能，包括工作表现。其他干预措施包括对内源性昼夜节律起作用的行为协调;例如，调整进食时间，睡前避免暴露在强光下。这样的扩展可以促进对习惯性睡眠时间的控制，并增强物联网系统与移动设备在治疗各种睡眠障碍方面的适用性。测量、集成和使用多维信息，包括环境和行为数据，需要额外的研究。同时，综合医疗保健信息系统，如HIT系统，可以提供解决方案和扩大干预方案，促进验证其有效性。gydF4y2Ba

这项研究有几个局限性。首先，少数参与者是从日本的一家人寿保险公司招募的，参与者的社交时间表似乎相似，限制了结果的泛化性。事实上，与工作相关的因素，包括职业、工作压力、工作时间、轮班工作和体力劳动，都与习惯性睡眠时间和睡眠质量有关。gydF4y2B一个 66gydF4y2B一个-gydF4y2B一个 68gydF4y2B一个，这表明睡眠习惯可能因职业而异。因此，需要一项包括不同职业和生活方式的代表性研究，以确保本研究结果的普遍性。gydF4y2B一个

其次，在本研究中，通过将估计睡眠时间与预期睡眠时间的差异相加，引入了估计睡眠债务的唯一计算方法。虽然在其他研究中也使用了类似的方法来估计睡眠债务(自我报告的睡眠需求和工作日睡眠时间之间的差异)[gydF4y2B一个 69gydF4y2B一个，gydF4y2B一个 70gydF4y2B一个]，使用这些方法计算的睡眠债务可能不能反映在实验条件下通常观察到的由慢性睡眠不足引起的神经行为损害[gydF4y2B一个 71gydF4y2B一个，gydF4y2B一个 72gydF4y2B一个］．最初，我们采用这一定义的目的是让参与者计划他们的日常活动，以改善睡眠不足的状况，但有可能实际的睡眠债没有被准确估计。因此，应该开发一种可靠的方法来估计当前的睡眠状态，并在未来的研究中使用。特别是，将EMA技术与机器学习方法相结合，有望在日常生活中提供可靠的睡眠测量。例如，最近的一项研究报告称，机器学习技术可以通过使用从EMA问卷中获得的复杂生活数据来估计日常睡眠质量[gydF4y2B一个 73gydF4y2B一个］．收集和整合多维信息不仅对理解睡眠行为与白天症状的协变关联有意义，而且对开发新的睡眠测量方法也有意义。gydF4y2B一个

最后，参与者可以识别出他们被分配到的小组，因为只有反馈组的参与者在上午9点收到反馈信息。考虑到身体症状是使用自我报告评估来测量的，EMA记录受到认知偏差的影响，如霍桑效应(参与实验研究的人倾向于改变或改善他们的行为，只是因为正在研究，而不是因为实验刺激的变化)。优化研究设计有助于澄清这一点。例如，通过向对照组参与者发送与习惯性睡眠行为无关的干预信息，我们可以确定该发现是否基于对睡眠反馈信息的特定反应。此外，实施微随机试验[gydF4y2B一个 74gydF4y2B一个]，这相当于一项个体内随机对照试验，也有助于调查干预措施的有效性。通过随机发送反馈信息，我们可以检查睡眠行为和白天功能之间的因果关系。gydF4y2B一个

我们在办公室职员中进行了一项移动健康试验，证明了客观的推式睡眠反馈可以稳定睡眠时间，改善醒来时的身体症状。然而，我们没有发现睡眠时间延长、睡眠时间提前或工作表现改善的证据。未来的研究应该结合具体的行为指导，旨在改善睡眠时间和睡眠时间，并通过整合和使用日常生活中收集的多维信息来调查行为指导的有效性。gydF4y2B一个