0291 Evaluating Sleep Quality Metrics Using Zero-Effort Technology: Implications for Public Health Dynamics
Notice bibliographique
Résumé
Abstract Introduction Sleep quality is critical to human health and well-being, with implications for manifold physiological and psychological processes. The quality and reliability of the data due to recall bias and subjective interpretation often limit traditional methods of sleep data collection. This research presents a novel framework that can objectively measure and evaluate sleep quality using smart thermostats equipped with motion sensors, providing non-invasive and effortless sleep monitoring. Methods We leveraged the ecobee 'Donate Your Data' initiative, which collects data from smart home sensors, to analyze 8 Terabytes of data from 178,706 households. In our time-series model, sensor activation values were transformed into signals to model sleep features. We developed a data pipeline integrating data preprocessing, feature engineering, and various machine learning models. These models, such as RNN, VAE, K-means clustering, PCA, and Random Forest classifiers, were used to discern sleep quality indicators. These indicators included Absolute Sleep Duration, Normalized Disturbance Time, Wakeup Onset and Sleep Onset Time, Time in Room, and Sleep Efficiency (with and without onset time) derived from motion sensor data. Results Our findings show three distinct sleep quality clusters, with clear variations in sleep duration, disturbances, and efficiency. Cluster 0 profiled a pattern of fewer disturbances and higher sleep efficiency, whereas Cluster 1 indicated a moderate disturbance with prolonged sleep onset and wakeup duration. The lowest average sleep duration and varied disturbances characterized Cluster 2. Comparative analysis underscores the heterogeneity in sleep quality, highlighting the potential of Internet of Things (IoT) devices in identifying sleep patterns and contributing to sleep research without invasive monitoring. These clusters demonstrate the heterogeneity of sleep quality and showcase the potential of Internet of Things (IoT) devices in sleep pattern identification. Conclusion This novel approach shows smart thermostats as a viable data source for evaluating sleep quality, providing a new perspective on technology in health surveillance and paving the way for personalized sleep improvement strategies for sleep technologists and healthcare policymakers. Furthermore, integrating temperature data from ecobee datasets could deepen insights into the connection between indoor temperature and sleep, impacting health monitoring and policy in the context of increasing global temperatures from climate change. Support (if any)
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».