基于Jawbone手环的睡眠质量预测研究

杨天骁，李金宝，胡 悦

基于Jawbone手环的睡眠质量预测研究

杨天骁1, 2，李金宝1, 2，胡 悦3

(1.黑龙江大学 计算机科学技术学院，哈尔滨 150080；2.黑龙江省数据库与并行计算重点实验室，哈尔滨 150080；3.哈尔滨商业大学 体育学院，哈尔滨 150028)

提出了一种基于Jawbone手环预测睡眠质量的方法。通过对手环收集到的运动和睡眠数据进行分析，选择出有效的特征表示，并使用支持向量机(SVM)的预测分类方法进行数据处理，取得了较好的效果。

睡眠质量预测；手环；支持向量机；运动

0 引 言

随着生活节奏的日益加快，人们的工作压力也越来越大，很多人长期处于亚健康状态，睡眠得不到保障，进而影响工作效率。睡眠是人体自我更新过程中一个很重要的环节，与健康状况密不可分。良好的睡眠可使疲惫的人体进行自我修复，保证精力充沛；而不好的睡眠会则使人体的疲惫加剧，久而久之就会产生一些其他的健康问题，例如肥胖或者抑郁症[1]。一些学者对健康和运动的关系进行深入研究表明，有规律的适度运动可以在一定程度上提高睡眠的质量[2]。另外，定量的有氧运动也可以减轻一些老年人失眠的症状[3]。然而，目前很多人经常久坐办公室中，缺乏运动，导致睡眠质量的下降，进而影响第二天的工作质量，形成一个恶性循环。良好的睡眠也有利于第二天的运动状态[4]。因此，如何保证良好的睡眠质量成为了一个重要的健康问题。

基于多导睡眠图(Polysomnogram, PSG)进行睡眠检测应用非常的广泛[5]，然而由于设备的限制，该方法只能在有专业人士的指导下进行，对于一般人来说很难接触到。而某些基于传感器来检测睡眠的方法同样可达到和基于PSG相似的效果。iSleep睡眠识别系统[6]是利用手机内置的声音传感器，同时采用决策树算法，识别与睡眠相关的运动。另一种常见的是基于运动传感器(Actigraphy)的睡眠检测方法[7]，运动传感器很轻巧，只需睡眠时佩戴在身上即可，可很好地应用于大众人群。很多可穿戴睡眠检测设备都基于运动传感器并配合相关的算法来进行睡眠检测，例如fitbit和jawbone up等。目前基于运动传感器的人类日常运动识别的研究已经非常成熟，比如可通过运动传感器进行走路步数的统计[8]。

本文主要基于jawbone手环进行睡眠质量的预测。Jawbone手环内置的运动传感器可检测运动步数和睡眠状况。基于采集到的运动数据和前一天的睡眠数据来预测未来的睡眠状况。该方法适用于任何拥有该设备的人群，通过该方法可让用户实时关注自己的睡眠质量，进而拥有一个健康的生活状态。

1 相关工作

20世纪30年代，随着脑电图(EEG，electroencephalogram)的问世，它逐渐被应用到了睡眠状态的分析上[9]。由于该方法只能观测到脑电图与睡眠之间的关系，在1974年研究人员提出了多导睡眠图(PSG)这一概念[5]。它通过记录全夜睡眠过程中的脑电图、肌电图、心电图、眼动图、呼吸、血氧等生理信号，再经过处理分析后得出有关睡眠结构、呼吸事件、血氧饱和度、鼾声、体位和心电图动态变化具体数据，为睡眠呼吸患者提供了一种检测方法，广泛应用于睡眠、梦境、呼吸和抑郁症的诊断[10]。该方法虽然可准确地检测测试者的睡眠状态，但是却需要测试者在夜晚佩戴一些复杂而且昂贵的设备(很多的传感器)，进行一个长期的监测，会非常的不便利。

除了以上人体睡眠信号数据的收集，测试者的主观睡眠认知也很重要。这种睡眠数据分析的方法最主要的是通过调查问卷的形式进行。匹兹堡睡眠质量指数(Pittsburgh sleep quality index,PSQI)量表[11]是由是美国匹兹堡大学精神科医生Buysse博士等人于1989年编制的。该方法基于纸质的个人问卷问题，从睡眠质量、入睡时间、睡眠时间、睡眠效率、睡眠障碍、催眠药物和日间功能障碍7个方面进行自我主观分数评定，得分越高表明睡眠质量越差，其中的问卷问题是关于测试者近30 d的平均睡眠情况，它需要测试者每天记录。该方法在临床上取得了非常大的成效。电子日常记录[12](The electronic daily daily)在当前的睡眠实验中应用也非常广泛。测试者仅需要每天在移动设备上登陆自己的账号，回答一些与睡眠相关的问题，同时记录自己当天的睡眠状况。这种记录睡眠状况的方法与纸质问卷调查的形式相比,虽然在一定程度上减少用户的负担，但是如果进行一个长期的测试，仍然会给用户带来不好的体验。同时，以上方法主要是基于测试者的一个主观的判断和记忆，当需要记录的问题过多时，答案的准确性会降低。

基于上述两点的考虑，本文收集人体睡眠数据的主要方法是基于Jawbone up手环。该手环通过内置运动传感器可精确地记录与睡眠相关的数据，例如可自动分辨出深度睡眠和浅度睡眠的时间等。通过蓝牙的方式可将数据上传到手机端的App中进行统计和显示。测试者长期佩戴该设备也不会影响正常的生活，适合于进行长期的睡眠和运动监测。除此之外，仅需要测试者在每天早上对自己前一天的睡眠给定一个主观分数(0～100分)，省去了一些繁复的问题，节省了测试者的时间和精力，为实验的长期进行做好准备。

2 主要方法

本文的系统框架图见图1。将睡眠质量根据用户打分分为低、中、高3个档次，进而将睡眠质量预测问题看做一个3分类问题，通过对日常活动的分析来推断当天的睡眠状况。 主要涉及3方面：(1) 数据收集。主要采用Jawbone手环中的运动传感器和睡眠传感器进行数据采集，通过手环提供的API 返回数据进行存储。另外，每一个实验者需要对当天的睡眠质量进行打分作为类别标注。(2) 特征分析与选择。通过对采集到的数据进行统计分析，提取出较为有效的几种特征，作为日常活动和睡眠的数据表示。(3) 分类方法。采用SVMs作为分类框架。通过在特征空间中找到间隔最大的超平面作为判别模型，进而对新来的数据进行睡眠质量预测。

图1 系统框架图Fig.1 Framework of the method

2.1 数据收集

基于Jawbone手环收集到的睡眠和运动数据有：日期(DATA)，运动步数(STEPS)，最长连续运动时长(LCAT)，入睡时间(SOL)，清醒时间(WASO)，总睡眠时间(TST)，深度睡眠时间(DST)，浅度睡眠时间(LST)。该数据存储于手环中，通过jawbone手环开放的API将数据读取出来。同时要求测试者每天对自己的睡眠质量情况(SQ)进行一个主观的打分(0～100)。某测试者7 d的运动和睡眠数据见图2。

图2 用户7 d数据图Fig.2 Collected data in 7 days

2.2 特征选择

根据睡眠图指标，选取了7个比较重要的睡眠指标作为分类和预测的特征[12-13]：①入睡时间(SOL)；②清醒时间(WASO)；③总睡眠时间(TST)；④睡眠效率(SE,TST/(SOL+WASO duration +TST))；⑤觉睡比(ASR,WASO/TST)；⑥深睡期(DSTR,DST/TST)；⑦浅睡期(LSTR,LST/TST)。

同时，选择了2个运动特征对活动量进行定量描述：①每天的运动总量(步数)；②每天连续最长运动时间。Morgan[14]等人发现成年人步行10 000～15 000步/d可有效改善健康状况，同时有氧运动时长>30 min能彻底消耗能量。基于上述研究结果，将这两个特征进行分类，其分类情况见表1、表2。

表1 运动强度分类

表2 最长连续运动时间分类

通过表3和表4中对不同运动强度和不同运动时长下的睡眠指标的比较可见，随着运动强度的增高，入睡时间有所减少，睡眠效率有所提高，与文献[2]的研究一致。同时，随着运动时长的增加，清醒时间有所减少。因此，将这7种因素作为睡眠特征进行分类具有一定的可行性。

测试者对自己睡眠质量的打分按表5进行了划分，分值<70分说明睡眠质量较差，70～85分说明睡眠质量一般，而>85分则说明睡眠较好。睡眠和运动特征作为分类的特征向量，睡眠质量作为最后的分类结果。

表3 在不同运动强度下睡眠因素水平表(x±s)

表4 在不同运动时长下睡眠因素水平表(x±s)

表5 睡眠质量分类

2.3 分类方法

支持向量机(Support Vector Machine, SVM)是一种二分类模型，在机器学习领域中支持向量机是目前最好的二分类方法。支持向量机通过选择某一非线性映射，将输入向量映射到一个高维度空间，并在此高维空间中寻找最优线性分类平面，即超平面。一般常用的映射核函数有多项式核、高斯核等。支持向量机利用支持向量和边缘发现超平面，通过搜寻最大边缘超平面(maximum marginal hyper plane)进行分类。本文所使用的LIBSVM[15]是由台湾林智仁教授基于SVM模型原理开发的可实现多分类问题的软件包。其主要原理是一对一法(one-versus-one,简称1-v-1 SVMs)。其做法是在任意两类样本之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。本文的特征较多，选择高斯核。

3 实验结果与分析

3.1 实验设置

笔者选择了13个平均年龄在20～25岁的实验对象(7个女性和6个男性)。每个测试者在15 d内都需要在右手上佩戴jawbone手环进行正常的日常活动。收集到3种类别睡眠质量数据比例见图3。

图3 3种睡眠数据比例Fig.3 Ratio of three sleep types

3.2 评价标准

精确率、召回率和F值是广泛用于信息检索和分类领域的3个度量值，用来评价分类结果的质量。精确率也叫查准率，召回率也叫查全率。为了说明这3个度量值，首先介绍4个变量，见表6。

表6 变量定义

基于上述4个变量，3个度量值的定义如下：

精确率= TP/(TP+FP);召回率= TP/(TP+FN);F值=2 (精确率*召回率)/(精确率+召回率)。

3.3 实验结果

本文进行了2组对比实验：①仅通过白天的运动量和最长运动时间对第二天的睡眠情况进行一个预测，该实验验证运动量是否可以完全地决定睡眠质量；②在方法1的基础上，分类特征中又加入了前一晚的睡眠数据，该实验是探究个人的历时睡眠数据是否对未来的睡眠质量的预测具有决定性的作用。两种方法准确率见表7。

表7 两种方法准确率

由表7可见，方法2对睡眠预测的平均正确率更高。然而，两种方法对于低睡眠质量的预测结果相较于其他两个类别都是最差的，为了找到进一步的原因，依据上述介绍的3个度量值对两种方法进行了进一步的实验。结果见表8～表10。

表8 低质量睡眠下的度量值

表9 一般质量睡眠下的度量值

表10 高质量睡眠下的度量值

由表8～表10可见，方法2的各种评价指标值都高于方法1。方法1的精确率在3种睡眠类别下产生了很大的差异，平均睡眠下取值最高达到0.8，另两种类型下的取值均低于0.4。说明方法1无法更好地区分所有需要分类的类别。将大部分的低质量和高质量睡眠样本预测为一般睡眠，导致了一般睡眠下的精确率取值高于其他两类。发现仅通过运动量来预测睡眠质量是不理想的。

数据分析结果见图4。由图4可见，在睡眠质量非常高的测试者中也存在运动量和运动时长很短的测试者，同时睡眠质量不好的人中也不乏有运动量和运动时间都很高的测试者。针对不同的运动活跃度的测试者，不能通过某一天的运动量或者是运动时间长度预测出其睡眠状况。而方法2的预测正确率高于方法1的原因在于考虑到了测试者的历时睡眠数据，并没有仅根据某一天的运动活跃度就进行预测。同时，方法2的预测正确率不理想的原因可能在于数据集中包含一些误差。在未来的工作中，笔者采用更精确的设备来进行睡眠的检测和运动的识别。

(a) 睡眠质量与运动步数对比图

(b) 睡眠质量与运动时长对比图图4 睡眠质量与运动特征对比图Fig.4 The compare figure between sleep quality and exercise feature

4 结 论

本文通过Jawbone up手环来探索运动和睡眠之间潜在的关系。首先，利用手环对年龄在20～25岁不同性别的人员收集15 d的运动和睡眠数据。其次，选取运动步数和运动时长作为运动特征，同时选取入睡时间、清醒时间、总睡眠时间、睡眠效率、觉睡比、深睡期、浅睡期作为睡眠特征。最后，在支持向量机框架下对睡眠质量进行分类预测。实验结果显示，笔者的方法具有一定的应用价值，可发现运动与睡眠之间的潜在关系。

在未来的工作中，进一步细化运动变量，探讨某个特定时段的某种活动是否会对睡眠产生一些有利的影响。同时，将扩大测试者的年龄范围和数据的采集规模，保证数据的通用性。

[1]Parish J M. Sleep-related problems in common medical conditions[J]. Chest Journal, 2009, 135(2): 563-572.

[2]Driver H S, Taylor S R. Exercise and sleep[J]. Sleep Medicine Reviews, 2000, 4(4): 387-402.

[3]Reid K J, Baron K G, Lu B, et al. Aerobic exercise improves self-reported sleep and quality of life in older adults with insomnia[J]. Sleep Medicine, 2010, 11(9): 934-940.

[4]O’Connor P J, Breus M J, Youngstedt S D. Exercise-induced increase in core temperature does not disrupt a behavioral measure of sleep[J]. Physiology & Behavior, 1998, 64(3): 213-217.

[5]Chesson A L, Ferber R A, Fry J M, et al. Practice parameters for the indications for polysomnography and related procedures[J]. Sleep, 1997, 20(6): 406-422.

[6]Hao T, Xing G, Zhou G. iSleep: unobtrusive sleep quality monitoring using smartphones[C]//Proceedings of the 11th ACM Conference on Embedded Networked Sensor Systems. ACM, 2013: 4.

[7]Lichstein K L, Stone K C, Donaldson J, et al. Actigraphy validation with insomnia[J]. Sleep-New York Then Westchester, 2006, 29(2): 232.

[8]Brage S, Wedderkopp N, Franks P W, et al. Reexamination of validity and reliability of the CSA monitor in walking and running[J]. Medicine and Science in Sports and Exercise, 2003, 35(8): 1 447-1 454.

[9]Williams R L, Karacan I, Hursch C J. Electroencephalography (EEG) of human sleep: clinical applications[M]. New York: Wiley, 1974.

[10]路英智, 宗文斌, 陈兴时. 多导睡眠图在神经精神科的应用[J]. 神经病学与神经康复学杂志, 2008, 5(2): 119-120.

[11]Buysse D J, Reynolds III C F, Monk T H, et al. The Pittsburgh Sleep Quality Index: a new instrument for psychiatric practice and research[J]. Psychiatry Research, 1989, 28(2): 193-213.

[12]Tang N K Y, Sanborn A N. Better quality sleep promotes daytime physical activity in patients with chronic pain? A multilevel analysis of the within-person relationship[J]. PloS one, 2014, 9(3): e92158.

[13]孙学礼, 刘协和. 抑郁症, 神经衰弱和正常人的睡眠障碍研究[J]. 中华神经精神科杂志, 1994, 27(2): 101-104.

[14]Morgan A L, Tobar D A, Snyder L. Walking toward a new me: the impact of prescribed walking 10,000 steps/day on physical and psychological well-being[J]. Journal of Physical Activity & Health, 2010, 7(3): 299-302.

[15]Chang C C,Lin C J.LIBSVM:alibrary for support vector machines[J].ACM Transactions on Intelligent Systems and Technology(TIST),2011,2(3):27-31.

Sleep quality prediction based on the Jawbone wristband

YANG Tian-Xiao1, 2，LI Jin-Bao1, 2,HU Yue3

(1.School of Computer Science and Technology，Heilongjiang University，Harbin 150080，China；2.Key Laboratory of Database and Parallel Computing of Heilongjiang Province，Harbin 150080，China; 3.Institute of Physical Education Harbin University of Commerce, Harbin 150080, China)

A method based on Jawbone wristband is proposed to forecast the quality of sleep. The effective features of sleep and exercise based on the data collected from the wristband were choosed，and the support vector machine (SVM) algorithm was choosed as the classification method. The experimental results show that the proposed method has practical value.

sleep quality prediction；wristband；SVMs；exercise

10.13524/j.2095-008x.2015.01.015

2015-01-14

国家自然科学基金资助项目(61370222，61070193)；黑龙江省自然科学基金资助项目(F201225)；黑龙江省高校科技创新团队建设计划项目(2013TD012)；黑龙江省杰出青年基金资助项目(JC201104)

杨天骁(1990-),女，黑龙江哈尔滨人，硕士研究生，研究方向：移动计算等，E-mail:842792133@qq.com;*通讯作者：李金宝(1969-)，男，黑龙江庆安人，教授，博士，研究方向：无线传感器、数据库、并行计算等。

TP391.75

A

2095-008X(2015)01-0074-06