Wake Detection Capacity of Actigraphy During Sleep
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
STUDY OBJECTIVES: To evaluate the ability of actigraphy compared to polysomnography (PSG) to detect wakefulness in subjects submitted to 3 sleep conditions with different amounts of wakefulness: a nocturnal sleep episode and 2 daytime recovery sleep episodes, one with placebo and one with caffeine. A second objective was to compare the ability of 4 different scoring algorithms (2 threshold algorithms and 2 regression analysis algorithms) to detect wake in the 3 sleep conditions. DESIGN: Three nights of simultaneous actigraphy (Actiwatch-L, Mini-Mitter/Respironics) and PSG recordings in a within-subject design. SETTING: Chronobiology laboratory. PARTICIPANTS: Fifteen healthy subjects aged between 20 and 60 years (7M, 8F). INTERVENTIONS: 200 mg of caffeine and daytime recovery sleep. RESULTS: An epoch-by-epoch comparison between actigraphy and PSG showed a significant decrease in actigraphy accuracy with increased wakefulness in sleep conditions due to the low sleep specificity of actigraphy (generally <50%). Actigraphy overestimated total sleep time and sleep efficiency more strongly in conditions involving more wakefulness. Compared to the 2 regression algorithms, the 2 threshold algorithms were less able to detect wake when the sleep episode involved more wakefulness, and they tended to alternate more between wake and sleep in the scoring of long periods of wakefulness resulting in an overestimation of the number of awakenings. CONCLUSION: The very low ability of actigraphy to detect wakefulness casts doubt on its validity to measure sleep quality in clinical populations with fragmented sleep or in situations where the sleep-wake cycle is challenged, such as jet lag and shift work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle