I dati della frequenza cardiaca degli smartwatch prevedono la qualità del sonno con il 90% di accuratezza grazie all'IA
I ricercatori hanno utilizzato smartwatch Samsung per monitorare i pattern della frequenza cardiaca durante il giorno, riuscendo poi a prevedere le interruzioni del sonno della notte successiva con una precisione del 90%.
Riepilogo
Ricercatori sudcoreani hanno sviluppato un sistema di intelligenza artificiale in grado di prevedere la qualità del sonno analizzando la variabilità della frequenza cardiaca rilevata da smartwatch Samsung indossati durante il giorno. Lo studio ha seguito 82 partecipanti per un periodo fino a 28 giorni, misurando i pattern cardiaci diurni per prevedere le interruzioni del sonno nella notte successiva. La loro rete neurale LSTM ha raggiunto un'accuratezza del 90% nel prevedere il wake-after-sleep-onset (WASO), un indicatore chiave della scarsa qualità del sonno. Il rapporto LF/HF derivato dalla variabilità della frequenza cardiaca è emerso come il predittore più affidabile, con valori più elevati associati a un sonno più frammentato.
Riepilogo Dettagliato
La disruzione del sonno colpisce fino al 50% degli adulti, ma prevedere le notti di sonno scarso prima che si verifichino potrebbe consentire interventi proattivi. Questo studio coreano dimostra come i dati quotidiani degli smartwatch possano prevedere la qualità del sonno con una precisione notevole.
I ricercatori hanno monitorato 82 partecipanti nel corso di esperimenti condotti nell'inverno e nell'estate del 2023, raccogliendo dati continui sulla variabilità della frequenza cardiaca (HRV) da dispositivi Samsung Galaxy Watch Active 2 indossati durante le ore di veglia. I partecipanti rimuovevano gli orologi al momento di andare a letto per ricaricarli, quindi tutti i dati predittivi provenivano dai pattern diurni. Il team ha utilizzato sette giorni di dati HRV precedenti per prevedere il wake-after-sleep-onset (WASO) del giorno successivo, ovvero il tempo trascorso svegli dopo essersi inizialmente addormentati.
Il risultato più rilevante è stato che il rapporto LF/HF—una misura dell'equilibrio tra sistema nervoso simpatico e parasimpatico—correlava fortemente con la frammentazione del sonno. I partecipanti con rapporti LF/HF più elevati hanno sperimentato quasi il doppio del tempo WASO (14,9 vs 7,5 minuti). Inserito in una rete neurale LSTM insieme ai punteggi dei questionari sul sonno, questo approccio ha raggiunto una precisione del 90,4% nel prevedere le notti di sonno scarso.
Questo approccio potrebbe rivoluzionare la medicina del sonno, spostando il focus dal trattamento reattivo alla prevenzione predittiva. Invece di affrontare l'insonnia dopo che si è manifestata, le persone potrebbero ricevere raccomandazioni personalizzate basate sui loro pattern di stress diurno. Il sistema ha identificato non solo chi avrebbe dormito male, ma ha fornito anche indicazioni comprensibili sul perché—principalmente uno squilibrio del sistema nervoso autonomo riflesso nei pattern della frequenza cardiaca.
Il punto di forza dello studio risiede nella sua applicabilità nel mondo reale tramite dispositivi consumer, sebbene il campione di partecipanti relativamente giovane (età media 25 anni) e i brevi periodi di monitoraggio ne limitino la generalizzabilità agli adulti più anziani con disturbi cronici del sonno.
Risultati Principali
- LSTM neural networks predicted next-day sleep disruptions with 90.4% accuracy using smartwatch data
- LF/HF heart rate ratio was the strongest predictor, with higher ratios doubling wake time
- Seven days of daytime heart patterns provided sufficient data for reliable sleep forecasting
- Consumer Samsung smartwatches generated clinically relevant sleep predictions
- Participants with higher stress ratios had 14.9 vs 7.5 minutes of nighttime wake time
Metodologia
Studio prospettico su 82 partecipanti che indossavano dispositivi Samsung Galaxy Watch Active 2 durante due periodi di 26-28 giorni nel 2023. Le caratteristiche della variabilità della frequenza cardiaca estratte dai segnali PPG diurni sono state utilizzate per addestrare diversi modelli di machine learning per la previsione del WASO del giorno successivo.
Limitazioni dello Studio
La popolazione dello studio era composta prevalentemente da giovani adulti (età media 25 anni), il che limita l'applicabilità dei risultati a popolazioni più anziane. Periodi di monitoraggio brevi e la rimozione dei dispositivi durante il sonno possono far perdere importanti pattern notturni che influenzano la qualità del sonno.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: