Shining the Light on the MotionWatch8 Light Sensor for Sleep and Aging Research: What Can We Measure and What Are We Missing?
Notice bibliographique
Résumé
BACKGROUND: Poor sleep is common among older adults at risk for dementia and may be due to circadian dysregulation. Light is the most important external stimulus to the circadian clock and bright light therapy (BLT) has been used for >20 years to help realign circadian rhythms. However, the ability of field methods (e.g., actigraphy) to accurately determine the type and intensity of light is unknown. OBJECTIVE: We examined the ability of the MotionWatch8 (MW8) light sensor to determine: 1) light versus dark, 2) electrical light versus daylight, and 3) device-based BLT versus light which was not BLT. METHODS: We tested the MW8 under 17 daily light scenarios. Light exposure data was collected for 5 minutes during each scenario. Concurrently, we measured light exposure using the LT40 Light Meter, a sensitive measure of light intensity. We then developed individual cut-points using receiver operator characteristics analyses to determine optimal MW8 cut-points for 1) light versus dark; 2) electrical light versus daylight; and 3) light from a BLT box versus light which was not BLT. Bland-Altman plots tested the precision of the MW8 compared to the LT40. RESULTS: The MW8 accurately discriminated light versus dark (>32 lux), and electrical light versus daylight (<323 lux). However, the MW8 had poor accuracy for 1) discriminating BLT from light which was not BLT; and 2) low precision compared to the LT40. CONCLUSION: The MW8 appears to be able to discern light versus dark and electrical light versus daylight; however, there remains a need for accurate field methods capable of measuring light exposure.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».