در سال های اخیر، تعداد افرادی که در سراسر جهان از خواب خود ناراضی یا مضطرب هستند، به دلیل تنوع سبک زندگی در حال افزایش است. اندازه گیری ساده خواب و درک کمی از الگوهای خواب فردی نه تنها در زمینه مراقبت های بهداشتی بلکه از دیدگاه پزشکی مانند تشخیص اختلالات خواب بسیار مهم است.

یک گروه تحقیقاتی از دانشگاه توکیو به سرپرستی پروفسور هیروکی اوئدا (همچنین یکی از رهبران تیم Riken) و ماچیکو کاتوری، و دستیار پروفسور شوی شی (RIKEN) از ACCEL، یک الگوریتم یادگیری ماشینی اصلی که توسط آزمایشگاه تحقیقاتی آنها ساخته شده است، برای تعیین خواب و خواب استفاده کردند. حالت‌های بیداری بر اساس شتاب بازو و تبدیل داده‌های شتاب تقریباً 100000 نفر در Biobank بریتانیا به داده‌های خواب، که سپس به تفصیل مورد تجزیه و تحلیل قرار گرفت. در مطالعه آنها منتشر شده در مجموعه مقالات آکادمی ملی علومآنها دریافتند که الگوهای خواب این 100000 نفر را می توان به 16 نوع مختلف طبقه بندی کرد.

گروه تحقیقاتی ابتدا بر روی داده‌های شتاب بازوی تقریباً 100000 نفر در Biobank بریتانیا تمرکز کردند. این داده‌ها از مردان و زنان 30 تا 60 ساله، عمدتاً در بریتانیا، به‌دست آمد که تا هفت روز با استفاده از شتاب‌سنج‌های نوع مچ‌بند اندازه‌گیری شدند. این گروه تحقیقاتی با استفاده از الگوریتمی (ACCEL) که در سال 2022 توسعه داده بودند، داده‌های خواب تقریباً 100000 نفر را از داده‌های شتاب تولید کردند.

داده‌های خواب به‌دست‌آمده به ۲۱ شاخص خواب تبدیل شد و سپس با استفاده از روش‌های کاهش ابعاد و خوشه‌بندی، الگوهای خواب در هشت خوشه مختلف طبقه‌بندی شدند. اینها شامل خوشه‌های مربوط به «جت لگ اجتماعی» و خوشه‌هایی بود که با بیداری‌های اواسط شروع مشخص می‌شدند و بی‌خوابی در نظر گرفته می‌شدند، که امکان استخراج خوشه‌های مربوط به سبک زندگی و اختلالات خواب را فراهم می‌کرد.

در مرحله بعد، به منظور بررسی جزئیات بیشتر الگوهای خواب مرتبط با اختلالات خواب، گروه تحقیقاتی بر روی شش شاخص از 21 شاخص خواب، از جمله مدت زمان خواب و زمان بیداری متوسط، که ارتباط نزدیکی با اختلالات خواب دارند، تمرکز کردند. با اعمال همان تجزیه و تحلیل برای داده هایی که در آن یک شاخص به طور قابل توجهی از خواب عمومی انحراف داشت (داده ها در صدک 2.28 بالا یا بالاتر یا صدک 2.28 پایین یا پایین تر در توزیع کلی)، آنها توانستند داده ها را به هشت خوشه طبقه بندی کنند. اینها شامل خوشه های مربوط به انواع صبح و عصر بود. آنها همچنین چندین خوشه مرتبط با بی خوابی را شناسایی کردند و توانستند همراه با خوشه بندی با استفاده از کل مجموعه داده، هفت نوع الگوی خواب مرتبط با بی خوابی را طبقه بندی کنند.

بنابراین، با تجزیه و تحلیل خواب در مقیاس بزرگ، چشم انداز فنوتیپ خواب انسان را آشکار کرده اند. این مطالعه امکان طبقه‌بندی کمی خوشه‌های مرتبط با سبک زندگی مانند «جت لگ اجتماعی» و انواع صبح/عصر را که معمولاً با اندازه‌گیری‌های کوتاه‌مدت PSG دشوار است، طبقه‌بندی کرد، علاوه بر این، تجزیه و تحلیل دقیق وضعیت پرت و طبقه‌بندی خواب الگوها هفت خوشه مرتبط با بی خوابی را نشان دادند. این خوشه‌ها بر اساس شاخص‌های جدید متفاوت از روش‌های مرسوم طبقه‌بندی شده‌اند و انتظار می‌رود در ساخت روش‌های جدید از نظر تشخیص بی‌خوابی و پیشنهاد روش‌های درمانی مفید باشند.

مطالعه نشان می دهد سفر می تواند به تعادل ساعات خواب کمک کند

اطلاعات بیشتر:
Machiko Katori و همکاران، مجموعه داده‌های شتاب 103200 بازویی در Biobank انگلستان چشم‌اندازی از فنوتیپ‌های خواب انسان را نشان دادند. مجموعه مقالات آکادمی ملی علوم (2022). DOI: 10.1073/pnas.2116729119

ارائه شده توسط آژانس علم و فناوری ژاپن

نقل قول: طبقه بندی 16 الگوی خواب بزرگسالان بر اساس تجزیه و تحلیل خواب در مقیاس بزرگ (2022، 31 مارس) در 31 مارس 2022 از https://medicalxpress.com/news/2022-03-classification-adult-patterns-based-large-scale بازیابی شده است. .html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.