Világszerte egyre többen elégedetlenek vagyunk, vagy szorongunk az alvásunk minőségével kapcsolatban. Az egyszerű alvásmintázat-mérés és az egyéni alvásminták kvantitatív elemzése nemcsak az egésszéges életmóddal foglalkozó szakemberek számára fontos; az alvászavarok diagnosztizálása neurológiai betegségek feltárásában is szerepet játszhat.
A Tokiói Egyetem egy kutatócsoportja Hiroki Ueda és Machiko Katori professzorok vezetésével alvás közben monitorozták a karok mozgását egy kisebb populáción és a mért adatokból egy a kutató laboratóriumukban kifejlesztett gépi tanulási algoritmus segítségével nemrég azonosítottak és definiáltak új alvási és ébrenléti állapotokat. Ezt követően modelljüket alkalmazták a UK Biobankban tárolt mintegy 100 000 embertõl felvett, szintén a karok alvás közbeni mozgását elemzõ adataira. Ennek a nagy elemszámú vizsgálatnak eredményeképpen megállapították, hogy az emberi alvásmintázatok 16 különböző típusba sorolhatóak.
A kiterjesztett kutatás során 30 és 60 év közötti, főként az Egyesült Királyságban élő férfiaktól és nőktől származó, biobanki adatbázisba rendezett adatokat elemztek, akiknek karmozgását csuklópánt-típusú aktivitásmérőkkel (fontos, hogy nem kereskedelmi forgalomban lévõ eszközökkel) legfeljebb 7 napon keresztül mérték. Az ùj algoritmus (amelynek neve ACCEL) illesztés segítségével a mért adatokat 21 alvásmutatóvá alakították át, majd további, szofisztikált bioinformatikai módszerekkel 8 különböző klaszterbe sorolták az alvásmintákat. Ezek között voltak a „társadalmi jetlaggel” kapcsolatos klaszterek, valamint a éjszaka közben folyamatos, rövid ébrenlétekkel jellemezhető és álmatlanságnak tekintett klaszterek, amelyek lehetővé tették az életmóddal és az alvászavarokkal kapcsolatos klaszterek azonosítását. Voltak reggeli és esti típusú klaszterek, valamint az álmatlansághoz kapcsolódóan több klasztert is azonosítottak, várhatóan hasznosak lesznek az álmatlanság diagnosztizálására és a kezelési módszerek javaslatára vonatkozó új módszerek kialakításában.
Forrás: The 103,200-arm acceleration dataset in the UK Biobank revealed a landscape of human sleep phenotypes, PNAS, 2022.
