「心」「カラダ」を支えるけんこう総研ストレスマネジメント 株式会社けんこう総研 - 運動と栄養指導による健康セミナー・健康経営コンサルティング

応用心理生理学とバイオフィードバック
前回の睡眠中の睡眠中のウェアラブルによる心拍数変動測定は、朝の精神的・身体的フィットネスの認識を予測するか？の続きです。

方法

内部の被験者間でネストされた毎日の観察に基づいた観察研究が行われました。研究プロトコルは、オランダのTNO（TC-nWMO）の内部研究倫理委員会によって承認されました（ケース2019-038）。報告のガイドラインとして、観察研究の報告の強化（STROBE）声明が使用されました（Von Elm et al., 2007）。

参加者

オランダ軍の73名の従業員からなる便宜的なサンプルが集められ、最大8週間の期間でデータを収集するために参加しました。このグループは、訓練中の43名の海兵隊員とオランダ防衛医療組織の30名のスタッフメンバーで構成されていました。この研究の募集とデータ収集は、平時の2019年の夏、オランダで行われました。募集はオランダ軍によって手配されましたが、参加は自発的なもので、参加者はいつでも無害な結果で停止することができました。すべての参加者は、彼らの（健康）データの使用に明示的な同意を与えました。

データ収集

参加者の年齢、性別、職種などの記述データは、参加者の敏感な職業に関連するプライバシーとセキュリティの懸念から収集されませんでした。この研究の軍事的な文脈に関連するプライバシーとセキュリティの懸念から、参加者のデータをオランダ政府の管轄外のサーバーに保存することは許容されないとされました。これは、Garminのウェアラブルを通常使用した場合に発生する状況です。そのため、記述統計は、独立変数と従属変数の毎日の測定に基づいてのみ提供され、サブグループ分析は行われませんでした。

独立変数：睡眠中の心拍数変動

すべての参加者は、追加の戦術機能を備えたマルチスポーツGPSウォッチとして記述されているGarmin Tactix Charlieスマートウォッチを着用しました（Garmin & subsidiaries、n.d.）。そのため、Garmin Health Standard Software Development Kit（SDK）を利用したカスタムビルトのスマートフォンアプリケーションが使用されました。これにより、アプリケーションはウェアラブルデバイスから直接データを収集し、それを自己ホスト型のサーバーに処理して保存することが可能になりました（Garmin, 2022）。このアプローチを使用すると、加速度計と緑色光光量脈波法に基づいた心拍間隔（IBI）のデータが利用可能になり、これに基づいて睡眠エピソードと関連する休息時のHRVを検出し計算することができます。

睡眠検出は、手首の動きに基づいて睡眠を検出するオープンソースのアルゴリズム（Hees et al., 2015）を基に行われ、3つの調整が行われました。まず、ユーザーがどのくらい長い時間静止しているとその期間が「寝ている」と分類されるかを示すパラメーターが、30分から10分に短縮されました。これは、適用されたアルゴリズムのパイロットテストが、元のアルゴリズムが時々、参加者が夜間に目覚めているときに一晩中の睡眠を別々の睡眠エピソードとして分類することを示したためです。この閾値を下げることで、これを防ぐことができます。第二の調整も同様の目的で行われ、参加者が（不安定な）睡眠中に最大10分間の小さな動きをしても、起きていると分類され、したがって睡眠エピソードが分割されることなく、パラメータが追加されました。最後に、睡眠エピソードの開始がどのように検出されるかについて調整が行われました。最初に、睡眠エピソードの開始は、元のアルゴリズムに従って加速度計データに基づいて推定されました。その後、睡眠エピソードの開始は、そのエピソードの最初の30分間でHRVが最も高い90秒間のタイムウィンドウのタイムスタンプを使用して調整されました。これは、パイロットテストが、参加者が静止しているが眠っていない期間（例えば、スマートフォンで読書している）を睡眠として分類することがあると示したため、そして先行研究がHRVが睡眠エピソードの開始周辺で一時的にピークに達することを示したためです（Boudreau et al., 2013）。この研究では、参加者の朝の知覚される精神的および身体的な適応性をその休息時の生理学と比較するので、夜間のHRVデータはその後の朝の生態学的瞬間評価（EMA）アンケートと統計的に分析されました。最後に、総睡眠時間（TST; 睡眠エピソード中に睡眠して過ごした総時間）を時間単位で、および休息時心拍数（RHR; 睡眠中の平均心拍数）をコントロール変数として含めました。

次に、各睡眠エピソードについてHRVが計算されました。実際の生活でのウェアラブルベースの測定ではモーションアーチファクトが一般的であり、HRVの推定の正確性に影響を与える可能性があるため、以前の研究で使用されたアーチファクト検出アルゴリズムが使用されました（Plews et al., 2017）。この方法は2つのステップからなります。まず、前のものと比較して75％以上異なる間隔が削除されます。次に、第一四分位数の25％以下、第三四分位数の25％以上の間隔だけが含まれるようにして、外れ値が削除されます。さらに、睡眠エピソードの期間の64％未満で有効なIBIが利用可能だった睡眠エピソードは除外されました。これは、以前の研究が、IBIの最大36％が除去されても、rMSSDが臨床的に重要な変化（平均絶対パーセント差の5％の変化）なしに有効に決定できることを示したためです（Sheridan et al., 2020）。この研究ではまた、HRVの頻度領域のパラメーターは欠損データによってはるかに大きく影響を受け、したがってこの文脈では時間領域のパラメーターよりもロバスト性が低いことが示されました。別の研究では、すべての時間および頻度領域のHRV測定値の中で、rMSSDは最もロバストな特徴の1つ（平均NNと並んで）であることが確認されました（Baek & Shin, 2017）。したがって、連続した差の二乗平均のルート（rMSSD）をミリ秒単位で計算し、主要なHRV変数としました。そして、各睡眠エピソードの有効なIBIに基づいて計算しました。この指標は、統計モデリングの分布を改善するために対数変換（lnrMSSD）され、これはHRV研究で一般的な手続きです（Shafer & Ginsberg, 2017）。