定義、任務層級與用途邊界
體動檢測演算法利用腕、踝、腰或其他位置的加速度與姿態變化,識別佩戴者是否運動、運動強度以及活動—靜息模式。睡眠應用中的 actigraphy 通常先把連續訊號轉換為時段級活動特徵,再估計睡眠視窗、睡眠—清醒狀態和總睡眠時間等指標。感測器檢測到的是機械運動,不是腦電定義的睡眠。
「有無體動」、「活動計數」、「睡眠—清醒分類」和「睡眠參數彙總」是不同任務。一次翻身可形成高幅體動,卻不必然代表清醒;清醒者靜臥又可能被誤判為睡眠。演算法應聲明輸出層級、時間解析度、感測位置、適用年齡與場景,不能用下游睡眠標籤倒稱為直接量得的睡眠階段。
體動法適合低負擔地記錄多個晝夜,可輔助描述作息、失眠、晝夜節律和睡眠不足,也可為部分居家檢測估計睡眠時間。但它不能取代有適應證時的多導睡眠監測,也不能只憑肢體運動診斷週期性肢體運動障礙、癲癇或快速動眼睡眠行為障礙。消費級睡眠分數與臨床級 actigraphy 亦不能自動互換。
感測、活動表徵與分類模型
三軸加速度計記錄各軸的比力,取樣率、量程、解析度、類比或數位濾波以及感測器方向都會改變波形。重力分量可用於估計姿態,動態分量可描述動作;常見特徵包括向量模、軸向變化、角度變化、零交叉、變異和頻域能量。採集端飽和、削波或遺失封包在演算法後端無法完全恢復。
早期裝置常把原始加速度壓縮為無量綱「活動計數」,不同廠商、型號、濾波和時段長度的計數並非通用單位。Cole–Kripke、Sadeh 等傳統方法對目前及鄰近時段的計數加權並設閾值;基於原始訊號的方法可用手臂角度、啟發式規則、狀態模型或機器學習。公式名稱相同也不保證輸入計數與實作相同。
時間情境能抑制單個衝擊並表達入睡或清醒的持續性,但會引入邊界效應與延遲。後處理常用連續睡眠或清醒規則重新標記短片段,閾值越偏向睡眠,睡眠敏感度通常越高而清醒特異度越低。模型複雜度不能消除運動對睡眠生理資訊不足的根本限制。
預處理、佩戴識別與睡眠視窗
預處理應校驗時間戳、時區、日光節約時間、取樣間隔、單位、軸方向和裝置時鐘漂移,再按明確規則濾波、校準重力並產生時段。重取樣和時段聚合會改變短動作的幅度與持續時間,不能把不同時段長度直接套入原閾值。原始、清理、排除和推斷資料應保持可追溯。
取下裝置、鬆動佩戴、充電、感測器被放在床頭以及真正的長時間靜止可能呈現相似訊號。非佩戴識別可結合持續低變異、溫度、接觸或電容資訊和日誌,但每種方法都有誤差。系統應區分非佩戴、訊號缺失、有效靜止和未知狀態,不應把整段缺失自動補成睡眠。
睡眠視窗可由事件按鈕、睡眠日誌、光照、角度變化、活動模式或多訊號共同確定。先限定「在床視窗」再做睡眠—清醒分類,與在完整 24 小時中自動尋找主睡眠段是不同問題。輪班、小睡、碎片睡眠、臥床休息和跨午夜記錄要求演算法保留多個候選視窗及人工複核依據。
驗證設計與效能指標
逐時段睡眠—清醒驗證通常以同步 PSG 的人工分期為參考,並預先規定如何把 PSG 時段映射到演算法時段。時鐘偏差數十秒即可把短暫清醒錯配,故需要共同觸發、對時記錄或事後可稽核的同步。日誌可提供在床時間和行為情境,但不是睡眠生理的等價真值。
評價應同時報告睡眠敏感度、清醒特異度、平衡準確率、F1 或其他類別不平衡指標,以及混淆矩陣。總體準確率常被大量睡眠時段主導,可能掩蓋對夜間清醒的低識別率。閾值選擇必須在獨立驗證集完成,並給出個人級分布而非只給合併時段結果。
總睡眠時間、入睡潛伏期、入睡後清醒、睡眠效率和起止時間需報告偏差、一致性界限與誤差分布。高相關不等於一致,平均誤差接近零也可能由相反方向誤差抵銷。單夜 PSG 檢驗逐時段效能,多日家庭記錄檢驗依從性與節律輸出,兩類證據不能互相取代。
誤差來源、人群差異與泛化
安靜清醒是體動法最典型的假睡眠來源,失眠、疼痛、臥床或閱讀可加重該誤差;睡中翻身、顫抖、照護動作和床伴傳遞振動則可形成假清醒。手腕活動與全身活動並不相同,腕部固定、輔具、癱瘓或異常運動會破壞通常映射。品質控制必須允許不可判定,而非強制二分類。
年齡、發育、體型、慣用手、佩戴側、活動能力、神經系統疾病、藥物和睡眠障礙會改變動作分布。兒童、老年人、住院患者、輪班者與健康成人不應預設共用閾值。驗證樣本應涵蓋目標人群及其低睡眠效率、白天睡眠和真實家庭行為,並按關鍵亞組報告效能。
資料劃分必須以受試者為單位,且將同一人的相鄰夜晚留在同一分區;否則個人動作特徵會洩漏到測試集。外部驗證還應更換地點、裝置批次和操作流程,並檢驗跨型號或跨韌體遷移。由某種專有活動計數訓練的模型,不能在未驗證時直接用於另一種計數或原始訊號。
輸出解釋、透明報告與版本治理
演算法輸出應標註有效佩戴時間、缺失比例、睡眠視窗來源、閾值或模型版本和信心。睡眠起點、終點與總睡眠時間可用於長期模式觀察,而由單一加速度訊號細分的睡眠階段或微清醒需要額外證據。介面應把實測運動、演算法推斷和彙總評分分層呈現。
可重現報告至少包括裝置與位置、取樣率和量程、校準與濾波、活動計數定義、時段長度、非佩戴規則、睡眠視窗、分類器、後處理、缺失處理和軟體版本。還應公布被排除的夜晚、人工修訂比例和完全失敗案例。只報「準確率」或品牌名稱不足以重現實驗。
韌體、濾波、計數轉換或雲端模型更新都可能改變長期基線。部署前應做版本鎖定和迴歸測試,更新後評估與舊版本的橋接,並向使用者標記不可直接比較的日期。模型應監測輸入分布、失敗率和亞組偏差,但不能用線上資料靜默改寫臨床結果。
臨床使用、隱私與安全
在臨床流程中,體動結果應與病史、睡眠日誌、症狀和適當檢查共同解釋。多日趨勢可提示作息不規律或記錄與主觀報告的差異,卻不能單獨確定病因。若結果將改變診斷、治療或安全決策,應使用符合預期用途、經過相應驗證和監管要求的系統。
連續活動資料可暴露睡眠時間、工作規律、居家狀態和疾病行為,屬於敏感健康與生活資料。採集應遵循最小必要原則,明確本機或雲端處理、存取權限、保存期限、匯出與刪除機制。用於再訓練或分享的資料需要適當授權,並防止從時間模式重新識別個人。
演算法故障不應產生虛假的完整夜晚或確定性建議。系統應在低電量、脫落、時鐘異常、訊號不足或目標人群不適用時明確降級,並保留人工複核路徑。持續失眠、明顯日間嗜睡、異常夜間行為、受傷風險或呼吸症狀需要專業評估,不能由「體動正常」排除。