World Sleep Industry ENCYCLOPEDIA

睡眠质量综合评分算法

4.4.1

定义与评分构念

睡眠质量综合评分算法,是把一个或多个夜晚的睡眠时长、连续性、时点、规律性、主观满意度、日间警觉以及可选生理或睡眠阶段指标,按预先定义的规则合成为分项和总分的方法。它可以使用阈值加总、加权公式、统计模型或机器学习。分数是对特定构念、时间窗、输入设备和目标人群的压缩表达,并不是可直接观测的“睡眠质量真值”。

开发前必须说明分数服务于健康沟通、个人趋势、研究分层还是临床决策,明确高低方向、范围、分项、参考期和可采取的行动。本条不同于睡眠恢复评分、睡眠负债估计、异常预警、睡眠分期及经验证的主观问卷;这些工具可提供输入或对照,但概念不能互换。不同产品即使都用百分制,也可能测量完全不同的对象,不能直接横向排名。

输入来源与时间对齐

输入可来自睡眠日记、问卷、腕部活动和光学脉搏、床旁雷达、床垫传感、环境数据或多导睡眠检查。每项都应保留设备型号、固件、算法版本、佩戴或摆放位置、采样率、时区、主睡与小睡定义和有效覆盖。消费设备推算的入睡、觉醒和阶段不是原始事实;上游误差会进入总分,多个由同一传感器派生的指标也不能被误当成独立证据。

算法需先建立明确的夜晚边界并处理跨午夜、轮班、分段睡眠、跨时区、夏令时和多设备重叠。主观“昨晚睡得如何”和设备记录若参考期不同,不应直接混合。有效数据为零、未佩戴、同步延迟、信号质量差、用户主动删除和真实短睡必须保持不同状态;系统不能把缺测补成正常,也不能把没有分数显示成低质量睡眠。

标准化、权重与缺测

聚合前要公开每项的单位、方向、变换、截断与参考分布。人群阈值便于解释,但可能不适合儿童、老年人、孕期、慢性病、轮班或治疗中的人;个人基线有助于看变化,却可能把长期异常稳定成“正常”。权重来自专家判断、统计关联或预测优化时,应说明训练目标、样本和约束,避免仅因易测或波动大就让某一指标支配总分。

总分会掩盖抵消:时长增加可能与规律性恶化相抵,两个相同总分也可能有完全不同的分项组合。因此界面应同时显示分项、覆盖率、主要影响因素和数据质量,并允许查看未加总值。缺少某项时可以拒绝评分、使用经验证的降级版本或给出区间,但必须标记可比性变化;用剩余权重自动重标若未验证,会悄然改变分数含义。

不确定性、个体化与公平性

输出不应只给一个精确整数,还应说明测量噪声、模型不确定性、最低可解释变化和相邻夜间自然波动。个体化需区分适应性校准与任意迎合:基线窗口、更新速度、异常值处理和重新初始化条件都应固定并可审计。旅行、急性疾病、酒精或药物变化、设备更换和睡眠治疗可作为情境标签,但不能由算法自行作医学因果判断。

训练和验证样本要覆盖预定年龄、肤色、性别与性别相关生理状态、体型、残障、睡眠障碍、合并症、作息类型和设备使用方式。总体平均误差可能掩盖某组持续偏高或偏低,尤其当光学信号质量、活动模式或呼吸障碍严重度不同。公平评价应报告分组覆盖、误差、校准、拒绝评分率和建议后果,而不是通过删除难测用户换取漂亮指标。

验证与效果评价

验证至少分三层:输入和计算是否技术正确,所定义分数是否与声称的睡眠健康构念或结局存在有效关联,以及实际使用能否带来净获益。单项输入可分别与合适参考方法比较,聚合公式则需检验重测可靠性、校准、已知组差异、收敛与区分效度、对真实变化的响应,以及相对简单指标是否提供增量价值。相关性、分类准确率和内部交叉验证不能相互替代。

外部验证必须锁定硬件、固件、算法和人群,并预先规定主要结局、缺测规则和成功标准。除平均误差外,还应看个体差值、极端范围、排序稳定性、误报漏报和分数跨版本断点;若用于建议或分流,还要评价行为、日间功能、就医延误和伤害。实验室一夜与家庭多夜用途不同,健康成人结果不能自动外推到儿童、轮班者或患者。

人因与临床边界

分数可能促进趋势理解,也可能诱发反复查看、追求满分、延长卧床或忽视主观感受。界面应允许隐藏总分、减少睡眠阶段细节、延迟晨间推送并把单夜变化降级为背景信息。对因数字而焦虑的人,停止追踪可能比继续优化更合适。参与失眠认知行为治疗时,减少在床时间可能是计划的一部分,算法不能持续把这种受监督的短期变化判为失败。

高分不能排除持续打鼾、呼吸暂停、危险困倦、异常夜间行为或长期失眠,低分也不能独立诊断疾病。医疗宣称需匹配相应的临床证据、监管和专业工作流;一般健康评分应清楚标明不用于诊断或治疗。就业、保险、教育、驾驶适任和照护资格等高影响决策不得只凭消费睡眠分数作出,专业人员需要原始分项、质量标记、版本和症状背景。

隐私、版本与治理

评分可能汇集作息、心率、呼吸、活动、位置、工作班次、主观感受、疾病与用药等敏感资料,并生成新的健康推断。产品应遵循目的限定和最少收集,分别说明本地与云端处理、第三方 SDK、研究、广告和模型训练用途,提供访问、导出、更正、删除和撤回。默认不应把低分、失眠担忧或脆弱时段用于定向营销,也不应在未经明确授权时向雇主、保险方或家庭成员披露。

每个分数应可追溯到输入覆盖、规范表、权重、模型、代码和显示版本。更新前要评估预期改变,更新后进行回归、分组和现实世界监测;历史重算与保留旧分数需明确区分。发现漂移、接口故障或不公平影响时,应能暂停评分、回滚并通知用户。停服或设备淘汰时要支持资料导出、删除和连续性说明,不能把算法变化伪装成用户睡眠突然改善或恶化。