Комплексное изучение сна: от физиологии до технологий мониторинга

Содержание

Сон является одним из фундаментальных биологических процессов, играющих ключевую роль в поддержании физического и психического здоровья человека. Современные исследования подтверждают, что качество и продолжительность сна оказывают значительное влияние на когнитивные функции, эмоциональное состояние, продуктивность и даже социальные взаимодействия. В данной статье мы рассмотрим основные аспекты сна, включая его фазы, методы диагностики, альтернативные подходы к организации сна и роль технологий в его анализе, стремясь предоставить комплексный обзор текущего состояния исследований в этой области.

В сомнологии существует понятие «Норма качества сна». Национальный фонд сна США (2017) предлагает следующие критерии (табл.).

Таблица

Нормы качества сна

Эксперты Американской ассоциации медицины сна рекомендуют взрослым спать не менее 7 часов в сутки для поддержания оптимального здоровья и благополучия.

Сон, как фундаментальный биологический процесс, обладает сложной и хорошо регулируемой структурой, которая включает две основные фазы: медленноволновой сон (NREM) и быстрый сон (REM). Эти фазы чередуются в течение ночи, формируя циклы продолжительностью примерно от 90 до 120 минут, которые повторяются 4–6 раз за ночь в зависимости от индивидуальных особенностей сна человека. Фаза NREM, которая составляет большую часть сна, подразделяется на три стадии: N1, N2 и N3. Первая стадия, N1, является переходной от бодрствования ко сну и занимает около 5% от общего времени сна. Вторая стадия, N2, составляет примерно 45–55% сна и характеризуется более глубоким сном, во время которого человек становится менее чувствителен к внешним раздражителям. Третья стадия, N3, известная как глубокий или дельта-сон, является самой восстановительной фазой и занимает 15–25% ночного сна. В этот период происходит восстановление физического тела и укрепление иммунной системы. Фаза REM, которая начинается примерно через 90 минут после засыпания, отличается активной работой мозга, похожей на бодрствование. Эта фаза занимает около 20–25% общего времени сна и связана с обработкой эмоций, консолидацией памяти и сновидениями. Во время REM-сна происходит усиление мозговой активности, что способствует обработке информации и укреплению нейронных связей. Нарушения в этих фазах сна могут привести к значительному ухудшению самочувствия, снижению когнитивных функций и увеличению риска развития хронических заболеваний. Недостаток сна, особенно хронический, связан с увеличением вероятности развития сердечно-сосудистых заболеваний, метаболических нарушений, таких как диабет, и психологических расстройств, включая депрессию. С другой стороны, избыточный сон также может быть вредным, ассоциируясь с повышенным риском инсультов и ожирения.

Современные исследования сна сочетают медицинские, психологические и технологические подходы. Полисомнография (ПСГ) остается «золотым стандартом» в исследовании сна. Она регистрирует ЭЭГ, движения глаз, тонус мышц, дыхание и другие параметры. Однако метод требует пребывания пациента в лаборатории, что может вызывать «эффект первой ночи» – искажение данных из-за стресса. Для амбулаторного мониторинга используются, среди прочего, два метода. Первый из них актиграфия – запись активности с помощью акселерометра. Точность этого метода составляет 89–98% у здоровых людей, но снижается у пациентов с расстройствами сна. Второй – это опросники, представляющие субъективную оценку, часто неточную. Например, люди склонны завышать продолжительность сна на 15–20 минут [2].

С развитием технологий носимых устройств, таких как умные часы и фитнес-трекеры, появились новые возможности для самостоятельного анализа сна. Эти устройства активно используются для регистрации движений, пульса и освещенности окружающей среды [1, с. 1538-1557], что позволяет пользователям оценивать различные фазы сна и периоды бодрствования. Однако, несмотря на широкие возможности, алгоритмы фитнес-трекеров имеют свои ограничения. Они могут ошибочно интерпретировать начало и конец сна, а также не учитывать внешние маркеры, такие как выключение света. Это требует от пользователей критического подхода к анализу получаемых данных и, в некоторых случаях, ведения дополнительных личных заметок для точной аннотации результатов. Фитнес-трекеры обычно фиксируют состояния «сон», «бодрствование» и «беспокойный сон» с интервалом в одну минуту. При соблюдении определенных условий, таких как длительность сна более трех часов и надежный контакт сенсора с кожей, устройства способны дифференцировать REM-сон, а также легкие и глубокие стадии сна. Принцип работы фитнес-трекеров основан на использовании акселерометрии и фотоплетизмографии (PPG) непрямой мониторинг температуры тела (STM).

Акселерометры отслеживают активность запястья, предполагая, что отсутствие движений свидетельствует о сне, а активность – о бодрствовании. Однако такой подход имеет свои недостатки: устройство может ошибочно считать состояние покоя без движений за сон или не заметить пробуждения, сопровождаемые минимальной активностью. В то же время акселерометр является основным датчиком в устройствах регистрации сна – актиграфовах, что требует применения дополнительных средств регистрации физиологического состояния, таких как кардиограф, что затрудняет широкое применение данных средств регистрации. С другой стороны, в фитнес-браслетах применяется механизм фотоплетизмографии – измеряет пульс и вариабельность сердечного ритма через световые датчики, что помогает уточнить фазы сна. Например, учащение пульса может указывать на наступление REM-фазы. Тем не менее алгоритмы, используемые устройствами для классификации фаз сна, разработанные компанией Fitbit, основываются на данных о движении и пульсе. Эти алгоритмы могут ошибочно интерпретировать начальные и конечные стадии сна как периоды бодрствования, что влияет на точность расчетов времени засыпания и пробуждения. Отсутствие учета внешних маркеров также ограничивает возможности анализа, делая результаты менее надежными.

Обозначив достоинства и недостатки программно-аппаратных способов исследования сна, был предпринят эксперимент по определению сравнительного качества получаемых данных с фитнес-браслетов (носимых устройств), как альтернативе актиграфам. При построении собственного механизма регистрации времени периодов сна применялся классический метод.

Разрабатываемый механизм регистрации времени периодов сна базируется на классическом подходе к журналированию собственного графика этого сна. При этом было реализовано мобильное приложение, которое регистрирует и агрегирует данные с множества датчиков для их дальнейшей статистической обработки. В сравнении с классическим подходом. Для получения данных о сне применялись встроенные программные API следующих устройств: Fitbit (какой), Honor Band 6, Samsung Galaxy Watch 5. Был использован механизм REST API и протокол авторизированного доступа OAuth 2.0. Данные с фитнес-браслетов агрегировались на сервере, где подвергались статистической обработке с помощью математических библиотек для языка Python.

Для получения токена доступа к API использовались функции, которые реализовывали протокол OAuth 2.0 для предотвращения неавторизованных клиентов и обеспечивали безопасность передачи личных данных. После получения токена доступа, клиенты отправляли запрос на установку соединения защищенного соединения с сервером, используя HTTP методы GET и POST, после чего осуществляли обмен данными.

Например, для получения данных о сне через API Fitbit, использовался параметризованный метод GET для отправки, а затем входящий массив данных преобразовывался к обрабатываемому виду с помощью функции json.loads. Аналогичным образом процедура обмена данными реализована в API WearOS. Минимальные отличия наблюдались в части утилизации API WearOS.

Для обработки персональных данных организована система управления реляционной базой данных под управлением Room и определена схема организации данных в структурированный вид.

Результатом сравнительного анализа точности определения времени начала и окончания периода сна, стали диаграмма, где точками были отмечены случаи, когда носимые устройства показывали время, отличающееся на 10 минут в ту или иную сторону от того, что было в действительности по показаниям из заполняемых вручную журналов испытуемых. Одна из таких диаграмм для одного человека представлена на рисунке. Как можно видеть ошибка не столь существенна в количественном аспекте и наблюдается главным образом в момент позднего отхода ко сну и вероятно, активным или иным выделяющимся поведением испытуемого во время засыпания.

Рис. 1. Диаграмма визуализации моментов отклонения показателей носимых устройств от журналируемого вручную графика

Фитнес-трекеры, несмотря на свои ограничения, всё чаще становятся важным альтернативным инструментом современной медицины и исследований здоровья [3]. Среди ограничивающих факторов, в ходе исследования выявлены: зависимость от заряда батареи, качество непосредственного контакта с кожей пользователя. К тому же производители могут вносить изменения в программное обеспечение устройств без предварительного уведомления, что потенциально может привести к искажению данных в долгосрочных исследованиях. Предлагаемый алгоритм уважительно относится к пользователю и не начинает свою работу по без предварительного согласия с его стороны и предоставления ему условий работы программы, способе и порядке передаче данных.

В заключении следует отметить, что носимые устройства предоставляют уникальную возможность для массового сбора данных о сне населения в естественных условиях. Они позволяют мониторить динамику изменений в качестве сна, что может помочь выявить различные тенденции, например, как стресс или изменения в диете влияют на сон. Использование фитнес-трекеров в сочетании с другими методами, такими как актиграфия или анкетирование, может повысить объективность получаемых данных, позволить совершенствовать алгоритмы обработки показаний [4].