論文の概要: Tracking behavioural differences across chronotypes: A case study in Finland using Oura rings

• arxiv url: http://arxiv.org/abs/2501.01350v2
• Date: Mon, 03 Mar 2025 12:57:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-04 15:02:13.57535
• Title: Tracking behavioural differences across chronotypes: A case study in Finland using Oura rings
• Title（参考訳）: クロノタイプ間の行動差の追跡:フィンランドにおけるOura環を用いた事例研究
• Authors: Chandreyee Roy, Kunal Bhattacharya, Kimmo Kaski,
• Abstract要約: 我々は、Ouraが製造したスマートリングを用いて、1年間にわたって19人の健康な参加者から詳細なデータを取得してきた。 参加者の3つのクロノタイプ群の経時的睡眠と活動パターンについて検討した。 睡眠中の睡眠時間, 月次調査応答時間, クロノタイプと, 個人が感じているストレスは, 個人的変動を考慮しつつ, 睡眠時間, 睡眠時間, 月次調査応答時間, およびクロノタイプに大きく関連していることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-invasive mobile wearables like fitness trackers, smartwatches and rings allow for an easier and relatively less expensive approach to study everyday human behaviour when compared to traditional longitudinal methods. Here we have utilised smart rings manufactured by Oura to obtain granular data from nineteen healthy participants over the time span of one year (October 2023 - September 2024) along with monthly surveys for nine months to track their subjective stress during the study. We have investigated longitudinal sleep and activity patterns of three chronotype groups of participating individuals: morning type (MT), neither type (NT) and evening type (ET). We find that while ET individuals do not seem to lead as healthy life as the MT or NT individuals in terms of overall sleep and activity, they seem to have significantly improved their habits during the duration of the study. The activity in all chronotype groups varies across the year with ET showing an increasing trend. Furthermore, we also show that the Daylight Saving Time changes affect the MT and ET chronotypes, oppositely. Finally, using a mixed-effects regression model, we show that an individual's perceived stress is significantly associated with their time spent in bed during the night time sleep, monthly survey response time, and chronotype, while accounting for individual variability.
• Abstract（参考訳）: フィットネストラッカー、スマートウォッチ、リングなどの非侵襲的なモバイルウェアラブルは、従来の縦方向の方法と比較して、日常的な人間の行動を研究するのが簡単で、比較的安価なアプローチを可能にする。 ここでは、Ouraが製造したスマートリングを用いて、1年間(2023年10月～2024年9月)に19人の健康な参加者から、調査中の主観的ストレスを追跡するために9ヶ月間の月次調査を行った。 本研究は, 朝型 (MT), いずれの型 (NT), 夕型 (ET) の3種類のクロノタイプ群において, 睡眠時間と活動パターンについて検討した。 ET個体は、MT個体やNT個体ほど、睡眠や活動全般において健康な生活を送らないように見えるが、研究期間中の生活習慣は著しく改善したようである。 全てのクロノタイプ群の活性は年によって異なり、ETは増加傾向を示す。 また,日照時間の変化がMTとETのクロノタイプに与える影響も示した。 最後に、混合効果回帰モデルを用いて、個人が知覚するストレスは、夜間睡眠中にベッドで過ごす時間、月次調査応答時間、クロノタイプと著しく関連していることを示す。

関連論文リスト

• Collective sleep and activity patterns of college students from wearable devices [1.6569011040448993]
  大学1学期における若年者コホートの毎日および毎週の睡眠と活動パターンについて検討した。 ほとんどの学生は深夜のクロノタイプで、午前5時に睡眠中盤が中央値である。 ソーシャル・ジェットラグ(フリーデイとスクールデイの睡眠時間の違い)は、我々のサンプルに多い。
  論文  参考訳（メタデータ） (2024-12-23T20:34:14Z)
• Forecasting Mortality in the Middle-Aged and Older Population of England: A 1D-CNN Approach [0.0]
  本研究は,2年毎に実施される英語経年調査(ELSA)について考察する。 我々は1次元畳み込みニューラルネットワーク(1D-CNN)を用いて、社会デコグラフィー、疾患、モビリティ障害、日常生活活動(ADL)、日常生活の計測活動(IADL)を用いて死亡率を予測する。 データセットが高度に不均衡なため、異なるオーバーサンプリング手法を試行し、小さなクラスを過剰に表現することで結果が改善されていることに気付きました。
  論文  参考訳（メタデータ） (2024-11-01T02:20:19Z)
• Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
  英国在住の一般住民10,129名のデータを横断的に分析した。 参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。 気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
  論文  参考訳（メタデータ） (2024-09-24T16:05:17Z)
• Signal Processing Grand Challenge 2023 -- e-Prevention: Sleep Behavior as an Indicator of Relapses in Psychotic Patients [27.6075917779323]
  本稿では,精神病患者の再発検出におけるUSC SAILのシグナル処理グランドチャレンジ2023-e-Prevention(Task2)への取り組みと成果について述べる。 本研究では、非教師なし機械学習環境において、睡眠行動の特徴を用いて、再発日を外れ値として推定する。 我々の提出はタスクの公式リーダーボードで第3位にランクされ、精神的な再発の客観的かつ非侵襲的な予測因子としての可能性を示した。
  論文  参考訳（メタデータ） (2023-04-17T21:02:46Z)
• Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
  2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。 パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。 研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
  論文  参考訳（メタデータ） (2023-03-23T17:19:26Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
  実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。 長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
  論文  参考訳（メタデータ） (2022-02-15T07:44:20Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• A Non-negative Matrix Factorization Based Method for Quantifying Rhythms of Activity and Sleep and Chronotypes Using Mobile Phone Data [0.7093070664045024]
  人間の活動は毎日、週、季節のリズムに従っている。 これらのリズムの出現は、生理学や自然循環、社会構造に関係している。 これらのリズムの頻度は、多かれ少なかれ人の間で似ているが、その相は異なる。
  論文  参考訳（メタデータ） (2020-09-21T14:33:30Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)
• N=1 Modelling of Lifestyle Impact on SleepPerformance [2.9073923339818006]
  睡眠は健康な生活に欠かせない。 最近の研究にもかかわらず、実際の環境でパーソナライズされた睡眠モデルを作成することは困難だった。 本研究では,日常活動と睡眠品質の因果関係を同定する睡眠モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-18T22:43:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。